电脑突然黑屏,然后出现蓝屏有白色字母,说是nv4_disp导致问题_百度知道
电脑突然黑屏,然后出现蓝屏有白色字母,说是nv4_disp导致问题
蓝屏时出现的英文大致是：Theproblemseemstobecausedbythefollowingfile:nv4_dispIfthisthefirsttimeyou'veseenthisstoperrorscreen.restartyourcomputer.Ifthisscreenappearsagain,f...
蓝屏时出现的英文大致是：The problem seems to be caused by the following file:nv4_dispIf this the first time you've seen this stop error screen. restart your computer. If this screen appears again ,follow these steps: The device driver got stuck in an infinite loop.This usually indicates problem with the device itself or with the device driver programming the hardware incorrectly.Please check with your hardware device vendor for any driver updates.Technical information:*** STOP:0x000000EA (0x81AFB978,0x81CDACB4,0x)nv4_disp再重启时就出现花屏了，什么也看不清，蓝色背景，整个屏幕都被一些小方块似的覆盖了
答题抽奖
首次认真答题后
即可获得3次抽奖机会，100%中奖。
hekl2005知道合伙人
采纳数：476
获赞数：727
显卡问题，主机断电，把显卡拨出，清理灰尘并重新插回。如没有独立显卡清理主板灰尘也可以。以排除灰尘静电故障。
还不行则可能是显卡驱动问题，下载个“驱动人生”软件重装显卡驱动试试。
重新开机一开始鼠标不亮，后来好一会才亮，但是显示器始终无信号输入，主机开机按钮灯亮着，有开机的声音
重新开机就没显示了吗？那主机断电把内存也拨出来清理一下灰尘。
kerez知道合伙人
采纳数：36
获赞数：252
这个问题似乎是由于以下文件:nv4_disp如果你第一次看到停止错误屏幕。重新启动你的计算机。如果这个屏幕再次出现,遵循这些步骤:这个设备驱动程序被困在一个无限循环。这通常表明,是由于设备本身的问题,或者是设备驱动程序的硬件不正确。请检查硬件设备供应商以获取驱动程序更新。技术信息:* * *停止:0 x000000ea(0,0 x81c25008 x81afb978,0,0 x xf88dacb4)nv4_disp
追寻1无与伦比知道合伙人
追寻1无与伦比
获赞数：15
出现问题可能是这几方面导致的。一、软件方面1．病毒 2．系统文件损坏 二、硬件方面 1．机箱电源功率不足、直流输出不纯、动态反应迟钝。2．内存热稳定性不良、芯片损坏或者设置错误3．CPU的温度过高或者缓存损坏 ，电脑电源发热散热查或电源供电不足！4．电压不稳 ．插排或电源插座的质量差，接触不良。
oversea2知道合伙人
采纳数：80
获赞数：179
网上有，抄下来了，你自己看吧电脑蓝屏，主要是：“内存有错误”或“软件不兼容”引起！ 出现【EA】，这是：【显卡驱动】的问题！驱动人生，更新：显卡驱动，试试！ 这是解决方法：（作者：力王历史） 1。试试开机，出完电脑品牌后，按F8，安全模式，光标选定：最后一次正确配置， 回车，回车，按下去！【关键一步】 2。再不行，进安全模式，回车，到桌面后，杀毒软件，全盘杀毒！ “隔离区”的东西，彻底删除！ 3。再使用：360安全卫士，“功能大全”里的：“360系统急救箱”， 点：开始急救！重启后，点开“文件恢复区”，全选，彻底删除文件！ 系统修复，全选，立即修复！【关键一步】 网络修复，开始修复，重启电脑！ 360安全卫士，扫描插件，立即清理！360安全卫士，系统修复，一键修复！ 【金山急救箱】，勾选：【扩展扫描】，立即扫描，立即处理，重启电脑！ 4。再不行，拔下显卡和内存条，橡皮擦擦，再用毛刷，清理插槽灰尘和风扇， 更换内存插槽等！【台式机】 5。检查是否有同类功能的，多余类似软件，如：多款播放器，多款杀毒软件 等，卸载多余的，只留一款，因为同类软件，互不兼容！【关键一步】 6。再不行，下载“驱动人生”，升级：显卡驱动！ 7。如果还是不行，需要“一键还原”或“重装系统”了！
8。硬件有问题，送修！
搞不懂网络知道合伙人
搞不懂网络
采纳数：29
获赞数：56
重装显卡驱动。 不过。。。重启花屏。。一般都是显存坏了。。拿去电脑城维修。烤一烤。运气好。就好了。。运气不好。就换个吧。。
栗子520琪琪知道合伙人
栗子520琪琪
系统问题。重装系统。我深有体会，重装就好了。
其他6条回答
为你推荐：
其他类似问题
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。&p&说来我正式接触数据分析也快一年，对速成还是有一些心得。优秀的数据分析师是不能速成的，但是零经验也有零经验的捷径。&/p&&p&&br&&/p&&p&以上的前提针对入门，目的是达到数据分析师的门槛，顺利拿到一份offer，不涉及数据挖掘等高级技巧。我的方法倾向互联网领域，不论是分析师这个职位，还是运营、产品的能力发展都是适用的。其他领域就仁者见仁了。&/p&&p&&br&&/p&&p&市面上有《七周七数据库》，《七周七编程语言》。今天我们就《七周七学习成为数据分析师》。&/p&&p&&br&&/p&&p&没错，七周。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第一周：Excel学习掌握&/b&&/p&&p&&br&&/p&&p&如果Excel玩的顺溜，你可以略过这一周。不过介于我入行时也不会vlookup，所以有必要讲下。&/p&&p&&br&&/p&&p&重点是了解各种函数，包括但不限于sum，count，sumif，countif，find，if，left/right，时间转换等。&/p&&p&&br&&/p&&p&Excel函数不需要学全，&b&重要的是学会搜索&/b&。即如何将遇到的问题在搜索引擎上描述清楚。&/p&&p&&br&&/p&&p&我认为掌握vlookup和数据透视表足够，是最具性价比的两个技巧。
学会vlookup，SQL中的join，Python中的merge很容易理解。
学会数据透视表，SQL中的group，Python中的pivot_table也是同理。
&/p&&p&&br&&/p&&p&这两个搞定，基本10万条以内的数据统计没啥难度，80%的办公室白领都能秒杀。&/p&&p&&br&&/p&&p&Excel是熟能生巧，多找练习题。还有需要养成好习惯，不要合并单元格，不要过于花哨。表格按照原始数据（sheet1）、加工数据（sheet2），图表（sheet3）的类型管理。&/p&&p&&br&&/p&&p&专栏上写了三篇Excel的文章，比较简单，大体介绍了Excel应用，可以作为职场新人的指南。&/p&&p&&br&&/p&&p&第一篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—函数篇&/a&。主要简单讲解常用的函数，以及与之对应的SQL/Python函数。&/p&&p&&br&&/p&&p&第二篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—技巧篇&/a&。主要简单讲解我认为很有新价比的功能，提高工作效率。&/p&&p&&br&&/p&&p&第三篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—实战篇&/a&。主要将前两篇的内容以实战方式进行，简单地进行了一次数据分析。数据源采用了真实的爬虫数据，是5000行数据分析师岗位数据。&/p&&p&&br&&/p&&p&下面是为了以后更好的基础而附加的学习任务。&/p&&p&&br&&/p&&p&了解单元格格式，后期的数据类型包括各类timestamp，date，string，int，bigint，char，factor，float等。&/p&&p&&br&&/p&&p&了解数组，以及怎么用（excel的数组挺难用），Python和R也会涉及到 list。&/p&&p&&br&&/p&&p&了解函数和参数，当进阶为编程型的数据分析师时，会让你更快的掌握。&/p&&p&&br&&/p&&p&了解中文编码，UTF8和ASCII，包括CSV的delimiter等，以后你会回来感谢我的。&/p&&p&&br&&/p&&p&养成一个好习惯，不要合并单元格，不要过于花哨。表格按照原始数据、加工数据，图表的类型管理。&/p&&p&&br&&/p&&p&如果时间还有剩余，可以看&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&大数据时代 (豆瓣)&/a&，培养职业兴趣。&/p&&p&&br&&/p&&p&再来一道练习题，我给你1000个身份证号码，告诉我里面有多少男女，各省市人口的分布，这些人的年龄和星座。（身份证号码规律可以网上搜索）&/p&&figure&&img src=&https://pic2.zhimg.com/50/e48d25ababf941e4afacc1_b.jpg& data-rawwidth=&425& data-rawheight=&247& class=&origin_image zh-lightbox-thumb& width=&425& data-original=&https://pic2.zhimg.com/50/e48d25ababf941e4afacc1_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&第二周：数据可视化&/b&&/p&&p&&br&&/p&&p&数据分析界有一句经典名言，字不如表，表不如图。数据可视化是数据分析的主要方向之一。除掉数据挖掘这类高级分析，不少数据分析就是监控数据观察数据。&/p&&p&&br&&/p&&p&数据分析的最终都是要兜售自己的观点和结论的。兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。如果没人认同分析结果，那么分析也不会被改进和优化，不落地的数据分析价值又在哪里？&/p&&p&&br&&/p&&p&首先要了解常用的图表：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-15e812e7de4c1ddd26cf0_b.jpg& data-rawwidth=&1280& data-rawheight=&959& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&https://pic2.zhimg.com/50/v2-15e812e7de4c1ddd26cf0_r.jpg&&&/figure&&p&&br&&/p&&p&各类图表的详细介绍可以查看第四篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：你想知道的经典图表全在这&/a&&/p&&p&&br&&/p&&p&了解图表后，还应该学会报表制作，这里准备了第五篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：打造高端的数据报表&/a&。将教会大家Excel的高级图表用法。