鏈接散落的教程文章，做個(gè)詳細(xì)的導(dǎo)讀产镐，助你更高效入門數(shù)據(jù)科學(xué)隘庄。

問題

2017年6月以來(lái)踢步，我陸續(xù)在自己的簡(jiǎn)書專欄《玉樹芝蘭》里癣亚，寫了一系列數(shù)據(jù)科學(xué)教程。

這源于一次研究生課編程工作坊嘗試获印。受閻教練的創(chuàng)新思維訓(xùn)練營(yíng)啟發(fā)述雾，我在課后把詞云制作流程詳細(xì)記錄轉(zhuǎn)述，分享給了大家兼丰。

沒想到玻孟，這篇《如何用Python做詞云？》受到了讀者們非常熱烈的歡迎鳍征。

此后黍翎，一發(fā)不可收拾。

應(yīng)讀者的要求艳丛，結(jié)合我自己的學(xué)習(xí)匣掸、科研和教學(xué)實(shí)踐，我陸續(xù)分享了更多與數(shù)據(jù)科學(xué)相關(guān)的文章氮双。

讀者越來(lái)越多碰酝，我收到的問題也愈發(fā)五花八門。

許多讀者的問題戴差，我其實(shí)都已經(jīng)在其他的文章里面講解過了送爸，因此有時(shí)用“請(qǐng)參考我的另一篇文章《……》，鏈接為……”來(lái)答復(fù)暖释，也幫助讀者解決了問題袭厂。

在建構(gòu)同理心（empathy）之前，估計(jì)我會(huì)問出這樣的問題：

他們?yōu)槭裁床环业钠渌恼履兀?/p>

但現(xiàn)在球匕，我能感受到他們的疑惑：

我哪里知道你寫過另一篇文章纹磺？

散落在各處的文章，不容易系統(tǒng)學(xué)習(xí)和檢索谐丢。于是我在2017年11月爽航，把寫過的數(shù)據(jù)科學(xué)系列教程匯集到了一起蚓让，做了個(gè)索引貼。

我把這個(gè)索引貼鏈接置于每篇新教程的末尾讥珍，并不斷更新維護(hù)历极。

然而，這樣簡(jiǎn)單的標(biāo)題索引衷佃，依然無(wú)法滿足許多讀者的需求趟卸。

有的讀者跟著教程做完了詞云，發(fā)現(xiàn)如果對(duì)中文文本做分析氏义，就會(huì)出現(xiàn)亂碼：

這時(shí)候锄列，你該怎么辦呢？

更進(jìn)一步惯悠，如果你希望把詞云的外邊框變成指定的形狀邻邮，又該如何操作？

光看標(biāo)題克婶，你可能不容易發(fā)現(xiàn)哪一篇文章會(huì)幫助自己解決這些問題筒严，甚至可能會(huì)選擇放棄。

我決定做這個(gè)導(dǎo)讀情萤。

這篇文章鸭蛙，不再是從任務(wù)出發(fā)，簡(jiǎn)單羅列文章標(biāo)題和鏈接筋岛；而是從先易后難的認(rèn)知習(xí)慣娶视，重新組織文章順序，簡(jiǎn)要介紹內(nèi)容睁宰，提示可能遇到的問題肪获。

希望對(duì)你的學(xué)習(xí)能有幫助。

基礎(chǔ)環(huán)境

大部分的教程勋陪，都是在 Python 運(yùn)行環(huán)境 Jupyter Notebook 下運(yùn)行和演示贪磺。

安裝這個(gè)運(yùn)行環(huán)境，最簡(jiǎn)單的方法诅愚，就是安裝 Anaconda 集成套件寒锚。

請(qǐng)先收看這個(gè)視頻教程《如何安裝Python運(yùn)行環(huán)境Anaconda？（視頻教程）》违孝，自己嘗試安裝Anaconda刹前，運(yùn)行起第一個(gè)Jupyter Notebook，輸出一個(gè)“Hello world!”出來(lái)雌桑。

