没有计算机基础，没有编程基础的人，该怎么学习数据分析，第一步要做到什么，然后应该做什么？怎么一步一步自学？先打哪些基础？很多人都在了解数据分析的时候，都会这么说。数据分析一定要统计学，编程基础吗？
数据分析如何开始？
我最早做数据分析是从网站统计开始的，从CNZZ到Google Analytics都有用过。我们能够这些地方知道什么呢？网站流量，用户情况，行为统计等等。以GoogleAnalytics为例，以下是我一个网站的流量图：
从这个图里面，我们可以看出什么呢？用户数有多少，每个用户访问几个网页，每个用户停留多长时间，跳出率有多高等等。
如果你是第一次看到这种图，那你肯定是一头雾水，WTF？什么是跳出率？什么是平均会话时长？
这也是开始学习的过程，接触到陌生概念，就去了解，不要因为一个概念不懂就停止学习。
经过一段时间的了解，我们学会了各个名词是什么意思，例如我们发现跳出率太高了，那么就证明网站存在某些问题，导致了用户很容易流失。那么我们就进一步， 查看用户的行为数据，例如热点图，点击图等等，分析是什么地方导致了这个问题。
PS：图上这个跳出率算是很低了，还不错。
这个图是流量获取概览图，我们可以通过这个图来了解流量是从哪来的，这也能帮助我们做流量的优化甚至引流的工作。
不要嫌网站统计显得low，基础数据分析都是从这个开始的。
接下来可以着手去搞一些自己感兴趣的数据，当然，这可能需要学习爬虫知识，一些数据库的知识。
你可以爬歌词，看大家在唱什么，也可以把公司的订单倒入，看订单有什么规律，还可以把女朋友的微博全部拿出来，看她到底对什么感兴趣。
这些，其实都是数据分析的应用，从简单的，基础的，自己感兴趣的开始。
零基础怎样学数据分析？大数据是我的主要研究方向之一，同时也在带大数据方向的研究生，我来回答一下这个问题。
数据分析目前是数据价值化的主要方式之一，也是大数据主要的落地应用方式之一，随着大数据技术逐渐普及到广大的传统行业，对于职场人来说，掌握一定的数据分析技术还是有必要的。
数据分析目前有两种主要的分析方式，一种是机器学习的方式，另一种是统计学方式，对于基础比较薄弱的学习者来说，可以从统计学方式开始学起。
通过统计学的方式进行数据分析可以使用多种工具，比如Excel就是比较常见的数据分析工具，在分析结构化数据，以及数据量并不是特别大的情况下，Excel还是比较方便的。对于职场人来说，Excel可以应付大多数情况下的数据分析任务。如果对于数据分析有进一步的要求，接下来就需要学习数据库知识了，重点在于Sql语言的学习，掌握数据库之后可以继续学习BI工具的使用，BI工具的数据分析功能还是比较强大的。
机器学习也是目前比较流行的数据分析方式，相比于统计学方式来说，机器学习的数据分析方式可以应对更加复杂的数据分析任务。机器学习的步骤包括数据收集、数据整理、算法设计、算法实现、算法训练、算法验证和算法应用，机器学习的核心是算法设计，基础是数据收集。机器学习式的数据分析是一种基于“模型”的数据分析方式，目前在人工智能领域，通过构造模型能解决大量的问题。学习人工智能也可以说是学习如何构造各种“模型”，以及如何让模型能够动态适应各种场景。
通过机器学习的方式来完成数据分析可以从编程语言开始学起，比如Python就是不错的选择。一方面学习Python可以完成“爬虫”的编写，这样就可以解决数据来源的问题，另一方面Python也是机器学习比较常见的实现语言，Python中的Numpy、Matplotlib、Scipy、pandas等库会在很大程度上提升实现的效率。
我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有互联网方面的问题，或者考研方面的问题，都可以咨询我，谢谢！
零基础如何入门数据分析？零基础入门数据分析，建议先从Excel开始，因为Excel是数据分析最常用的工具，功能强大，入门容易。
从Excel开始Excel需要学习的有3点，Excel公式、数据透视表和Excel图表。
1、Excel公式
2、数据透视表
3、Excel图表
学习一些SQL基础接着建议学习MySQL，因为数据分析跟数据打交道，懂点sql知识还是很有必要的。
懂点统计学理论很有必要统计学是必须的，不懂统计学根本算不上数据分析师，具体内容有：统计学基础、参数估计、假设检验、方差分析、线性回归、时间序列、聚类分析、主成分分析及因子分析等。
SPSS分析工具除了Excel，推荐SPSS，使用广泛，容易上手。
因为统计学很有些分析方法通过Excel就可以搞定；有些不行，必须通过其他工具才能搞定，例如多元线性回归、聚类分析、主成分分析及因子分析，都需要用到SPSS。
在掌握了统计学的基础上，在学习SPSS是很容易的，因为SPSS只是一个工具而已。
