对于非程序员：1。辅助工作，如处理excel、基础数据统计、批量处理一些常规的文件操作等。信息获取，如去网站批量获取数据，去系统批量获取查询结果。
3.数据分析，数据分析，可视化显示等
程序员：
1。做网站和系统，如豆瓣
2.数据挖掘，舆情分析等
我已经使用python7年多了，现在我正在从事视频对象识别算法的开发，使用同样基于python语言的tensorflow。python是一种解决所有问题的语言，值得拥有
！我从2012年开始学习机器学习，因为没有指导，我走了很多弯路，浪费了很多时间和精力。一开始，我读了《机器学习实践》一书。虽然我不懂，但我还是把书中所有的例子都跑了一遍，渐渐发现自己不懂算法也能达到预期的效果。然后，我会直接开发我想要的程序。当我遇到需要机器学习的部分时，我会直接复制它。一周后，演示会出来。在这个时候，你会发现你已经开始了。剩下的就是理解每种算法的范围和局限性。
不要掉进无休止的书堆里，练习和做项目
！呃，地铁到了。我要去工作了。我还没做完呢。有机会我会继续讨论的
1。蟒蛇会画画。用深度学习lib库的pythondepy来训练电脑模仿世界名画的风格，然后再把它应用到另一幅画上。
github-andersbll/neural艺术风格：python中的neural艺术风格
2。
关于这个我不想说太多。我们都知道。
3.python是raspberrypie的编程语言。
当您问这个问题时，您可能主要怀疑python的性能。事实上，python的许多更好的模块都是用c语言编写的，例如，numpy是一个常用的python数值计算库，它是用c语言实现的，而且计算机的配置也不像十年前那么低。今年，python掀起了一股依靠人工智能的浪潮。作为人工智能产品开发中最流行的编程语言，人工智能相关产品的开发自然离不开大数据的支持，因此python能否进行大规模的数值计算，毋庸置疑。
统计建模和机器学习建模可用于数据分析和数据挖掘。不同的是，统计建模是基于传统的统计方法，如回归分析、聚类分析、主成分分析等，侧重于对已知现象或数据的描述。虽然机器学习建模也是基于统计的，但它侧重于对未知现象或数据的预测，对数据的大小有一定的要求。
统计建模是指基于统计知识的建模。常用的统计知识包括参数估计、假设检验、方差分析、回归分析、时间序列、聚类分析、主成分分析和因子分析，如下图所示。
机器学习建模是指利用机器学习算法进行建模。常用的机器学习算法有：k近邻算法、决策树、逻辑回归、svm、随机林、聚类分析、关联分析等，实现这些算法的语言有python和r，具体如下图所示。！不管是统计建模还是机器学习建模，我们都需要有一个好的数学基础，主要是微积分、线性代数和概率论。
就是这样！欢迎关注[数据科学孙斌]，分享数据科学相关知识！