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-90e7cf2f3977c66c6821e_b.jpg& data-rawwidth=&950& data-rawheight=&1118& class=&origin_image zh-lightbox-thumb& width=&950& data-original=&https://pic4.zhimg.com/50/v2-90e7cf2f3977c66c6821e_r.jpg&&&/figure&&p&&br&&/p&&p&如果还不过瘾，我们得掌握信息图和BI，下图就是微软的Power BI：&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-f79c7d413fd311e4dc105b7f_b.jpg& data-rawwidth=&600& data-rawheight=&350& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic4.zhimg.com/50/v2-f79c7d413fd311e4dc105b7f_r.jpg&&&/figure&&p&&br&&/p&&p&BI（商业智能）和图表的区别在于BI擅长交互和报表，更擅长解释已经发生和正在发生的数据。将要发生的数据是数据挖掘的方向。&/p&&p&&br&&/p&&p&BI的好处在于很大程度解放数据分析师的工作，推动全部门的数据意识，另外降低其他部门的数据需求（万恶的导数据）。&/p&&p&&br&&/p&&p&BI市面上的产品很多，基本都是建立仪表盘Dashboard，通过维度的联动和钻取，获得可视化的分析。第六篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：深入浅出BI&/a& 将以第一周的实战数据学习BI，上图的就是学习后的成果。&/p&&p&&br&&/p&&p&数据可视化的学习就是三个过程，了解数据（图表），整合数据（BI），展示数据（信息化）。&/p&&p&&br&&/p&&p&可视化也和审美息息相关，很多直男代表并不擅长做图，没关系，抽空可以看书：&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据之美 (豆瓣)&/a&&/p&&p&&br&&/p&&p&PPT也别落下，Excel作图多练习，不会有坏处的。&/p&&p&&br&&/p&&p&&a href=&https://www.zhihu.com/topic//hot& class=&internal&&PPT - 热门问答&/a&&/p&&p&&br&&/p&&p&&a href=&https://www.zhihu.com/topic//hot& class=&internal&&Excel 图表绘制 - 热门问答&/a&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第三周：分析思维的训练&/b&&/p&&p&&br&&/p&&p&这周我们轻松一下，学学理论知识。&/p&&p&&br&&/p&&p&分析思维首推大名鼎鼎的&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&金字塔原理 (豆瓣)&/a&，帮助数据分析师结构化思维。如果金字塔原理让你醍醐灌顶，那么就可以学思维导图，下载一个&a href=&//link.zhihu.com/?target=http%3A//www.xmindchina.net/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&XMind中文网站&/a&，或者在线用百度脑图（百度难得不被骂的产品）。&/p&&p&&br&&/p&&p&如果不想看金字塔原理，那么就看第七篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&如何培养麦肯锡式的分析思维&/a&。将书本的内容提炼了大部分。&/p&&p&&br&&/p&&p&再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。这些框架都是大巧不工的经典。你要快速成为数据分析师，思考方式也得跟着改变。网上搜咨询公司的面试题，搜Case Book。题目用新学的思维导图做，先套那些经典框架，做一遍，然后去看答案对比。&/p&&p&&br&&/p&&p&等思维框架建立好，我们应该往里面塞点数据分析的思维了，&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&如何建立数据分析的思维框架&/a&。两篇文章相结合，就能出师了。&/p&&p&&br&&/p&&p&这里送三条金句：&/p&&p&&br&&/p&&p&一个业务没有指标，则不能增长和分析&/p&&p&&br&&/p&&p&好的指标应该是比率或比例&/p&&p&&br&&/p&&p&好的分析应该对比或关联。&/p&&p&&br&&/p&&p&举一个例子：我告诉你一家超市今天有1000人的客流量，你会怎么分析？&/p&&p&&br&&/p&&p&这1000人的数量，和附件其他超市比是多是少？（对比）&/p&&p&&br&&/p&&p&这1000人的数量比昨天多还是少？（对比）&/p&&p&&br&&/p&&p&1000人有多少产生了实际购买？（转化比例）&/p&&p&&br&&/p&&p&路过超市，超市外的人流是多少？（转化比例）&/p&&p&&br&&/p&&p&这是一个快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何结果。&/p&&p&&br&&/p&&p&优秀的数据分析师会拷问别人的数据，而他本身的分析也是经得起拷问，这就是分析思维能力。需要确切明白的是，一周时间锻炼不出数据思维，只能做到了解。&b&数据思维是不断练习的结果&/b&，我只是尽量缩短这个过程。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/5257905/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出数据分析 (豆瓣)&/a&&/p&&p&这本书太啰嗦了，我看到一半放弃了…但推荐人不少，可以快速翻看一下。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第四周：数据库学习&/b&&/p&&p&&br&&/p&&p&Excel对十万条以内的数据处理起来没有问题，但是互联网行业就是不缺数据。但凡产品有一点规模，数据都是百万起。这时候就需要学习数据库。&/p&&p&&br&&/p&&p&数据库入门看这篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&写给新人的数据库指南&/a&&/p&&p&&br&&/p&&p&越来越多的产品和运营岗位，会在招聘条件中，将会SQL作为优先的加分项。&/p&&p&&br&&/p&&p&SQL是数据分析的核心技能之一，从Excel到SQL绝对是数据处理效率的一大进步。&/p&&p&&br&&/p&&p&学习围绕Select展开。增删改、约束、索引、数据库范式均可以跳过。SQL学习不需要买书，W3C学习就行了，&a href=&//link.zhihu.com/?target=http%3A//www.w3school.com.cn/sql/index.asp& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SQL 教程&/a&。大多数互联网公司都是MySQL，我也建议学，性价比最高。&/p&&p&&br&&/p&&p&主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等。&/p&&p&&br&&/p&&p&如果想要跟进一步，可以学习row_number，substr，convert，contact等。另外不同数据平台的函数会有差异，例如Presto和phpMyAdmin。&/p&&p&&br&&/p&&p&你看，和Excel的函数都差不多。按照&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&SQL，从入门到熟练&/a&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&SQL，从熟练到掌握&/a&这两篇的内容学习。虽然没有实战的打磨，但是了解一个大概够了。&/p&&p&&br&&/p&&p&期间你不需要考虑优化和写法丑陋，查询几秒和几分钟对数据分析师没区别，跑数据时喝杯咖啡呗，以后你跑个SVM都能去吃饭了。&/p&&p&&br&&/p&&p&网上也能搜索SQL相关的练习题，刷一遍就行。也能自己下载数据库管理工具，找些数据练习。我用的是Sequel Pro。&/p&&p&&br&&/p&&p&&b&附加学习：&/b&&/p&&p&如果这周的学习充裕，可以了解MapReduce原理。&/p&&p&&br&&/p&&p&来一道练习题，表A是用户的注册时间表，表B是用户所在地，写出各地区每月新注册用户的查询SQL。掌握到这个程度，基本够用，虽然往后工作中会有更多变态数据需求。&/p&&figure&&img src=&https://pic2.zhimg.com/50/a52ede0cd1c809d9dba0cf_b.jpg& data-rawwidth=&428& data-rawheight=&196& class=&origin_image zh-lightbox-thumb& width=&428& data-original=&https://pic2.zhimg.com/50/a52ede0cd1c809d9dba0cf_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&第五周：统计知识学习&/b&&/p&&p&很遗憾，统计知识是我最薄弱的地方，也是数据分析的基础之一。&/p&&p&&br&&/p&&p&统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。&/p&&p&&br&&/p&&p&这一周努力掌握描述性统计，包括均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念。详细的数学推导不用细看，谁让我们是速成呢，只要看到数据，知道不能怎么样，而是应该这样分析即可。&/p&&p&&br&&/p&&p&Excel中有一个分析工具库，简单强大。对列1的各名词做到了解。如果是多变量多样本，学会各种检验。&/p&&figure&&img src=&https://pic2.zhimg.com/50/9cce8bdc0d228dd77822e_b.jpg& data-rawwidth=&475& data-rawheight=&331& class=&origin_image zh-lightbox-thumb& width=&475& data-original=&https://pic2.zhimg.com/50/9cce8bdc0d228dd77822e_r.jpg&&&/figure&&p&&br&&/p&&p&（图片网上找来的）&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/3595095/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计数字会撒谎 (豆瓣)&/a&&/p&&p&休闲读物，有趣的案例可以让我们避免很多数据陷阱。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/7056708/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出统计学 (豆瓣)&/a&&/p&&p&还是经典的HeadFirst系列，适应它一贯的啰嗦吧。&/p&&p&&br&&/p&&p&多说一句，老板和非分析师不会有兴趣知道背后的统计学原理，通常要的是分析后的是与否，二元答案。不要告诉他们P值什么的，告诉他们活动有效果，或者没效果。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第六周：业务学习（用户行为、产品、运营）&/b&&/p&&p&&br&&/p&&p&这一周需要了解业务。对于数据分析师来说，&b&业务的了解比数据方法论更重要。&/b&当然很遗憾，业务学习没有捷径。&/p&&p&&br&&/p&&p&我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。