编程学习（可选）另外，有精力的话，懂点编程也是必须的，因为用Excel做数据分析，少量数据（大约几十万甚至百万）没有问题，但是再大一点的数据通过程序来程序会更高效。
1、Python/R
Python和R都可以，R在数据分析方面更加强大，也更成熟，但是想往机器学习方向发展的话，Python还是主流语言，推荐学习Python。
2、Excel VBA
虽然Excel为我们提供了很多好用的公式和功能，但是还有很多工作无法用现有的公式和功能批量完成，比如Excel表格的批量拆分、数据批量分类等，而借助于VBA代码，可以很方便地处理这些问题。
回答完毕！
零基础学大数据能学会么？大数据分析是大数据技术的重要环节，也是目前数据价值化的重要实现方式之一，所以学习大数据技术的一个重点就在于数据分析。
数据分析的方式通常有两种，一种是统计分析，另一种是机器学习。统计分析主要是运用数学的手法，通过已有的大量数据来反应事务的联系性。要想熟练运用统计分析方式，需要具备扎实的数学基础。当然，随着目前统计工具的普及化，一些统计工具会极大的简化统计分析的过程和难度，对于数学基础比较薄弱的人来说，只要经过一个系统的学习过程，往往也能够熟练地进行统计分析。
机器学习是另一种比较常见的数据分析方式，机器学习的目的就是从一堆杂乱无章的数据中找到其背后的规律。机器学习的步骤分为数据采集、数据整理、算法设计、算法训练、算法验证和算法应用，可以说机器学习的重点在算法设计上。从这个角度来看，机器学习也需要具备扎实的数学基础。通常来说，机器学习分为两个阶段，分别是学习阶段和识别阶段，学习阶段需要掌握数据之间的联系，而识别阶段则是对未知数据的鉴别（分类等）。
随着大数据的落地应用，在大数据领域进行数据分析的难度也在逐渐下降，比如BI工具就能够明显降低数据分析的门槛。BI工具通常需要学习一些数据库方面的知识，而数据库知识的难度相对来说并不大，这在一定程度上促进了BI工具的使用。
目前，场景数据分析是一个数据分析的重点和热点，场景数据分析的商业应用价值还是比较高的。另外，场景数据分析对于行业知识有一定的要求。
我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续在头条写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有互联网方面的问题，也可以咨询我，谢谢！
零基础能不能学大数据？大数据开发好学吗？随着大数据应用的逐渐落地，很多人都想从事大数据方面的工作，这其中自然就有很多非大数据相关专业（数学、计算机、统计学）的从业者，那么大数据到底能不能从零基础开始学呢？答案是肯定的，但是也要根据自身的知识结构来选择大数据的学习方向。
大数据技术体系在2016年的时候已经趋于成熟，目前正处在落地应用的阶段，大数据的细分岗位比较多，自然也就需要具备不同的知识结构。大数据的岗位集中在数据采集、整理、存储、分析和呈现几个方面，相对来说数据整理更容易上手一些，也比较适合基础比较薄弱人，另外数据呈现也比较适合作为入门阶段的学习内容。
对于数据整理和数据呈现两个岗位的从业者来说，需要重点掌握两方面的技术，分别是数据库和编程语言，通常情况下都是从Mysql和Python开始学起。数据整理需要使用大量的Sql语句，通过反复的梳理最终整理出一个规范的格式，而数据呈现则需要通过Python来完成，当然一些规范化的输出也可以采用各种BI工具来完成。
如果做数据存储和数据分析的工作，那么就需要一定的基础了，这个基础就是计算机基础、数学基础和统计学基础，这三个学科共同组成了大数据的研发基础。当然，如果从计算机基础开始学起也是可以的，只是这个过程可能比较漫长，对于职场人来说一定要慎重选择。
大数据开发需要学习的内容比较多，而且也有一定的难度，所以大数据开发不算好学，但是如果有大块的时间和系统的学习计划，也是可以入门大数据开发的。通常情况下，大数据开发需要掌握几个大块的内容，包括编程语言、算法、大数据平台以及与平台关联的各种工具。另外，大数据的应用和场景有密切的关系，所以要想真正提高大数据开发能力，一定要有实际的项目做依托。
大数据是我的主要研究方向之一，目前我也在带大数据方向的研究生，我会陆续在头条写一些关于大数据方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有大数据方面的问题，也可以咨询我。
谢谢！
零基础的人，怎么自学数据分析？一、整体了解数据分析——5小时
新人们被”大数据“、”人工智能“、”21世纪是数据分析师的时代“等等信息吸引过来，立志成为一名数据分析师，于是问题来了，数据分析到底是干什么的?数据分析都包含什么内容?
