广义线性模型（glm）。该模型以自变量的线性预测函数作为因变量的估计。在机器学习中，许多模型都是基于广义线性模型的，如传统的线性回归模型、最大熵模型、logistic回归模型、softmax回归模型等。广义线性模型glm非常简单。例如，药物的疗效与其剂量有关。这种相关性可能是多种多样的，可能是简单的线性关系（服用一片退烧0.1度，服用两片退烧0.2度，以此类推；这种情况是一般的线性模型），也可能是更复杂的其他关系，如指数关系（一片退烧0.1度，两片退烧（0.4度）、对数关系等。这些复杂关系可以通过一系列数学变换转化为线性关系，统称为广义线性模。对于广义线性混合模型，glmm更为复杂。glm要求观测误差是随机的，而glmm要求误差值不是随机的，而是分布的。例如，我们认为疗效可能与服药时间有关，但相关性并不是单纯的疗效随服药时间而变化。疗效随机波动的程度更可能与给药时间有关。比如早上10点，大家基本上都是半饱。此时，同样剂量的效果几乎相同。但到了中午，有的人还没吃饭，有的人吃饭了，有的人喝酒了，结果，酒和东西起反应，有的人喝醋，醋和东西起反应的方式就不同了。显然，中午吃饭会导致药物疗效的随机误差非常大。这种疗效随机误差（不是疗效本身）随时间而变化，并呈现一定的分布，因此必须采用广义线性混合模型。
我自己的本科生和研究生都在学习统计学。之后的工作就是做数据分析和挖掘的相关工作。
还关注与统计相关的证书。总体而言，与统计相关的证书，如统计员证书、数据分析师和数据挖掘工程师，在行业中并不流行。
至于统计员证书，我真的觉得离实践不太近。
关于数据分析和认证，全国人大经济论坛上有一批人在工作，但似乎没有成功。没有官方承认。
至于注册会计师、特许金融分析师、精算师等，与统计行业有着深厚的关系确实很难。
就我个人而言，我不认为统计专业需要根据目前的就业情况进行测试。当然，如果参加考试，肯定会增加就业的砝码。
如果你真的想增加这个专业的权重，我建议你好好学习统计学专业的基础理论：
a.描述性统计分析
b.推断统计（抽样分布、参数估计、假设检验）
c.实验设计和方差分析
d.多元分析（聚类分析、因子分析、主成分分析、典型相关分析等）
如统计模型（广义线性模型）、混合效应模型、arma、arch等）
f.了解统计模型与算法模型的区别
学习python与年龄无关。去年，我33岁的时候在openstack上学习python。在我的职业生涯中，我学过几种语言，包括c、c、php和python。
就学习内容而言，我认为学习一门语言主要包括两个方面：
1）语言本身的语法，其实内容很少
2）与语言相关的系统库和第三方库，内容多，难度大
另外，我的经验是如何学好一门语言的实践，实践包括两个方面：
1）阅读更多的代码，你可以看到更好的开源项目，如openstack或django等。
2）编写更多的代码。如果你的工作中有项目，如果没有，你可以写一些小项目。例如，开发一个python版本的redis。