&/p&&p&&br&&/p&&p&这个案例中，我们只知道送货员的送货水平距离，数据上根本不可能知道垂直距离这个指标。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。&/p&&p&&br&&/p&&p&对于业务市场的了解是数据分析师工作经验上最大优势之一。既然是零经验面试，公司肯定也知道刚入门分析师不会有太多业务经验，不会以这个卡人。所以简单花一周了解行业的各指标。&/p&&p&&br&&/p&&p&以知乎最多的互联网行业为例。至少了解活跃用户数，活跃用户率，留存率，流失率，传播系数等通用概念。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&增长黑客 (豆瓣)&/a&&/p&&p&数据驱动业务的典型，里面包含产品运营最经典的AAARR框架。部分非数据的营销案例，如果时间不够可以略过。此外产品和运营的入门读物也能看，这里就不推荐了。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&网站分析实战 (豆瓣)&/a&&/p&&p&如果应聘的公司涉及Web产品，可以了解流量的概念。书中案例以Google Analytics为主。其实现在是APP+Web的复合框架，比如朋友圈的传播活动肯定需要用到网页的指标去分析。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&精益数据分析 (豆瓣)&/a&&/p&&p&互联网数据分析的入门书籍，归纳总结了几个常用的分析框架。比较遗憾的是案例都是欧美。&/p&&p&&br&&/p&&p&还有一个小建议，现在有不少第三方的数据应用，囊括了不少产品领域的数据分析和统计。自学党们即使没有生产环境的数据，也可以看一下应用Demo，有好处的。&/p&&p&&br&&/p&&p&除了业务知识，业务层面沟通也需要掌握。另外建议在面试前几天收集该行业的业务强化一下。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第七周：Python/R 学习&/b&&/p&&p&&br&&/p&&p&终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。&/p&&p&&br&&/p&&p&是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。（SAS/SPSS我不了解，所以不做指导）&/p&&p&&br&&/p&&p&这里有两条支线，学习R语言或Python。速成只要学习一条，以后再补上另外一门。&/p&&p&&br&&/p&&p&我刚好两类都学过。R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，sklearn等各包也已经追平R。&/p&&p&&br&&/p&&p&如果学习R，我建议看&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&R语言实战 (豆瓣)&/a&， 照着书本打一遍代码，一星期绰绰有余。另外还有一本 &a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计学 (豆瓣)&/a&
，偏知识理论，可以复习前面的统计学知识。&/p&&p&&br&&/p&&p&R学习和熟悉各种包。知道描述性统计的函数。掌握DataFrame。如果时间有余。可以再去学习ggplot2。&/p&&p&&br&&/p&&p&Python拥有很多分支，我们专注数据分析这块，入门可以学习 &a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/6892016/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出Python（影印版） (豆瓣)&/a& 。也是把代码写一遍。&/p&&p&&br&&/p&&p&需要学会条件判断，字典，切片，循环，迭代，自定义函数等。知道数据领域最经典的包Pandas+Numpy。&/p&&p&&br&&/p&&p&在速成后的很长一段时间，我们都要做调包侠。&/p&&p&&br&&/p&&p&这两门语言最好安装IDE，R语言我建议用RStudio，Python我建议用 &a href=&//link.zhihu.com/?target=https%3A//www.continuum.io/downloads& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Anaconda&/a&。都是数据分析的利器。&/p&&p&&br&&/p&&p&Mac自带Python2.7，但现在Python 3已经比几年前成熟，而且没有编码问题。各类教程也足够多，不要抱成守旧了。Win的电脑，安装Python会有环境变量的问题，是个大坑（R的中文编码也是天坑）。&/p&&p&&br&&/p&&p&到这里，刚刚好是七周。如果还需要第八周+，则是把上面的巩固和融会贯通，毕竟速成是以转岗或拿offer为目的。&/p&&p&&br&&/p&&p&成为数据分析师后，坑才刚刚开始，努力吧。&/p&&p&&br&&/p&&p&所有内容都已经更新完毕了，因为知乎现在不允许帖链接，所以这里不放了。大家可以看专栏，或者关注公众号。&/p&&p&&br&&/p&&p&——我是无耻的软广——&/p&&p&欢迎关注我的公众号（tracykanc），粉丝稀少，急需关爱。更新内容以运营和数据为主。&/p&
说来我正式接触数据分析也快一年，对速成还是有一些心得。优秀的数据分析师是不能速成的，但是零经验也有零经验的捷径。 以上的前提针对入门，目的是达到数据分析师的门槛，顺利拿到一份offer，不涉及数据挖掘等高级技巧。我的方法倾向互联网领域，不论是分…
&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习 (豆瓣)&/a&&/p&&p&把这本书放在下面所有的推荐之上。&/p&&figure&&img src=&https://pic3.zhimg.com/50/a876c64143afb2d57e223e6e9f90bb4c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&345& data-rawheight=&384& class=&content_image& width=&345&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&入门读物：&/p&&ol&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/5257905/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出数据分析 (豆瓣)&/a& 这书挺简单的，基本的内容都涉及了，说得也比较清楚，最后谈到了R是大加分。难易程度：非常易。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3283973/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&啤酒与尿布 (豆瓣)&/a& 通过案例来说事情，而且是最经典的例子。难易程度：非常易。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/5269219/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据之美 (豆瓣)&/a& 一本介绍性的书籍，每章都解决一个具体的问题，甚至还有代码，对理解数据分析的应用领域和做法非常有帮助。难易程度：易。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数学之美 (豆瓣)&/a& 这本书非常棒啦，入门读起来很不错！&br&&/li&&/ol&&p&数据分析：&/p&&ol&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SciPy and NumPy (豆瓣)&/a& 这本书可以归类为数据分析书吧，因为numpy和scipy真的是非常强大啊。&br&&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python for Data Analysis (豆瓣)&/a& 作者是Pandas这个包的作者，看过他在Scipy会议上的演讲，实例非常强！&br&&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Bad Data Handbook (豆瓣)&/a& 很好玩的书，作者的角度很不同。&/li&&/ol&&p&适合入门的教程：&/p&&ol&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3288908/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&集体智慧编程 (豆瓣)&/a& 学习数据分析、数据挖掘、机器学习人员应该仔细阅读的第一本书。作者通过实际例子介绍了机器学习和数据挖掘中的算法，浅显易懂，还有可执行的Python代码。难易程度：中。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/6962285/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning in Action (豆瓣)&/a& 用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有Python代码，大赞！目前中科院的王斌老师已经翻译这本书了 &a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习实战 (豆瓣)&/a&。这本书本身质量就很高，王老师的翻译质量也很高。难易程度：中。我带的研究生入门必看数目之一！&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Building Machine Learning Systems with Python (豆瓣)&/a& 虽然是英文的，但是由于写得很简单，比较理解，又有 Python 代码跟着，辅助理解。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/5377669/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据挖掘导论 (豆瓣)&/a& 最近几年数据挖掘教材中比较好的一本书，被美国诸多大学的数据挖掘课作为教材，没有推荐Jiawei Han老师的那本书，因为个人觉得那本书对于初学者来说不太容易读懂。难易程度：中上。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/7906768/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning for Hackers (豆瓣)&/a& 也是通过实例讲解机器学习算法，用R实现的，可以一边学习机器学习一边学习R。&/li&&/ol&&p&&br&&/p&&p&稍微专业些的：&/p&&ol&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3916225/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Semi-Supervised Learning (豆瓣)&/a& 半监督学习必读必看的书。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/4063191/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Learning to Rank for Information Retrieval (豆瓣)&/a& 微软亚院刘铁岩老师关于LTR的著作，啥都不说了，推荐！