AI领域综合了众多知识，其中编程语言、机器学习和深度学习是其核心。举个例子，我们可以从《跟着迪哥学Python数据分析与机器学习实战》一书来认识Python数据分析与机器学习的基本知识结构，从而初步了解AI的学习路径。

本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。

编写Grokking Deep Learning旨在帮助您为深度学习奠定基础，以便您可以掌握主要的深度学习框架。它从关注神经网络的基础开始，然后切换其重点以提供对高级层和体系结构的深入了解。

如果您已经通过了高中数学并掌握了Python的知识，那么您就可以开始学习本书了。

对于统计数据，我们似乎对其有着某种天然的信任感，认为其代表着客观公正，数据不会说谎乃至成为了我们的潜意识，在许多时候成为了我们评判事物好坏与否的标准。

但现实的悖论在于，许多聪明的人或机构就是抓住了我们对于数据的这种天然的信任感做起了文章，通过各种统计手段得出各种或好或坏的各种数据，进而影响普通消费者的判断。统计数字和统计图表撒谎的手段通常有：采用不同统计口径的统计数据、忽略规模基数的统计数据和图表扩大化造就视觉误差等。

2019年暴发的新型冠状病毒绝不仅仅是一个数据科学问题，更是一个严峻的公共卫生问题，疫情夺去了无数人的生命，也让我们沉痛地去反思一些重要的社会议题：医疗服务的供给与定价、劳工权利乃至出行自由。

但是，作为一名数据科学家，我发自内心地认为应当从数据科学的角度去审视这一问题。我们都曾在Twitter上看到用Excel绘制出的各种图表，不论是指数型增长的，还是压低了疫情高峰的平滑曲线，我们可能因此感到安心或者恐惧，或者会怀疑这些图表的可信性。这就是一个数据科学问题。除此之外，此次疫情中还有许许多多其他的数据科学问题，我将在本文中一一探讨，希望借此启发大家去思考数据，并从中获得更多力量，以明确当下恰当的应对措施。

数据分析是指用适当的统计分析技术和方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。将数据分析商业化、信息化，从而实现商业价值的企业信息化建设过程称为商业智能。

现代商业数据分析技术和数据分析方法是两个概念，《16种常用的数据分析技术汇总》对前者有详细介绍，本文则关注数据分析方法。

Microsoft Power BI 是微软发布的一套商业分析工具。其功能整合了Excel 中的Power Query、Power Pivot、Power View、Power Map 插件，并加入了社交分享、云服务等功能。更多基础知识可参考《Power BI 知识框架（Excel、Power BI、Power Query、Power Pivot、M语言、DAX语言）》和《Excel 的数据分析工具》。

以下复盘Power BI 的形状地图可视化（自定义地图）的操作。

2018年4月28日，由华东师范大学出版社、商务印书馆、商汤科技、华东师范大学国际慕课研究中心共同主办的“人工智能教育研讨会暨《人工智能基础（高中版）》教材发布会”在华东师范大学隆重举行。

这是我国首部高中教材《人工智能基础》出版，华东师范大学第二附属中学、上海交通大学附中、清华大学附属中学、上海市市西中学等全国40所学校成为首批“人工智能教育实验基地学校”。

面对在线学习数据科学，总会有Compare DataCamp vs Dataquest的话题。

其实DataCamp 和 Dataquest都是成功运营的数据科学教育提供商。