有了這個(gè)基礎(chǔ)喇喉，你就可以嘗試不同的數(shù)據(jù)科學(xué)任務(wù)了。

我的建議是先做詞云校坑。

因?yàn)楹?jiǎn)單拣技，而且有成就感千诬。

詞云

跟著圖文教程《如何用Python做詞云？》一步步執(zhí)行膏斤。用幾行Python代碼徐绑，你就可以做出這樣的詞云來(lái)。

我還專門把它升級(jí)做成了視頻教程《如何用Python做詞云莫辨？（基礎(chǔ)篇視頻教程）》傲茄，供你觀看。

參看這篇文章《如何用Python做中文分詞沮榜？》盘榨，你就能做出這樣的中文詞云。

如果你希望改變?cè)~云邊框外觀蟆融，就參考這篇文章《Python編程遇問題草巡，文科生怎么辦？》的最后部分振愿。

到這里捷犹，你已掌握Python運(yùn)行環(huán)境安裝弛饭、文本文件讀取冕末、常見軟件包調(diào)用、可視化分析與結(jié)果呈現(xiàn)和中文分詞等基本功夫了侣颂。

回頭望去档桃，是不是成就感爆棚呢？

虛擬環(huán)境

細(xì)心的你憔晒，可能已經(jīng)發(fā)現(xiàn)藻肄，圖文教程和視頻內(nèi)容并不完全一致。

視頻教程目前全系列采用Python 3.6版本拒担，未來(lái)得及重新整理的詞云圖文教程嘹屯，展示的確實(shí)2.7版本Python。

為什么呢从撼？

因?yàn)殡S著技術(shù)的發(fā)展州弟，Python已經(jīng)逐步要過渡到3.X版本了。

許多第三方軟件包都已經(jīng)宣布了時(shí)間表低零，盡快支持3.X婆翔，放棄2.X版本的支持。

才半年掏婶，你就可以感受到技術(shù)啃奴、社群和環(huán)境的變化之快。

可是目前某些軟件包雄妥，依然只能支持2.X版本Python最蕾。雖然這樣的軟件包越來(lái)越少了依溯。

你需要暫時(shí)做個(gè)“兩棲動(dòng)物”，千萬(wàn)不要束縛自己瘟则，因?yàn)椤傲?chǎng)原因”固執(zhí)著不肯用低版本Python誓沸。這樣吃虧的是自己。

怎樣才能做個(gè)“兩棲動(dòng)物”呢壹粟？

辦法之一拜隧，就是使用Anaconda的虛擬環(huán)境〕孟桑可以參考《如何在Jupyter Notebook中使用Python虛擬環(huán)境洪添？》。

你初始安裝版本針對(duì)Python 2.7的Anaconda雀费，并不妨礙你快速建立一個(gè)3.6版本Python的虛擬環(huán)境干奢。

有了這個(gè)秘籍，你就可以在不同版本的Python之間左右逢源盏袄，游刃有余了忿峻。

自然語(yǔ)言處理

下一步，我們來(lái)嘗試自然語(yǔ)言處理（Natural Language Processing, NLP）辕羽。

情感分析逛尚，是NLP在許多社會(huì)科學(xué)領(lǐng)域熱門的應(yīng)用之一。

《如何用Python做情感分析刁愿？》這篇文章绰寞，分別從英文和中文兩個(gè)案例，分別采用不同的軟件包铣口，針對(duì)性地解決應(yīng)用需求滤钱。

你只需要幾行代碼，就能讓Python告訴你情感的取向脑题。是不是很厲害件缸？

有了情感分析做基礎(chǔ)，你可以嘗試增加維度叔遂，對(duì)更大體量的數(shù)據(jù)做分析他炊。

增加時(shí)間維度，就可以持續(xù)分析變化的輿情掏熬。

《如何用Python做輿情時(shí)間序列可視化佑稠？》這篇文章，一步步指引你在時(shí)間刻度上可視化情感分析結(jié)果：

這圖難看了一些旗芬。

不過我們需要容忍自己起步時(shí)的笨拙舌胶，不斷迭代與精進(jìn)。

希望一出手就滿分疮丛，對(duì)極少數(shù)天才幔嫂，確實(shí)無(wú)非是日常辆它。

但對(duì)大多數(shù)人，是拖延癥的開始履恩。

你可能迫不及待锰茉，嘗試換自己的數(shù)據(jù)做時(shí)間序列可視化分析。

不過日期數(shù)據(jù)如果與樣例有出入切心，可能會(huì)出現(xiàn)問題飒筑。

這時(shí)候，不要慌绽昏，請(qǐng)參考《Python編程遇問題协屡，文科生怎么辦？》的第二部分全谤，其中有詳細(xì)的錯(cuò)誤原因分析與對(duì)策展示肤晓。