&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/6440223/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Learning to Rank for Information Retrieval and Natural Language Processing (豆瓣)&/a& 李航老师关于LTR的书，也是当时他在微软亚院时候的书，可见微软亚院对LTR的研究之深，贡献之大。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&推荐系统实践 (豆瓣)&/a& 这本书不用说了，研究推荐系统必须要读的书，而且是第一本要读的书。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3722993/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Graphical Models, Exponential Families, and Variational Inference (豆瓣)&/a& 这个是Jordan老爷子和他的得意门徒 &a href=&//link.zhihu.com/?target=http%3A//book.douban.com/search/Martin%Wainwright& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Martin J Wainwright&/a& 在 Foundation of Machine Learning Research上的创刊号，可以免费下载，比较难懂，但是一旦读通了，graphical model的相关内容就可以踏平了。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3696989/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Natural Language Processing with Python (豆瓣)&/a& NLP 经典，其实主要是讲 NLTK 这个包，但是啊，NLTK 这个包几乎涵盖了 NLP 的很多内容了啊！&br&&/li&&/ol&&p&&br&&/p&&p&机器学习教材：&/p&&ol&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3294335/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Elements of Statistical Learning (豆瓣)&/a& 这本书有对应的中文版：&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/1152126/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计学习基础 (豆瓣)&/a&。书中配有R包，非常赞！可以参照着代码学习算法。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计学习方法 (豆瓣)&/a& 李航老师的扛鼎之作，强烈推荐。难易程度：难。 &/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning (豆瓣)&/a& 去年出版的新书，作者Kevin Murrphy教授是机器学习领域中年少有为的代表。这书是他的集大成之作，写完之后，就去Google了，产学研结合，没有比这个更好的了。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3887824/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning (豆瓣)&/a& 这书和上面的书不是一本！这书叫：Machine Learning: An Algorithmic Perspective 之前做过我带的研究生教材，由于配有代码，所以理解起来比较容易。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/2061116/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Pattern Recognition And Machine Learning (豆瓣)&/a& 经典中的经典。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/5397287/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Bayesian Reasoning and Machine Learning (豆瓣)&/a& 看名字就知道了，彻彻底底的Bayesian学派的书，里面的内容非常多，有一张图将机器学习中设计算法的关系总结了一下，很棒。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/4007200/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Probabilistic Graphical Models (豆瓣)&/a& 鸿篇巨制，这书谁要是读完了告诉我一声。&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/1888111/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Convex Optimization (豆瓣)&/a& 凸优化中最好的教材，没有之一了。课程也非常棒，Stephen老师拿着纸一步一步推到，图一点一点画，太棒了。&/li&&/ol&
把这本书放在下面所有的推荐之上。 入门读物： 这书挺简单的，基本的内容都涉及了，说得也比较清楚，最后谈到了R是大加分。难易程度：非常易。 通过案例来说事情，而且是最经典的例子。难易程度：…
知乎大神太多，我已经不知道自己是不是能答这个题了。但我真的是大公司data science部门的主力呀。。。汗。。。我只是不想写个xxx公司xxx在我的自我介绍上。。。&br&&br&&br&我看你们点赞挺多的，我又写了个更全面的入门文章，链接如下：&br&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&&span class=&invisible&&https://&/span&&span class=&visible&&zhuanlan.zhihu.com/p/26&/span&&span class=&invisible&&704424&/span&&span class=&ellipsis&&&/span&&/a&&br&&br&我弱弱的觉得在我的成长过程中，有两个东西对我的帮助很大，一个是网易公开课上Andrew Ng给斯坦福学生上的机器学习课程（不是现在coursera上的那个相对简单的公开课）。当年我看着屏幕，假装自己在课堂上，认真的抄写他在黑板上的每一个推导，课后也认真的思考并阅读Ng教授的note，也还好好做作业。&br&&br&在deep learning都要被看不起，aaai是烂会，只有nips和icml才会被人看得起的知乎，我这么说可能实在是有点不上档次。^_^。不过我还是强烈安利网易公开课上的二十个视频。&br&&br&还有一个就更启蒙了，大二的时候参加高教社杯数学建模比赛，侥幸获得国二。美赛icm和mcm也都参加了，两个m奖。现在看起来当时所谓的“模型”就跟小孩子过家家一样，但过不过这个家家，对我的思维方式影响挺大。&br&&br&还有三个对我影响力很大的课程。&br&&br&大二的时候，我有一个很好的概率论老师，我相信这么多年没见，他可能还会记得我。&br&&br&研一的时候，我幸运的碰到了两个很好的老师教我统计和统计信号处理。&br&&br&类似Ng教授的课，我自学了mit的
Gilbert Strang的linear algebra 视频公开课。讲得很好。应该有中文字幕了吧。&br&&br&总结一下，楼主你看书不如看视频。那些“轻松入门”的书，可能并不能给你带来真正的收获。&br&&br&###&br&&br&作为网易跟贴局副局长，我还是想安利一下我家大网易。网易公开课还挺不错的，还有个英国老师在耶鲁讲博弈论，挺有意思的。如果去金融行业做数据，必考博弈论吧。&br&&br&&b&三个课程链接见评论区&/b&
知乎大神太多，我已经不知道自己是不是能答这个题了。但我真的是大公司data science部门的主力呀。。。汗。。。我只是不想写个xxx公司xxx在我的自我介绍上。。。 我看你们点赞挺多的，我又写了个更全面的入门文章，链接如下：
&p&我们按照&b&概率论数理统计→数据分析→数据挖掘→非参数统计→机器学习&/b&这一由浅入深的学习路径，整理了17本值得推荐的国内外书籍。&/p&&br&&h2&&b&第一阶段：概率论数理统计&/b&&/h2&&p&刚入门的新人需掌握基础概率论、数理统计、高等代数、微积分等知识。其中，高等代数和数学分析是数据分析与挖掘的基础。&/p&&p&学习时，重点理解知识点背后的原理，并能够用平实的语言描述主要方法和理论。推荐阅读以下3本书籍。&/p&&br&&p&&b&1. Mathematical Statistics and Data Analysis&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-1a31c21af6f16f9e1efb1e_b.jpg& data-rawwidth=&150& data-rawheight=&192& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数：&/b&★★★★&/p&&p&&b&推荐理由：&/b& 美国本科生常用的数理统计与数据分析教材，是一本经典详尽的统计学入门书，基于简单的微积分，可以培养读者的统计直觉。对学习者的数学要求是能够熟练掌握高等代数，会多重积分。&b&本书强调了数据分析、图形工具和计算机技术，并注重统计的实务和应用&/b&。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.&/span&&span class=&invisible&&html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&2.
All of Statistics: A Concise Course in Statistical Inference&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-a2dbff9a0ea20bdc2cbb392c8fa6d2e3_b.jpg& data-rawwidth=&150& data-rawheight=&231& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★&/p&&p&&b&推荐理由&/b&：大牛之作，卡内基梅隆大学（CMU）的Larry Wasserman写的统计学概要，深入浅出，薄薄的一本（不到200页），适合有一定数学基础的初学者。作者的文风清楚易懂，&b&将重点放在统计概念的阐述上，而不是繁琐复杂的数学证明，同时涉及一些基本的统计与学习模型。&/b&&/p&&p&本书需要读者了解微积分和线性代数的知识，对概率论和统计知识没有要求。&/p&&p&美中不足是文本中有些错误之处，阅读时可以参考本书上的正误表。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.&/span&&span class=&invisible&&html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&3.