市面上有很多讲数据分析内容的书籍，在此我推荐《深入浅出数据分析》，此书对有基础人士可称消遣读物， 但对新人们还是有一定的作用。阅读时可不求甚解，重点了解数据分析的流程、应用场景、以及书中提到的若干数据分析工具，无需纠结分析模型的实现。5个小时，足够你对数据分析工作建立初步的印象，消除陌生感。
二、了解统计学知识——10小时
15个小时只够你了解一下统计学知识，作为入门足够，但你要知道，今后随着工作内容的深入，需要学习更多的统计知识。
本阶段推荐书籍有二：《深入浅出统计学》《统计学：从数据到结论》，要了解常用数理统计模型(描述统计指标、聚类、决策树、贝叶斯分类、回归等)，重点放在学习模型的工作原理、输入内容和输出内容，至于具体的数学推导，学不会可暂放一边，需要用的时候再回来看。
三、学习初级工具——20小时
对于非技术类数据分析人员，初级工具只推荐一个：EXCEL。推荐书籍为《谁说菜鸟不会数据分析》，基础篇必须学习，提高篇不一定学(可用其他EXCEL进阶书籍)，也可以学习网上的各种公开课。
本阶段重点要学习的是EXCEL中级功能使用(数据透视表，函数，各类图表适用场景及如何制作)，如有余力可学习VBA。
四、提升PPT能力——10小时
作为数据分析人员，PPT制作能力是极其重要的一项能力，因此需要花一点时间来了解如何做重点突出，信息明确的PPT，以及如何把各类图表插入到PPT中而又便于更新数据。10个小时并不算多，但已经足够(你从来没做过PPT的话，需要再增加一些时间)。具体书籍和课程就不推荐了，网上一抓一大把，请自行搜索。
五、了解数据库和编程语言——10小时
这个阶段有两个目标：学习基础的数据库和编程知识以提升你将来的工作效率，以及测试一下你适合学习哪一种高级数据分析工具。对于前者，数据库建议学MySQL(虽然Hadoop很有用但你不是技术职位，初期用不到)，编程语言建议学Python(继续安利《深入浅出Python》，我真没收他们钱……)。数据库学到联合查询就好，性能优化、备份那些内容用不到Python则是能学多少学多少。
六、学习高级工具——10小时
虽然EXCEL可以解决70%以上的问题，但剩下30%还是需要高级工具来做(不信用EXCEL做个聚类)。高级分析工具有两个选择：SPSS和R。虽然R有各种各样的好处，但我给的建议是根据你在上一步中的学习感觉来定学哪一个工具，要是学编程语言学的很痛苦，就学SPSS，要是学的很快乐，就学R。不管用哪一种工具，都要把你学统计学时候学会的重点模型跑一遍，学会建立模型和小幅优化模型即可。
七、了解你想去的行业和职位——10 小时
这里我在时间上写了个” “号，因为这一步并不一定要用整块时间来学习，它是贯穿在你整个学习过程中的。数据分析师最需要不断提升的能力就是行业和业务知识，没有之一。你将来想投入哪个行业和哪个职位的方向，就要去学习相关的知识(比如你想做网站运营，那就要了解互联网背景知识、网站运营指标体系、用户运营知识等内容)。
八、做个报告——25小时
你学习了那么多内容，但现在出去的话你还是找不到好工作。所有的招聘人员都会问你一句话：你做过哪些实际项目?(即使你是应届生也一样) 如果你有相关的项目经验或者实习经验，当然可以拿出来，但是如果没有，怎么办?答案很简单，做个报告给他们看，告诉招聘者：我已经有了数据分析入门级(甚至进阶级)职位的能力。同时，做报告也会是你将来工作的主要内容，因此也有可能出现另外一种情况：你费尽心血做了一个报告，然后发现这不是你想要的生活，决定去干别的工作了……这也是件好事，有数据分析能力的人做其他工作也算有一项优势。
除此之外，数据分析培训也是快速入门的一个捷径。西线学院大数据领域实战型人才孵化与培养是国内领先的专注于大数据领域实训业务的实践者，通过线下、线上以及混合式教学最大程度的为学员提供学习的便利性。同时为IT教育培训行业以及企业提供大数据人才的定制化训练和推荐服务，为教育领域提供差异化的大数据内容输出，为大数据行业人才制定行业标准和认证。
初学者应该如何从零开始学习人工智能？此文是想要进入人工智能这个领域、但不知道从哪里开始的初学者最佳的学习资源列表。机器学习
有关机器学习领域的最佳介绍，请观看 Coursera 的 Andrew Ng 机器学习课程。 它解释了基本概念，并让你很好地理解最重要的算法。
有关ML算法的简要概述，查看这个 TutsPlus 课程“Machine Learning Distilled”。
“Programming Collective Intelligence”这本书是一个很好的资源，可以学习 ML 算法在 Python 中的实际实现。 它需要你通过许多实践项目，涵盖所有必要的基础。
这些不错的资源你可能也感兴趣:
Perer Norvig 的 Udacity Course on ML（ML Udacity 课程）