看過后，分析結(jié)果圖也會(huì)迭代成這個(gè)樣子：

到這里认然，你對(duì)情感分析有點(diǎn)兒感覺了吧补憾？

如果你不打算使用第三方提供的情感分類算法，打算自己動(dòng)手訓(xùn)練一個(gè)更為精確的情感分類模型卷员，可以參考《如何用Python和機(jī)器學(xué)習(xí)訓(xùn)練中文文本情感分類模型盈匾？》一文。

剛剛這些情感分析子刮，其實(shí)只是極性分析（正面vs負(fù)面）威酒。但是我們都知道，人的情感其實(shí)是多方面共同構(gòu)成的挺峡。

如何從文本中，分解出多維度的情感特征變化呢担钮？

《如何用Python和R對(duì)《權(quán)力的游戲》故事情節(jié)做情緒分析橱赠？》一文分析了《權(quán)力的游戲》中某一集劇本，你會(huì)獲得這樣的結(jié)果：

如果你是《權(quán)力的游戲》劇迷箫津，請(qǐng)告訴我狭姨，這張圖描繪的是哪一集？

先猜猜看苏遥，然后再打開文章饼拍，跟結(jié)尾做對(duì)比。

這篇文章的可視化分析部分田炭，用的是R师抄。

R也是數(shù)據(jù)科學(xué)領(lǐng)域一個(gè)非常受歡迎的開源工具。它的通用性和熱度可能不如Python（畢竟Python除了數(shù)據(jù)科學(xué)教硫，還能干許多其他的事兒）叨吮，但是因?yàn)橛薪y(tǒng)計(jì)學(xué)界諸多科學(xué)家的擁護(hù)和添磚加瓦辆布，因此有非常好的一套生態(tài)系統(tǒng)。

如果你希望對(duì)單一長(zhǎng)文本提取若干重要關(guān)鍵詞茶鉴，該怎么辦呢锋玲？

請(qǐng)你閱讀《如何用Python提取中文關(guān)鍵詞？》一文涵叮。它采用詞匯向量化惭蹂、TextRank等成熟的關(guān)鍵詞提取算法來(lái)解決問題。

課間答疑

隨著知識(shí)割粮、技能和經(jīng)驗(yàn)的積累剿干，你的疑問可能也逐漸增多了吧？

有的同學(xué)對(duì)這種教學(xué)方式有疑問——案例挺有意思穆刻，也很簡(jiǎn)單易學(xué)置尔，但是怎么把它用到我自己的學(xué)習(xí)、工作和科研中呢氢伟？

我為你寫了一篇答疑說(shuō)明榜轿，叫做《文科生如何高效學(xué)數(shù)據(jù)科學(xué)？》朵锣。文中提到了以下幾個(gè)方面：

• 如何指定目標(biāo)谬盐？
• 如何確定深度？
• 如何加強(qiáng)協(xié)作诚些？

提到協(xié)作飞傀，就不能不說(shuō)Github這個(gè)全球最大的開源代碼托管倉(cāng)庫(kù)了。

在咱們的教程里诬烹，也多次使用Github來(lái)存儲(chǔ)代碼和數(shù)據(jù)砸烦，以便你能夠重復(fù)運(yùn)行教程中的結(jié)果。

《如何高效入門Github绞吁？》一文提供了文檔和視頻教程資源幢痘，希望能對(duì)你掌握這個(gè)數(shù)據(jù)富礦提供幫助。

不少讀者在這個(gè)階段常提出這個(gè)問題：老師家破，想學(xué)Python颜说，推薦本書唄。

看來(lái)汰聋，你已經(jīng)明白了Python的好處了门粪，對(duì)吧？

《如何高效學(xué)Python烹困？》幫助你給自己的學(xué)習(xí)特性做出了分類玄妈。根據(jù)分類的結(jié)果，你可以選擇更適合自己的學(xué)習(xí)路徑。

推薦的教材措近，不僅包括書籍溶弟，還包括MOOC。希望這種充滿互動(dòng)的教學(xué)方式瞭郑，對(duì)你入門數(shù)據(jù)科學(xué)有幫助辜御。

機(jī)器學(xué)習(xí)