Introduction to Probability and Statistic&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-79d6a26cbdcaae78d1a6d_b.jpg& data-rawwidth=&150& data-rawheight=&187& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数：&/b&★★★&/p&&p&&b&推荐理由：&/b& 概率论与数理统计的经典教材，对了解基础概率论和统计知识很有帮助。&b&作者在这本书中强调了用概率学洞察数学分析的方式，最终得到一种对常用数学分析法最直观的理解方式。&/b&从书中的练习以及举的案例可看出概率论是如何应用在日常工作中的。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.&/span&&span class=&invisible&&html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&h2&&b&第二阶段：数据分析&/b&&/h2&&p&本阶段需要学习概率统计、拓扑学、数值逼近、泛函分析、数学建模等知识。&/p&&p&学习时重点应该放在从实际数据集出发进行实战操作以更好的理解方法和原理上。推荐以下2本书籍。&/p&&br&&p&&b&1. 利用Python进行数据分析&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-a8a76a885d1cf0286e95_b.jpg& data-rawwidth=&150& data-rawheight=&213& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数：★★★★&/b&&/p&&p&&b&推荐理由&/b&： &b&基于python语言介绍了numpy ,pandas等库的操作，本书中有大量具体的实践建议，以及大量综合应用方法。&/b&由于作者Wes McKinney是pandas库的主要作者，所以本书也可以作为利用Python实现数据密集型应用的科学计算实践指南。&/p&&p&本书适合刚刚接触Python的分析人员以及刚刚接触科学计算的Python程序员。&/p&&p&&b&购买地址：&/b&&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.ht&/span&&span class=&invisible&&ml&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&2. 数据分析 R语言实战&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-249e07e15d35e161bf18ca0e0f387879_b.jpg& data-rawwidth=&150& data-rawheight=&194& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：&b&★★★☆&/b&&/p&&p&&b&推荐理由&/b&： 结合R操作介绍了数据分析常用方法，并给出很多案例以备实战模拟。&b&本书侧重于使用R进行数据的处理、整理和分析，重点讲述了R的数据分析流程、算法包的使用以及相关工具的应用。&/b&&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.ht&/span&&span class=&invisible&&ml&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&h2&&b&第三阶段：数据挖掘&/b&&/h2&&p&学习数据挖掘，需要掌握微积分、线性代数、条件概率（朴素贝叶斯模型）、数据库、编程语言等知识其中，线性分析是数据挖掘中最重要的一个环节。学习时，应着重数学推导原理并结合编程理解掌握各种方法。推荐阅读以下4本书籍。&/p&&br&&p&&b&1. Data Mining, Concepts and Techniques&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-5e56daddfbcaefed132d28e_b.jpg& data-rawwidth=&150& data-rawheight=&187& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★★&/p&&p&&b&推荐理由&/b&：美国伊利诺伊大学香槟分校（UIUC） CS大牛Jiawei Han, Micheline Kamber及 西蒙弗雷泽大学 （SFU）教授Jian Pei合著的数据挖掘经典教科书，必读系列之一。&/p&&p&&b&本书主要是从数据管理和数据计算的角度给大家讲解数据挖掘。&/b&该书对数据挖掘基本概念，算法及其相关技术有比较全面的阐述，是国内大多数高校上课指定教材。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.&/span&&span class=&invisible&&html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&2. Data Mining, the Textbook&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-58efe815a5cff_b.jpg& data-rawwidth=&150& data-rawheight=&224& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数：★★★★☆&/b&&/p&&p&&b&推荐理由&/b&：深入浅出介绍数据挖掘方法，是必备的教材。&b&此书探索了数据挖掘的不同方面，从基础知识到复杂的数据类型及其应用&/b&。除传统数据挖掘问题之外，它还介绍了高级数据类型，例如文本、时间序列、离散序列、空间数据、图数据等。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.ht&/span&&span class=&invisible&&ml&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&3. 数据挖掘与R语言实战&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-d8da0ae04d20a88407e8efb_b.jpg& data-rawwidth=&150& data-rawheight=&217& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★&/p&&p&&b&推荐理由&/b&：数据挖掘的中级书籍，比较简单易懂。偏重于实战，原理比较少，这本书适合急于上手的同学阅读。&/p&&p&&b&本书在介绍各种数据挖掘方法同时，还介绍了R语言操作，并且在有一定R语言的基础上引入了机器学习的几个经典算法。&/b&适合日常工作中用到R语言的同学。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.ht&/span&&span class=&invisible&&ml&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&4. 数据挖掘与数据化运营实战 思路、方法、技巧与应用&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-5d2ea156e8f7dae1fd0ddf221c71671b_b.jpg& data-rawwidth=&150& data-rawheight=&219& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★&/p&&p&&b&推荐理由：&/b& 诸多数据挖掘书籍中为数不多的穿插大量真实的实践应用案例和场景的书籍。阿里巴巴BI部门数据分析专家卢辉多年数据挖掘应用实践经验结晶，&b&用通俗易懂的“非技术”语言和大量活泼生动的案例展现了数据挖掘与数据化运营的商业实践。&/b&&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.ht&/span&&span class=&invisible&&ml&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&h2&&b&第四阶段：非参数统计&/b&&/h2&&p&非参数统计是尽可能不对统计模型施加假设的情况下进行统计推断。因其灵活性和普适性而在实践中广泛应用，非常值得学习。&/p&&p&需要的知识包括基础概率论与数理统计、线性回归等统计方法。学习重点应放在统计原理的理解上，最好可以运用基础数学及概率论统计知识进行理论推导。推荐阅读以下2本书籍。&/p&&br&&p&&b&1. All of Nonparametric Statistic&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-89bbacdaf977_b.jpg& data-rawwidth=&150& data-rawheight=&233& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★★&/p&&p&&b&推荐理由&/b&：Larry Wasserman同一系列的另一本书，非参数统计概要。这本书主要面向统计学硕士或博士，它也适合于想要快速学习现代非参数方法的研究人员。&/p&&p&&b&这本书要求掌握分布理论，高等代数和数学分析。对于非参数方法包括非参数回归，非参数密度估计，小波算法等都有介绍。&/b&感兴趣的同学可以到CMU Larry Wasserman的网站上找到课程视频和资料。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.&/span&&span class=&invisible&&html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&2. Applied Nonparametric Statistical Methods&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-0f40f4df8d0_b.jpg& data-rawwidth=&150& data-rawheight=&228& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★&/p&&p&&b&推荐理由&/b&：应用非参数统计方法这本书中有许多应用介绍，对非参数统计的应用感兴趣的同学可以看这一本。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.&/span&&span class=&invisible&&html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&h2&&b&第五阶段：机器学习&/b&&/h2&&p&本阶段需要熟练掌握统计方法。学习时，既要能够熟练进行数学理论推导，同时结合数据集进行实战操作，灵活掌握各种机器学习方法。推荐阅读以下6本书籍。&/p&&br&&p&&b&1. The Elements of Statistical Learning&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-adabe01343bb0_b.jpg& data-rawwidth=&150& data-rawheight=&226& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★★&/p&&p&&b&推荐理由：&/b&斯坦福三位统计鼻祖级教授著作。&b&本书对机器学习各领域的方法都有详尽的介绍，有电子版，网上也提供一些数据集，可以配合着R操作来学习，熟练R的同时，掌握各种机器学习方法。&/b&&/p&&p&学习时，可以考虑将重要方法进行数学推导以理解原理，并结合数据集进行R编程操作。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.&/span&&span class=&invisible&&html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&2.