Tom Mitchell 在卡梅隆大学教授的 Another course on ML（另一门ML课程）
YouTube上 的机器学习教程 mathematicalmonk
深度学习关于深度学习的最佳介绍，我遇到最好的是 Deep Learning With Python。它不会深入到困难的数学，也没有一个超长列表的先决条件，而是描述了一个简单的方法开始DL，解释如何快速开始构建并学习实践上的一切。它解释了最先进的工具（Keras，TensorFlow），并带你通过几个实际项目，解释如何在所有最好的DL应用程序中实现最先进的结果。
在Google上也有一个great introductory DL course，还有Sephen Welch的great explanation of neural networks。
之后，为了更深入地了解，这里还有一些有趣的资源：
Geoffrey Hinton 的coursera 课程“Neural Networks for Machine Learning”。这门课程会带你了解 ANN 的经典问题——MNIST 字符识别的过程，并将深入解释一切。
MIT Deep Learning（深度学习）一书。
UFLDL tutorial by Stanford （斯坦福的 UFLDL 教程）
deeplearning教程
Michael Nielsen 的 Neural Networks and Deep Learning（神经网络和深度学习）一书
Simon O. Haykin 的Neural Networks and Learning Machines （神经网络和机器学习）一书
人工智能“Artificial Intelligence: A Modern Approach (AIMA)” （人工智能：现代方法） 是关于“守旧派” AI最好的一本书籍。这本书总体概述了人工智能领域，并解释了你需要了解的所有基本概念。
来自加州大学伯克利分校的 Artificial Intelligence course（人工智能课程）是一系列优秀的视频讲座，通过一种非常有趣的实践项目（训练AI玩Pacman游戏 ）来解释基本知识。我推荐在视频的同时可以一起阅读AIMA，因为它是基于这本书，并从不同的角度解释了很多类似的概念，使他们更容易理解。它的讲解相对较深，对初学者来说是非常不错的资源。
大脑如何工作
如果你对人工智能感兴趣，你可能很想知道人的大脑是怎么工作的，下面的几本书会通过直观有趣的方式来解释最好的现代理论。
Jeff Hawkins 的 On Intelligence（有声读物）
G?del， Escher， Bach
我建议通过这两本书入门，它们能很好地向你解释大脑工作的一般理论。
其他资源：
Ray Kurzweil的 How to Create a Mind （如何创建一个头脑Ray Kurzweil） (有声读物)。
Principles of Neural Science （神经科学原理）是我能找到的最好的书，深入NS。 它谈论的是核心科学，神经解剖等。 非常有趣，但也很长 – 我还在读它。数学以下是你开始学习AI需要了解的非常基本的数学概念：
微积分学
Khan Academy Calculus videos（可汗学院微积分视频）
MIT lectures on Multivariable Calculus（MIT关于多变量微积分的讲座）
线性代数
Khan Academy Linear Algebra videos（可汗学院线性代数视频）
MIT linear algebra videos by Gilbert Strang（Gilbert Strang的MIT线性代数视频）
Coding the Matrix?（编码矩阵） – 布朗大学线程代数CS课程
概率和统计
可汗学院 Probability（概率）与 Statistics（统计）视频
edx probability course （edx概率课程）
计算机科学要掌握AI，你要熟悉计算机科学和编程。
如果你刚刚开始，我建议阅读 Dive Into Python 3 （深入Python 3）这本书，你在Python编程中所需要的大部分知识都会提到。
要更深入地了解计算机编程的本质 – 看这个经典的 MIT course （MIT课程）。这是一门关于lisp和计算机科学的基础的课程，基于 CS -结构和计算机程序的解释中最有影响力的书之一。
其他资源Metacademy? – 是你知识的“包管理器”。 你可以使用这个伟大的工具来了解你需要学习不同的ML主题的所有先决条件。
kaggle? – 机器学习平台
以上就是我的观点，对于这个问题大家是怎么看待的呢？欢迎在下方评论区交流 ~ 我是科技领域创作者，十年互联网从业经验，欢迎关注我了解更多科技知识！