你可以嘗試做更進(jìn)一步的分析了。

例如機(jī)器學(xué)習(xí)（Machine Learning）屈张。

機(jī)器學(xué)習(xí)的妙用擒权，就是在那些你（其實(shí)是人類）無(wú)法準(zhǔn)確描述解決步驟的問題上，讓機(jī)器通過大量案例（數(shù)據(jù)）的觀察阁谆、試錯(cuò)碳抄，構(gòu)建一個(gè)相對(duì)有用的模型，來(lái)自動(dòng)化處理問題场绿，或者為人類的決策提供輔助依據(jù)剖效。

大體上，機(jī)器學(xué)習(xí)主要分為3類：

• 監(jiān)督學(xué)習(xí)（Supervised Learning）
• 非監(jiān)督學(xué)習(xí)（Unsupervised Learning）
• 強(qiáng)化學(xué)習(xí)（Reinforcement Learning）

目前本專欄介紹了前兩類的一些例子焰盗。

監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)最大的差別璧尸，在于數(shù)據(jù)。

數(shù)據(jù)已有標(biāo)注（一般是人工賦予標(biāo)簽）熬拒，一般用監(jiān)督學(xué)習(xí)爷光；

數(shù)據(jù)沒有標(biāo)注，一般只能用非監(jiān)督學(xué)習(xí)澎粟。

監(jiān)督學(xué)習(xí)部分蛀序，我們舉了分類（classification）任務(wù)的例子。

《貸還是不貸：如何用Python和機(jī)器學(xué)習(xí)幫你決策活烙？》中的案例徐裸，選擇了貸款審批輔助決策。

具體的機(jī)器學(xué)習(xí)算法瓣颅，是決策樹（decision tree）倦逐。

有同學(xué)表示，繪制這棵決策樹的時(shí)候宫补，遇到了問題。

這主要是因?yàn)檫\(yùn)行環(huán)境的差異和依賴工具的安裝沒有正確完成曾我。

《Python編程遇問題粉怕，文科生怎么辦？》的第一部分抒巢，對(duì)這些問題做了詳細(xì)的闡述贫贝，請(qǐng)根據(jù)列出的步驟嘗試解決。

不僅如此，這篇文章展示給你了一種任務(wù)導(dǎo)向的學(xué)習(xí)方式稚晚，期望它可以提升你Python語(yǔ)言和數(shù)據(jù)科學(xué)學(xué)習(xí)效率崇堵。

非監(jiān)督學(xué)習(xí)部分，我們講述了《如何用Python從海量文本抽取主題客燕？》鸳劳。

文中用一種叫做LDA的聚類（clustering）方法，幫你從可能感興趣的浩如煙海文檔中也搓，提取出可能的類別赏廓，對(duì)應(yīng)的主要關(guān)鍵詞，并且做可視化處理傍妒。

文中提及了停用詞（stopwords）的處理幔摸，但是沒有給出中文停用詞的具體應(yīng)用方法。

《如何用Python和機(jī)器學(xué)習(xí)訓(xùn)練中文文本情感分類模型颤练？》一文中既忆，我不僅對(duì)停用詞處理方式進(jìn)行了詳細(xì)的介紹，而且把監(jiān)督學(xué)習(xí)Naive Bayes模型應(yīng)用于情感分析嗦玖，手把手教你如何訓(xùn)練自己的情感分類模型患雇。

深度學(xué)習(xí)

深度學(xué)習(xí)，指用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network）進(jìn)行機(jī)器學(xué)習(xí)踏揣。

相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)方法庆亡，它使用的模型結(jié)構(gòu)更為復(fù)雜，需要更多的數(shù)據(jù)支持捞稿，并且訓(xùn)練起來(lái)要消耗更多的計(jì)算資源和時(shí)間又谋。

常見的深度學(xué)習(xí)應(yīng)用，包括語(yǔ)音識(shí)別娱局、計(jì)算機(jī)視覺和機(jī)器翻譯等彰亥。

當(dāng)然，新聞里面最愛提的衰齐，是下圍棋這個(gè)事兒：

我們提供的案例任斋，沒有那么挑戰(zhàn)人類智能極限，而是跟日常工作和生活更加相關(guān)耻涛。

《如何用Python和深度神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)即將流失的客戶废酷？》為你介紹了深度神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。

這篇文章通過客戶流失預(yù)警的例子抹缕，講述了使用前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督式學(xué)習(xí)的基本樣例澈蟆。

實(shí)際操作部分，我們采用Tensorflow作為后端卓研，tflearn作為前段趴俘，構(gòu)造你自己的第一個(gè)深度神經(jīng)網(wǎng)絡(luò)睹簇。