机器学习&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-b3c0d84d55c49e20678d80_b.jpg& data-rawwidth=&150& data-rawheight=&166& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★☆&/p&&p&&b&推荐理由&/b&：作者周志华教授是人工智能大牛，也是国际上人工智能奖项“大满贯” Fellow华人第一人。这是一本非常值得推荐给机器学习入门者梳理知识以及机器学习从业者的书。&/p&&p&书本的印刷质量不错&b&，语言表达与思维逻辑也很清晰，内容涵盖了绝大多数热门算法与模型&/b&。此书的结构基本与《elements of statistical learning》相同，不想看英文版的同学可以看这本。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.ht&/span&&span class=&invisible&&ml&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&3. 统计学习方法&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-fa83ba9a096dc_b.jpg& data-rawwidth=&150& data-rawheight=&219& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★☆&/p&&p&&b&推荐理由&/b&：李航老师力作，李航老师曾任微软亚洲研究院高级研究员及主任研究员，现任华为诺亚方舟实验室首席科学家。&/p&&p&&b&这本书以干货为主&/b&，书中没有多余的例子与解释，很多都是从问题定义直接开始，到算法，到分析。&b&书中例子、推导、算法相对比较难，很有必要仔细阅读&/b&。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.ht&/span&&span class=&invisible&&ml&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&4. Pattern Recognition and machine learning&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-927acc55846ed_b.jpg& data-rawwidth=&150& data-rawheight=&205& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★&/p&&p&&b&推荐理由&/b&：模式识别的经典教材，讲得比较浅显，算是机器学习的初级书籍。&b&这本书较轻为全面介绍了模式识别和机器学习领域，需要掌握一些多变量微积分和基本线性代数的知识。&/b&&/p&&p&本书有大段描述性文字，常用文字代替数学公式去描述原理。大家可以自己尝试数学推导。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/.&/span&&span class=&invisible&&html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&5. Python语言构建机器学习系统&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-17afafada8f221ba117cc81a_b.jpg& data-rawwidth=&150& data-rawheight=&182& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★&/p&&p&&b&推荐理由&/b&： 机器学习的初级书籍，对机器学习中的聚类、分类、降维等热点话题进行了介绍，并介绍了相应的python操作。&b&本书可以帮助你进入应对正式而真实的数据集项目环节，运用建模技术，创建推荐系统，并介绍了主题建模、篮子分析和云计算等高级主题。&/b&这些内容将拓展你的能力，让你能够创建大型复杂系统。&/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/&/span&&span class=&invisible&&.html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&&b&6. 统计学习导论 基于R应用&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-1a84f2f3f210f06033d8ecd_b.jpg& data-rawwidth=&150& data-rawheight=&222& class=&content_image& width=&150&&&/figure&&br&&p&&b&推荐指数&/b&：★★★★&/p&&p&&b&推荐理由&/b&： 统计学习的入门书，通俗易懂，号称是ESL的入门版。&b&本书介绍了机器学习的方法，R的例子讲的也很实用，并给出很多R程序，适合有编程需求的同学。&/b& &/p&&p&&b&购买地址&/b&：&a href=&//link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&item.jd.com/&/span&&span class=&invisible&&.html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&br&&p&最后强调一点，所有的学习重点最终应该放到实践上。不论是数学推导促进理论的理解，还是编程对数据集进行分析和挖掘以应用理论，动手是非常重要的，需要在实践中总结经验并完善加深自己对各种统计理论的理解。&/p&&p&祝大家学习愉快！&/p&&br&&p&&i&感谢京东金融量化运营部提供回答，答者是位死活不想暴露名字的芝加哥大学统计系博士。&/i&&/p&
我们按照概率论数理统计→数据分析→数据挖掘→非参数统计→机器学习这一由浅入深的学习路径，整理了17本值得推荐的国内外书籍。 第一阶段：概率论数理统计刚入门的新人需掌握基础概率论、数理统计、高等代数、微积分等知识。其中，高等代数和数学分析是数…
&p&不知道算不算强答，零基础学了半年吧，没去找工作，只是接了些活儿，挣了些1000多的外快。&/p&&p&明天就要去北京回学校了，今天在家整理书籍，感慨良多，写个答案，算是整理一下半年的学习过程。&/p&&p&（写完了才发现这感慨确实有点多，这个答案是边整理书边写的，所以有点多，基本概括了我半年学习路线，不知道能不能对你有点帮助。）&/p&&br&&p&父亲去年五月份查出肝癌晚期，暑假我向学校申请休学半年，九月份的时候父亲病逝，我一直在家忙后事。为了不在家浪费时间，加上我早就有建筑学弃坑的想法，九月底的时候正式开始学习编程。&/p&&br&&p&不过需要说明的是我并非完全的零基础，去年年初就有心转学cs，只是没人教，学业也繁忙，大概就是看完了《笨办法学python》《think python》，《编码》这个样子吧。&/p&&p&后来就想着利用在家的这段时间试试水，编程学得下去就转cs，不行就老老实实去干我的建筑。所以那个时候学编程给自己定的目标就是寒假能去找份实习。然后在知乎上看到萧丼陌说python加flask是最快找工作的，就从那本《flask web 开发》狗书开始学起。&/p&&br&&figure&&img src=&https://pic2.zhimg.com/50/v2-286eee5c9f932c952da558_b.jpg& data-rawwidth=&293& data-rawheight=&520& class=&content_image& width=&293&&&/figure&&br&&p&开始的时候简直学这本书痛不欲生，一天啃个一两章，看不懂就先跳过去，咬牙坚持到第七章的时候就崩了，完全不知道该怎么继续学下去。因为学《think python》的时候非常顺畅，书里代码也都敲完了，我居然就天真地以为自己就有了python基础。而且那个时候我没有学git，只是把作者最终代码下载下来，对照着敲，怎么可能看得懂。&/p&&p&后来就开始回头补python基础，因为离开了学校，所有的书都需要我自己买。补基础这段时间我看的是《python基础教程 第二版》，手头还备着一本《python核心编程 第二版》翻阅，也是在这段时间里学了爬虫，爬了赶集网几万条数据吧，写爬虫的时候，看着屏幕上翻滚着一条条的数据，特别有成就感。&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-7d22b039ffe9ba2d4126d_b.jpg& data-rawwidth=&293& data-rawheight=&520& class=&content_image& width=&293&&&/figure&&br&&p&用python写了一个2048，总算是积累了一些代码，通过写这个项目开始知道了什么是类，什么是面向对象编程。&/p&&p&十月份重新去撸狗书，这次学乖了，从目录前言开始一字不落。他要我学Git，就老老实实把廖雪峰的Git看完，学完了Git才知道，原来每章都有对应的源码，不懂git，初学者是不可能通过这本书学会Flask的，后来别人问我怎么学Flask的时候我都会再三跟他强调，先学git和github，不然别学这本书。&/p&&p&十月二十六号的时候，那天我生日，敲完了狗书，上传到github。有人可能觉得我速度太慢了，二十多天近一个月才学完这本书。因为我为了学这本书，同时还学了很多本其他书····&/p&&p&网络基础知识缺乏，就去买了《图解http》（看完了）、《图解tcp/ip》（看完了第一章基础知识）、《计算机网络自顶向下方法》（看完了第一章）。&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-0bdb869ce44e_b.jpg& data-rawwidth=&293& data-rawheight=&520& class=&content_image& width=&293&&&/figure&&br&&br&&p&我的经验就是这样，如果你对某一个章节的知识点不懂的话，不如索性把挂着知识点的那棵树都给挖出来，效率还要高得多。