資料分析師是不易被人工智慧取代的新興職業，相比演算法工程師、人工智慧工程師而言比較好入門。學好資料分析，也可為進一步的資料科學、機器學習打下一定的基礎。

目前資料分析、機器學習的應用如火如荼，許多同學都有意參與到這股學習的熱潮中來，但是令人苦惱的是，學習資料有很多，但是常常感覺無從下手。

這是因為，這裡所涉及到的資料科學是一個綜合學科，想掌握他需要熟練使用一門程式語言、瞭解常用的資料處理工具、深諳線性代數、機率統計、時間序列分析等數學基礎以及玩轉常用的機器學習演算法，這是一條不算輕鬆的道路。

學習不光要用苦工，更要使巧勁，我們需要精心設計一條有效的學習路徑，沿著他一步一個臺階的高效踏上資料科學的學習之旅，每一步都承上啟下、收穫滿滿。

我想，一條科學的學習路徑應該是這樣的：

第一階段：Python程式語言核心基礎。快速掌握一門資料科學的有力工具。

第二階段：Python資料分析基本工具。透過介紹NumPy、Pandas、MatPlotLib、Seaborn等工具，快速具備資料分析的專業範兒。

第三階段：Python語言描述的數學基礎。機率統計、線性代數、時間序列分析、隨機過程是構建資料科學的基石，這裡獨樹一幟，透過python語言描述這些數學，快速讓數學知識為我所用，融會貫通。

第四階段：機器學習典型演算法專題。這一部分利用前面介紹的基礎知識，對機器學習的常用核心演算法進行抽絲剝繭、條分縷析、各個擊破。

第五階段：實戰環節深度應用。在這一部分利用已有的知識進行實戰化的資料分析，例如：對基金投資策略、城市房屋租賃等熱門資料展開圍獵。