《如何用Python和深度神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)即將流失的客戶？》一文末尾還為你提供了進(jìn)一步掌握深度學(xué)習(xí)的相關(guān)資源寥闪。

如果你需要安裝Tensorflow深度學(xué)習(xí)框架（Google出品哦）太惠，歡迎先閱讀這篇《Tensorflow執(zhí)行pip升級(jí)安裝的坑》。

有了深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)疲憋，我們折騰計(jì)算機(jī)視覺凿渊。

《如何用Python和深度神經(jīng)網(wǎng)絡(luò)識(shí)別圖像？》一文柜某，舉例分類哆啦a夢(mèng)和瓦力這兩個(gè)機(jī)器人的各種花式圖像集合嗽元。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)這時(shí)就大放異彩了。

這篇文章喂击，幫你分析了卷積神經(jīng)網(wǎng)絡(luò)中剂癌，不同層次（Layer）的作用。

我們盡量避免用公式翰绊，而是用圖像佩谷、動(dòng)圖和平實(shí)簡(jiǎn)潔的語(yǔ)言描述來(lái)為你解釋概念。

我們使用的深度學(xué)習(xí)框架监嗜，是蘋果的TuriCreate谐檀。你會(huì)調(diào)用一個(gè)非常深層次的卷積神經(jīng)網(wǎng)絡(luò)，幫我們遷(tou)移(ji)學(xué)(qu)習(xí)(qiao)裁奇，用很少的訓(xùn)練數(shù)據(jù)桐猬，獲得非常高的分類準(zhǔn)確率。

有的讀者自己嘗試刽肠，測(cè)試集準(zhǔn)確率居然達(dá)到100%（視運(yùn)行環(huán)境不同溃肪，有差異），大呼過癮音五”棺可同時(shí)又覺得不可思議。

為了解釋這種“奇跡”躺涝，同時(shí)解答讀者“如何在私有數(shù)據(jù)集上以圖搜圖”的疑問厨钻，我寫了《如何用Python和深度神經(jīng)網(wǎng)絡(luò)尋找近似圖片？》坚嗜。

希望讀過此文夯膀，你對(duì)遷移學(xué)習(xí)（Transfer Learning）有了更深入的認(rèn)識(shí)。

如果這兩篇文章學(xué)完苍蔬，你對(duì)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)依然不是很清晰棍郎，也沒關(guān)系，因?yàn)槲业难芯可鷤冊(cè)庥隽送瑯拥膯栴}银室。

為此，我專門錄制了一段講解答疑視頻。

這段視頻里蜈敢，我主要談及了以下幾個(gè)方面：

• 深度神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)辜荠；
• 神經(jīng)元的計(jì)算功能實(shí)現(xiàn)；
• 如何對(duì)深度神經(jīng)網(wǎng)絡(luò)做訓(xùn)練抓狭；
• 如何選擇最優(yōu)的模型（超參數(shù)調(diào)整）伯病；
• 卷積神經(jīng)網(wǎng)絡(luò)基本原理；
• 遷移學(xué)習(xí)的實(shí)現(xiàn)否过；
• 疑問解答午笛。

希望看過之后，你再?gòu)恼撐睦镒x到計(jì)算機(jī)視覺的神經(jīng)網(wǎng)絡(luò)模型苗桂，就可以游刃有余了药磺。

另一批作者又來(lái)發(fā)問了：

老師，我用Windows煤伟，死活就是裝不上TuriCreate癌佩，可怎么辦？

我替他們著急的時(shí)候便锨，恰好找到了一個(gè)寶貝围辙。于是寫了《如何免費(fèi)云端運(yùn)行Python深度學(xué)習(xí)框架？》放案。

免費(fèi)使用GPU姚建，用極為簡(jiǎn)易的操作，就可以在Google云端Linux主機(jī)上部署和執(zhí)行蘋果深度學(xué)習(xí)框架……

聽著是不是像做夢(mèng)爸ㄑ场掸冤？

感謝Google這家為人類知識(shí)積累做出貢獻(xiàn)的企業(yè)。

數(shù)據(jù)獲取

學(xué)完深度學(xué)習(xí)之后考婴，你會(huì)發(fā)現(xiàn)自己變成了“數(shù)據(jù)饑渴”癥患者贩虾。

因?yàn)槿绻麤]有大量的數(shù)據(jù)，就無(wú)法支撐你的深度神經(jīng)網(wǎng)絡(luò)沥阱。

如何獲取數(shù)據(jù)呢缎罢？

我們先要區(qū)分?jǐn)?shù)據(jù)的來(lái)源。

數(shù)據(jù)來(lái)源很多考杉。但是對(duì)于研究者來(lái)說(shuō)策精，網(wǎng)絡(luò)數(shù)據(jù)和文獻(xiàn)數(shù)據(jù)比較常用。