&/p&&p&数据库那部分代码跑倒是跑通了，就是不太理解原理，看完了《python基础知识》、《python核心编程第二版》、《python核心编程第三版》所有关于数据库的章节，代码也敲了好几遍还是不太明白，后来买了一本《SQL必知必会》看完了一下子就懂了。&/p&&p&Bootstrap框架不知道什么意思，买了一本《Bootstrap实战》，没想到书还是看不懂，就去过了一遍html和css常识，知道Bootstrap基本就是把已经做好的css引入就结束了，没再深究。因为这类知识有太多的细节，暂时没打算学，逻辑上弄懂是个什么东西就好了。&/p&&br&&figure&&img src=&https://pic1.zhimg.com/50/v2-e32c551d98e52f0226d2bfb4cc766060_b.jpg& data-rawwidth=&293& data-rawheight=&520& class=&content_image& width=&293&&&/figure&&br&&p&也顺便学了JS，买了三本书《JS DOM编程艺术》、《JS语言精粹》、《JS高程》，撸完了第一本，写得很好，第二本翻翻，不太习惯，第三本主要拿来查疑，翻阅的。说实在的，习惯了python的优雅简洁，再去看JS没完没了的大括号、分号，很不适应。&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-46b7fbc6de70e8f7e21e9_b.jpg& data-rawwidth=&293& data-rawheight=&520& class=&content_image& width=&293&&&/figure&&br&&p&撸完了狗书之后就有点迷茫了，不知道该干啥，在家打了一个星期的lol，十一月份的时候去找武汉的小伙伴们玩耍，小伙伴们要么在准备即将到来的考研，要么在忙者找工作。我拉着他们一个一个聊天，看着他们在人生岔口上或迷茫、或失意、或焦虑、或安然，有了些想法。&/p&&p&武汉浪了一个星期后回家买了本董伟明的《python web开发实战》继续学flask。这本书很有意思，与其说是讲flask的，不如说是列了一个提纲，告诉你flask开发要用到什么什么，我学习方式基本就是这本书上提到了一个什么什么我就去把相关的文档过一下。通过这样学习了解了一些网站开发架构的常识。这本书我只看到第六章，后面的需要很多实际工程经验，我看不了。&/p&&p&学习的过程中我给狗书的网站写了一个上传图片，并将图片处理成头像的功能。自己设计编写代码要比照着别人的敲有意思多了。&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-1e95ad369_b.jpg& data-rawwidth=&520& data-rawheight=&293& class=&origin_image zh-lightbox-thumb& width=&520& data-original=&https://pic1.zhimg.com/50/v2-1e95ad369_r.jpg&&&/figure&&br&&p&同时还买了《python cookbook》，强力推荐，很好的一本书。最大的作用是改变了我对python的看法，原来代码还可以这么写，当然是不可能看完的，印象里看了几十页吧。&/p&&p&因为我的学习都是自己闷在屋子里，自己敲代码，代码只跑给机器看，所以我的代码很不规范，命名注释什么的都很混乱，自己也知道这一点，所以买了本《编写高质量代码 python》来看。后来发现代码本身没改善多少，对python内部机制的了解深入了一些。&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-129b344f66c38c075e52b9ea_b.jpg& data-rawwidth=&520& data-rawheight=&293& class=&origin_image zh-lightbox-thumb& width=&520& data-original=&https://pic1.zhimg.com/50/v2-129b344f66c38c075e52b9ea_r.jpg&&&/figure&&br&&p&那个时候感觉技术陷入了一个瓶颈，学习好像变成了拼积木，学习了某个模块，知道了怎么用然后就没了。所以就尝试着学底层，去读flask源码，用python写一个web应用框架，突然间，难度TM地暴涨，就好像我魂斗罗小米加步枪一直打得蛮顺，突然给我刷出一个CF里的僵尸。当时就蒙蔽了&/p&&p&根据之前的经验，我知道，我该去撸真正的基础了。去了一趟武汉之后对于找实习这件事也不怎么执着了，就准备去啃那些科班书了。&/p&&p&买了一本《C Primer Plus》和一本《C程序设计语言》跟着网易云课堂上的翁凯老师把c语言过了一遍，主要是把指针这一块儿弄明白，不求掌握c语言，只求能看明白。&/p&&p&这两本书都没看完，主要用来对照的。老师讲什么，就把对应的章节看了，主要看的是《c plus》，觉得写得详细些。&/p&&p&然后买了《大话数据结构》、《数据结构与算法分析 C语言》开始撸数据结构，把《大话数据结构》撸到“树”这一章之后在翻《数据结构与算法分析》发现这玩意需要很长时间才能啃下来。我在家的时间很自由，但也很有限，主要是为了大致了解CS到底是个什么玩意儿，把时间全花在这里不太值当。况且我这专业不学数学，“学完建筑之后就只会三位数以内的加减法了·····”（我老师说的）所以我还得回学校把数学这个前置技能给点了才好过来继续撸算法。&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-4e577de6a285faabbd9149c_b.jpg& data-rawwidth=&293& data-rawheight=&520& class=&content_image& width=&293&&&/figure&&br&&p&在知乎上听人吹《深入理解计算机系统》已经听得够多了，再加上自己以前就看过《编码》，早就对计算机的内部运行好奇地要死，就选择了这本书来学习。&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-007d1cb35dbc34a7adb514_b.jpg& data-rawwidth=&293& data-rawheight=&520& class=&content_image& width=&293&&&/figure&&br&&p&第一章，good，nice！很顺畅。&/p&&p&第二章，我擦，好难哟，咬着牙啃了。&/p&&p&第三章，马勒戈壁，不会要先去学个汇编再来撸这本书吧·········&/p&&p&在这里卡住了之后，我就绕道而行，选择了国内的教材，唐朔飞老师的《计算机组成原理》和配套的习题跟着网易公开课上的配套课程学习。基本就是学完了计算机组成原理之机器章节，就回过头来把《深入》这本书的第六章存储器给撸一边，学完了计算机组成原理之数字，就回过头来把《深入》的第二章再复习一遍。&/p&&p&同时学习两套教材，确实感觉风格很不一样。《深入》这本书重视知识的融汇与广度，什么东西都会给你提一下，在原理深度上不如《计算机组成原理》。《计算机组成原理》的课后习题基本是在问我上课讲的东西你记住了没？而《深入》这本书则是在问我刚刚说的东西你知道怎么用了吗？当然，两本书我都没学完，认知可能会有偏颇，总体来说，各有千秋。&/p&&p&学到这儿的时候就已经到了2016年基本就过去了，再后来家里的事情增多，爷爷也病重，小伙伴们放了寒假来找我玩，所以2017年的时候基本就没怎么学了，代码也不怎么敲了，到现在已经生疏了很多。&/p&&p&回首这半年，大概可能敲了五千行左右的代码，编程是我的生活主流，但并非全部，还打了500多场lol，刷了几百集电视剧动漫（以前从来不看电视剧的），几十部电影，不定时锻炼，写作练字，偶尔去驾校客串教练，刷知乎。因为没有社交，基本长期都闷在自己的卧室里，懒得出门，倒是硬盘里的片子换了一部又一部········&/p&&p&自己感觉最大的收获除了俯卧撑从原来的5个到了30个之外就是学习能力提高了不少。自学嘛，各种各样稀奇古怪的问题，全靠自己克服。&/p&&p&前天心血来潮，撸了一个微信小程序，是专门给一个妹子定制的日历程序。虽然基本不会js，当初只花了两三天撸了一遍《JS DOM艺术》，但还是只花了两个下午搞定了这个小程序，一个下午用来申请资质、读小程序的文档，搜集资料以及解决为什么我死活改代码，小程序TM的就是没反应的操蛋问题。一个下午用来边学js边写后台逻辑，边查css边写前台页面。当然，程序并不完善，算个Demo吧，还有很多想要的功能，设计的彩蛋都没写，去北京之后补上。因为腾讯爸爸并不接受个人开发者，得想法子绕过去，所以暂时没有上线，希望能在月底上线。&/p&&br&&figure&&img src=&https://pic3.zhimg.com/50/v2-c2a4d3e1afc_b.jpg& data-rawwidth=&512& data-rawheight=&910& class=&origin_image zh-lightbox-thumb& width=&512& data-original=&https://pic3.zhimg.com/50/v2-c2a4d3e1afc_r.jpg&&&/figure&&br&&p&以上基本就是我这半年的学习经历。我并没有完全按照萧丼陌大神推荐的学习路线来学习，全部都是自己搞，不过学完了之后对照一看，路线基本差不太多。&/p&&p&其实我还想再写写，写写自学过程中一点经验。&/p&&p&例如怎么学习安装各种各样的框架、环境、包、工具？（初学者都知道，安装这些稀奇古怪的东西是多么痛苦耗费时间的事。）&/p&&p&怎么样搜集和选择学习资源，学习资料？（我其实不太懂为什么有人要花好几千去培训公司看视频。那些达内全套前端视频，麦子学院的全套python培训视频等等等，我硬盘这里都一套一套的。）&/p&&p&怎么样在实力还很水的时候忽悠别人挣点外快？（我挣的1000多基本全都拿去买书了。其实没有刻意去挣钱，主要是给自己一点动力。）&/p&&p&如何降低自学的难度？&/p&&p&········&/p&&p&不过不能再写了，在这个答案写完发布后，我就得把这台电脑给拆了送到快递店打包发到北京去，再写下去，人家就关门下班了······况且写了这么多废话，肯看完的人估计也没几个········&/p&&br&&p&最后来一张这半年买的书籍合影&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-5aedceeacc40cae7d857a_b.jpg& data-rawwidth=&4160& data-rawheight=&2340& class=&origin_image zh-lightbox-thumb& width=&4160& data-original=&https://pic2.zhimg.com/50/v2-5aedceeacc40cae7d857a_r.jpg&&&/figure&&p&没错，我就是来晒书的！(???)&/p&
不知道算不算强答，零基础学了半年吧，没去找工作，只是接了些活儿，挣了些1000多的外快。明天就要去北京回学校了，今天在家整理书籍，感慨良多，写个答案，算是整理一下半年的学习过程。（写完了才发现这感慨确实有点多，这个答案是边整理书边写的，所以有…
