沒有統(tǒng)計學背景，做數(shù)據(jù)分析會無從下手嗎？不會！數(shù)據(jù)分析會是用統(tǒng)計學的知識，但不是沒有統(tǒng)計學背景就沒法做數(shù)據(jù)分析了！必須要一個，在換算工作中是怎莫做數(shù)據(jù)分析的！象是三種方法！第一，用BI工具通過數(shù)據(jù)分析

沒有統(tǒng)計學背景，做數(shù)據(jù)分析會無從下手嗎？

不會！數(shù)據(jù)分析會是用統(tǒng)計學的知識，但不是沒有統(tǒng)計學背景就沒法做數(shù)據(jù)分析了！必須要一個，在換算工作中是怎莫做數(shù)據(jù)分析的！象是三種方法！第一，用BI工具通過數(shù)據(jù)分析

BI工具是做數(shù)據(jù)分析廣泛的方法，這類的工具很多，大多用到的有國外tableau，和國內(nèi)的永洪BI和帆軟等等，這些都是目前市場主流的數(shù)據(jù)分析工具，它們的好像有點就是簡單的報班學習，容易上手，不是需要其他基礎(chǔ)！是可以用簡單的做事磨蹭拽就這個可以表現(xiàn)出各種需求的大數(shù)據(jù)分析，還這個可以做報表，數(shù)據(jù)的可視化大屏，包括領(lǐng)導駕駛艙！這些工具更新?lián)Q代快，功能也在不斷完善，以后數(shù)據(jù)分析會變地越來越大簡單??！

第二，句子修辭python做數(shù)據(jù)分析

python是現(xiàn)在最火的語言之一，應用廣泛的發(fā)揮于大數(shù)據(jù)分析和人工智能領(lǐng)域！而python手中掌握很多強橫的包如：numpy，pandas等在做數(shù)據(jù)分析上有先天的優(yōu)勢，所以我經(jīng)常主要是用于不好算工作中。不過這類的數(shù)據(jù)分析就需要一些數(shù)學和統(tǒng)計學的知識，例如分析數(shù)據(jù)所帶的的機器學習知識，就要數(shù)學和統(tǒng)計學知識才是基礎(chǔ)才能學懂！但這類知識也不是很難，只要你有肯定會的數(shù)學基礎(chǔ)下一些功夫確實是會容易完全掌握的！

第三，用excle并且數(shù)據(jù)分析

這是也很現(xiàn)代的數(shù)據(jù)分析方法，現(xiàn)在任在大量的使用，也只不過簡單易操作，代價??！可是有一個很小的缺點，應該是對數(shù)據(jù)量有限制，不能不能做大量數(shù)據(jù)的分析，像是到百萬級數(shù)據(jù)量也到了頂峰，再多就很卡不是那么容易啟動了！因此很多公司都在定期定時做一些分析，在而且本身的數(shù)據(jù)量也不太大，因為這種方法任然占了太大的份額！實際中工作也在另外BI工具和Python做專業(yè)數(shù)據(jù)分析！

本人畜牧獸醫(yī)相關(guān)專業(yè)IT行業(yè)，對這類的問題有一定的認識歡迎您關(guān)注，后續(xù)不再分享分享！

一個對人工智能毫無了解的計算機應用專業(yè)人士，自學人工智能的話，可行嗎？

要是想深入學習，要復習啊下數(shù)學，包括高等數(shù)學，概率統(tǒng)計，線性代數(shù)，其中線性代數(shù)要比本科有一點深有一點，要牽涉到一些矩陣的微積分，用處推導公式模型極值的表達式，概率方面主要是幾個基本的分布和他們的共軛分布，正態(tài)分布，二項分布之類的，性質(zhì)要比較熟，因為模式識別與就像的比較經(jīng)典程序的差別在于，模式識別中大多數(shù)認為樣本數(shù)據(jù)的概率密度才是數(shù)據(jù)本體，比如說另一個有高斯噪聲的正弦信號，比較經(jīng)典程序正常情況認為正弦波是本體，高斯噪聲是附加在信號上的任務(wù)道具噪聲，但智能信息處理中還好只不過，我們常見如果說高斯噪聲的分布是本體，帶雜波的信號實際上是整個噪聲在波動，簡單點說，很經(jīng)典程序這樣的思想感情ysinθet，et代表噪聲。模式識別這樣的表達出yN(sinθ,β^-1)。如前述，金典程序大多認為作為輸出應該是一個具體看的值，而模式識別則認為作為輸出應該是是一個概率分布，很顯然不只是輸出低，輸入，似然甚至于只是希望方差是概率廣泛分布，在順序去學習中后驗概率會被當做下一次運算的先驗文件導入。

再說編程語言之類的不用太放在心上，基本上只需是有實數(shù)加減法冪運算三角函數(shù)的都這個可以，最好有完善圖形庫的，有的時候是需要粗略去看看運行效果，其實我感覺js就行了，如果能你敢肯定你推倒不出來的公式這個可以都沒有達到預期好效果，用別的語言很快就能弄出去。