目前主流（合法）的網(wǎng)絡(luò)數(shù)據(jù)方法崇棠，主要分為3類：

• 開放數(shù)據(jù)集下載咽袜；
• API讀取枕稀；
• 爬蟲爬妊病（Crawling）谜嫉。

《如何用Python讀取開放數(shù)據(jù)？》一文中凹联，我為你講解了如何把開放數(shù)據(jù)集下載并且在Python中使用沐兰。

這篇文章介紹了常見的CSV/Excel, JSON和XML等開放數(shù)據(jù)文件格式的讀取、初步處理和可視化方法與流程蔽挠。

如果沒有開放數(shù)據(jù)集整理好供你下載住闯，網(wǎng)站只提供API接口，你該怎么辦呢澳淑？

《如何用R和API免費(fèi)獲取Web數(shù)據(jù)比原？》一文，我們使用R讀取維基百科API杠巡，獲得指定條目的訪問數(shù)量記錄量窘，并且做了可視化。

如果沒有人為你整理好數(shù)據(jù)忽孽，網(wǎng)站也沒有開放API給你绑改，那你就得“直接上大錘”了。

《如何用Python爬數(shù)據(jù)兄一？（一）網(wǎng)頁(yè)抓取》一文為你介紹了非常人性化厘线、易用的網(wǎng)頁(yè)抓取軟件包 requests_html，你可以嘗試抓取網(wǎng)頁(yè)內(nèi)的指定類型鏈接出革。

文獻(xiàn)數(shù)據(jù)可能存儲(chǔ)為各種格式造壮，但其中pdf格式較為常見。

應(yīng)諸多讀者的要求骂束，我寫了《如何用Python批量提取PDF文本內(nèi)容耳璧？》。

你可以批量提取pdf文檔的文本內(nèi)容展箱，并且進(jìn)行各種分析旨枯。

文中的分析相對(duì)簡(jiǎn)單，我們只是統(tǒng)計(jì)了文檔字符數(shù)量混驰。

但是發(fā)揮想象力攀隔，你可能會(huì)做出非常有價(jià)值的分析結(jié)果。

希望這些文章可以幫助你高效獲得優(yōu)質(zhì)數(shù)據(jù)栖榨，支撐起你自己的機(jī)器學(xué)習(xí)模型昆汹。

小結(jié)

本文把《玉樹芝蘭》專欄目前的數(shù)據(jù)科學(xué)類文章進(jìn)行了梳理和歸類，建立了鏈接婴栽，以幫你看清它們之間的邏輯依賴關(guān)系满粗。

專欄中，數(shù)據(jù)科學(xué)類文章主要圍繞以下方面展開：

• 環(huán)境搭建愚争；
• 基礎(chǔ)入門映皆；
• 自然語(yǔ)言處理挤聘；
• 機(jī)器學(xué)習(xí)；
• 深度學(xué)習(xí)劫扒；
• 數(shù)據(jù)獲让识础；
• 答疑沟饥。

你可能早已發(fā)現(xiàn)，我們還有很多話題湾戳，沒有來(lái)得及涉及贤旷。

別著急。

本專欄會(huì)持續(xù)添加新的內(nèi)容砾脑。這篇導(dǎo)讀也會(huì)不定期更新幼驶。歡迎關(guān)注。

討論

本專欄數(shù)據(jù)科學(xué)類的文章里韧衣，你更喜歡哪個(gè)方面的主題盅藻？除此以外，你還希望讀到哪些內(nèi)容畅铭？歡迎留言氏淑，把你的經(jīng)驗(yàn)和思考分享給大家，我們一起交流討論硕噩。

喜歡請(qǐng)點(diǎn)贊假残。還可以微信關(guān)注和置頂我的公眾號(hào)“玉樹芝蘭”(nkwangshuyi)。

如果你對(duì)數(shù)據(jù)科學(xué)感興趣炉擅，不妨閱讀我的系列教程索引貼《如何高效入門數(shù)據(jù)科學(xué)辉懒？》，里面還有更多的有趣問題及解法谍失。