注册知乎这么久，总算有个能回答的问题了。&br&&br&已经按照 python + web 的路线找到工作。&br&&br&工资不高，省吃俭用勉强收支平衡，但总算是转职成功了。&br&&br&&br&&b&背景&/b&&br&&br&年龄：1987.10&br&学历：末流大专&br&基础：会用电脑&br&人脉：0，无相关专业朋友及网友&br&简历：套了个流行的模板，内容流水账，无任何包装和技巧&br&&br&&br&&b&时间线&/b&&br&&ul&&li& 开始自学&/li&&li& 投简历，共投出10份，3个面试，4个不合适&/li&&li&~25 面试&br&&/li&&li& 拿到两个offer，选择了其中一个&/li&&/ul&&br&&br&&b&自学过程&/b&&br&&br&&i&&b&2015年9月&/b&： 完成coursera的python交互程序设计入门。&/i&&br&&br&本来根本没有转职的打算的，当时无意间点进了S1外野的一个讨论编程的帖子，然后看到有人说coursera上这套python教程让他感到打开了新世界的大门，然后我就去搜了下coursera python（那天正在下载i社的新作，等待的时候，人总是容易失去理智），然后我就参加了这门课，当时只是觉得coursera是个挺高大上的东西，试一下总是一种体验，完成了week 1的课程后，发现week 2的课程得等一个礼拜后的互评结束后才能观看。简单搜索一下后，找到了全部的视频，还带字幕的。课程的内容很简单，就是 &b&&i&用简单的条件判断语句 + 简单的面向对象 + 课程提供的gui库 &/i&&/b&来写一些小游戏，比如第二周的课程是乒乓。后面的三周时间几乎是废寝忘食的利用所有空闲时间完成了这套课。这是人生中头一次体会到编程的乐趣，虽然代码糟糕的很，毫无技巧，也不优雅，然而程序跑通的那一刻，得到的体验仍然胜过一切，无论是苦刷三天爆了件神装，还是万智牌绝境下神掏逆转，或者是围棋比赛中殚精竭虑战胜了比自己强的对手，都无法与之相比。&br&&br&&br&&i&&b&2015年10月&/b&：辞职自学，路线确定 python web，用flask写了个人blog。&/i&&br&&br&琳琅满目的自学编程路线中无一不是罗列了一堆砖头书，从数学基础到编译原理，我相信推荐人都是好意，然而一个零基础自学的人，得有多大的热情，才能在没有什么反馈的情况下，坚持到学完所有的基础？&br&这时候看到了萧井陌的答案：&i&&b&“flask源码读懂，就能找到工作”&/b&&/i&&br&于是开始学flask，书用的是miguel的那本《flask web开发》，另外有本《explore flask》做参考&br&这个月比较辛苦，因为啥都不会，照着书敲，前两周大脑一片混沌，总之各种报错，各种搜索，各种补基础，miguel是个好人，长期在他的blog上回答关于他书中的问题。后面敲多了，对MVT框架也就比较清楚了，搜索的内容从清一色的“又报错了，救命TT”，变成了“我想实现这个功能，咋整”。总之在10月31日倒腾出了一个脆弱的个人blog，顺便部署到了sae。&br&有个插曲，不知道是不是搜了太多的技术名词，某天google的搜索页面变成了星战片尾字幕的效果，然后眼前一黑，进入了一个shell环境，里面是google的试题，可惜当时太弱。&br&&br&&br&&i&&b&2015年11月~2016年1月&/b&：刷题，堆技术栈&/i&&br&&br&checkio刷了一百题&br&pythonchallenge完成前28关&br&leetcode每个tag都做了几题&br&汇智、codecademy的交互式教程看了前端和数据相关的&br&读完大部分《Problem Solving with Algorithms and Data Structures》&br&读完大部分《深入 Python 3》&br&读完一半以上的py3.5标准库&br&读了一部分cookbook&br&读了so的一些高票答案&br&读了很多关于web的技术文章&br&&br&&i&2016年2月：思考人生，看了几天海，学django，模仿todoist写了个简化版，投简历&/i&&br&这个月内心有些动摇，因为搜了半天没找到年龄大学历低无人脉的人转职成功的先例，更害怕的是投出简历连面试机会都没有，所以用一个多礼拜学了下django然后写了个简单的todolist，打算投几份简历试试，结果没想到，居然成了&br&&br&&br&&b&其他&/b&&br&&b&&br&关于拖延症：&/b&&br&一个人自学是很容易堕落的，在家里，一不小心，刷刷论坛，一天就过去了。&br&我自己的拖延现象是非常严重的，虽然已经尽力控制，但还是浪费了不少时间。&br&我控制拖延的方法，简单的说就是：计划 + 启动。&br&建议找一款时间管理软件，我用的是 todoist 和 番茄土豆。&br&每天起床后花半个小时规划一下一天要做的事情，写进todolist。&br&写了一堆计划，但最后没完成的多少的现象也是很常见的，所以关键是得开始。&br&任何事情只要开始做就不那么难了，如果计划列表里的某个任务让你拖延很久确不去做，那你可以试试将这个计划分解成很多简单的步骤。&br&比如说，你的todolist有一项是 [加入功能A]，迟迟不开始是因为这功能实现起来很麻烦。那么这时候可以考虑把 [加入功能A] 改为 [‘搜索问题的答案’,‘读文章找头绪’,'github找现成的实现','读懂别人的代码',‘实现自己需要的功能’]，如果还是不愿意动手，可以继续细分，细化到 [打开浏览器，输入问题，点击搜索] 这种程度总能开始做事了。&br&&br&&b&关于英语：&/b&&br&感觉没必要刻意去学，平时多用就行，比如可以 把刷知乎、贴吧、S1的时间用来刷quora、4chan、reddit，平时追的漫画，先看英文肉。&br&&br&&b&关于提问：&/b&&br&我自己是完全的闭门造车状态，没有在任何平台提问过任何技术问题。&br&首先大部分问题都能直接搜到答案。&br&其次搜不到答案的问题，很大可能是问题描述有问题。&br&如果问题描述精准且真的搜不到答案，那么“大神”们回答问题的成本也不低，而我又不是妹子，所以实在搞不定的问题宁可遗忘，也不提问。(哪里会有人喜欢孤独,不过是不喜欢失望.)&br&&br&&b&关于未来：&/b&&br&我知道，我现在只是一个勉强入门“中小型开源Web应用二次开发者”&br&我很难赶上那些，十几岁开始学，二十几岁就成为行业顶尖的人&br&但我28岁的时候开始学，38岁的时候至少能成为一个比较成熟的程序员吧
注册知乎这么久，总算有个能回答的问题了。 已经按照 python + web 的路线找到工作。 工资不高，省吃俭用勉强收支平衡，但总算是转职成功了。 背景 年龄：1987.10 学历：末流大专 基础：会用电脑 人脉：0，无相关专业朋友及网友 简历：套了个流行的模板，内…
&b&欢迎关注我的知乎专栏：&/b&&br&&a href=&http://zhuanlan.zhihu.com/laotang& class=&internal&&&span class=&invisible&&http://&/span&&span class=&visible&&zhuanlan.zhihu.com/laot&/span&&span class=&invisible&&ang&/span&&span class=&ellipsis&&&/span&&/a&&br&看更多电脑的组装知识、技巧；谈谈电脑的新闻、产品。&br&&br&&b&欢迎关注我的微信公众号：知老汤乎&/b&&br&&p&&a href=&//link.zhihu.com/?target=http%3A//weixin.qq.com/r/HDp1bRPEn07grVcO928O& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&weixin.qq.com/r/HDp1bRP&/span&&span class=&invisible&&En07grVcO928O&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&&br&分享各行各业各价位的配置单，不用学，直接买。&br&&br&==========&br&&br&题主问的是如何 而不是直接要配置单 我相信题主是要摆脱小白出去显摆显摆了 （猜错了请不要打我脸）&br&本人将从选购到安装 帮题主脱白 就算脱不了 也应该够你装一台试试了&br&注意 这里的装机方法纯粹是给小白介绍的无脑装机法 不需要任何DIY基本知识 囫囵吞枣地说个大概 有什么特例就不说了 大神们请不要吐槽&br&&br&&br&一.选购&br&台式机的主要硬件包括 CPU（即处理器） CPU散热器（俗称风扇） 主板 显卡 内存 硬盘 电源 机箱&br&&br&1.CPU的选购&br&&br&请选择适合的品牌及系列：&br&低价网游机可选AMD（是一个品牌）的A系列&br&低端办公机请选AMD或Intel（也是一个品牌）的赛扬 奔腾系列&br&其余机型 请选Intel Core i系列&br&&br&鉴于题主配的是的机器 且Core i系列为现时最流行的CPU 在此着重介绍Intel Core i系列的选购：&br&&br&请选择合适的i系列：&br&网游 股票 高端办公 影音 请选i3&br&单机游戏 视频制作 请选i5&br&高端用户 土豪 请选i7&br&&br&请选择合适的型号：（ix 后面的数字）&br&同系列的 数字越大越好！上某东某宝自己比较一下哪个数字大就哪个好！&br&&br&数字差不多的如何比较？&br&个位一般是一样的&br&只有十位数不一样的话 是同一时代的不同等级CPU 数字越大 等级越高 按钱包隆起程度选择&br&只有百位数不一样的话 是不同时代的同一等级的CPU 尽量买最大的 实在没钱 请买比最大值少1的&br&千位数不一样的话 根本就是质的飞跃时代的更替世纪的交错 请果断买最大的 目前i系列全线最大的为6&br&玩超频的请买带K字母的 如果你想问我超频是什么 请你自行百度完之后买不带K字母的&br&&br&&br&2.CPU散热器的选购&br&购买CPU是会附送一个CPU散热器的 但对于高端用户来说不够强劲&br&有知友提醒我散片的CPU是不带CPU散热器的 确实 大家在选购CPU的时候如果需要自带的散热器 记得购买盒装的哦亲～&br&&br&购买赛扬 奔腾CPU的可直接跳过这一步&br&购买AMD过i3 CPU的可根据钱包隆起程度选择购买&br&其余的CPU必须重新选购：&br&&br&请选择主流品牌：九州风神 酷冷至尊 Tt 海盗船 等&br&理论上 侧吹式最佳（如果你理解不了字面意思可以自行百度） 价格越贵越好 看起来越厚重越好 请根据钱包隆起程度选购&br&推荐100左右的比较经济实惠&br&&br&&br&3.主板的选购&br&&br&购买好CPU后直接上百度问“XXXCPU配什么主板好？” 马上能得到答案 其中答案是一个英文字母加两个数字的形式 例如“买B85吧！”&br&&br&记住该答案 上某东某宝搜&br&&br&请选购主流品牌：华硕 技嘉 昂达 映泰 微星 等&br&原则上越贵越好 请根据钱包隆起程度选购&br&另外也可以看外形 越闪瞎狗眼土豪金华丽丽的越好&br&&br&请选择合适的主板大小 主流主板大小分为ATX MATX和ITX 大小逐渐减小 一般来说主板越大 性能越强&br&&br&i5 i7 请选择ATX 其余的可选购MATX 小白请不要购买ITX&br&&br&&br&4.显卡的选购&br&&br&AMD和NVIDIA（英伟达）随便选都很好看你自己喜欢（这两个都是显卡核心的品牌…“显卡核心”是一个名词 而不是理解为“核心的品牌”）&br&实在没哪个喜欢就选NVIDIA 纯粹是因为它家的产品命名简单方便搜索&br&&br&AMD显卡选购：&br&请选择主流品牌 华硕 技嘉 微星 七彩虹 蓝宝石 索泰 映众 等&br&&br&请选择R开头的产品 HD开头的产品已经老去&br&&br&价钱越贵越好 数字越大越好 有X字母的更好&br&请根据钱包隆起程度购买&br&理论上 网游的话买700左右的足矣&br&普通单机请选购1000以上的&br&高端单机请选择1500以上的&br&显卡杀