A. python 數據分析與數據挖掘是啥
python數據挖掘（data mining，簡稱DM），是指從大量的數據中，通過統計學、人工智慧、機器學習等方法，挖掘出未知的、且有價值的信息和知識的過程。數據分析通常是直接從資料庫取出已有信息，進行一些統計、可視化、文字結論等，最後可能生成一份研究報告性質的東西，以此來輔助決策。數據挖掘不是簡單的認為推測就可以，它往往需要針對大量數據，進行大規模運算，才能得到一些統計學規律。
這里可以使用CDA一站式數據分析平台，融合了數據源適配、ETL數據處理、數據建模、數據分析、數據填報、工作流、門戶、移動應用等核心功能。其中數據分析模塊支持報表分析、敏捷看板、即席報告、幻燈片、酷屏、數據填報、數據挖掘等多種分析手段對數據進行分析、展現、應用。幫助企業發現潛在的信息，挖掘數據的潛在價值。
如果你對於Python學數據挖掘感興趣的話，推薦CDA數據分析師的課程。課程內容兼顧培養解決數據挖掘流程問題的橫向能力以及解決數據挖掘演算法問題的縱向能力。真正理解商業思維，項目思維，能夠遇到問題解決問題；要求學生在使用演算法解決微觀根因分析、預測分析的問題上，根據業務場景來綜合判斷，洞察數據規律，使用正確的數據清洗與特徵工程方法，綜合使用統計分析方法、統計模型、運籌學、機器學習、文本挖掘演算法，而非單一的機器學習演算法。點擊預約免費試聽課。
B. 學習數據挖掘一般要學哪些軟體和工具
1.數據挖掘基本知識
這一部分主要是看書，先了解一個情況。至於用什麼書。口碑比較好的有《數據挖掘：概念與技術（第3版）》。我買了，看了一大半，感覺不太適合初學者。有些概念直接給出，對於底子不好的人有些突兀，要是硬著頭皮使勁看，還是很有收獲的，適合入門以後反復看。推薦一本很老的書《數據倉庫與數據挖掘》。這本書相對來說不那麼厚，很多基礎概念也有論述，對初學者來說很友好。
這一部分的學習是貫穿始終的，有經驗的前輩們介紹，什麼時候拿出來看看都是有收獲的。
2.數學基礎
這一部分也是不可或缺的，學一下未必能有感受。學好了，絕對收益無窮。我的計劃是穿插在整個學習過程中。主要內容是：線性代數、離散數學。
（1）線性代數
已經學過的，沒學過的都要認真學一下。國內的教材個人以為對概念沒有深入說透。比如特徵值和特徵向量，到底幹嘛用的。矩陣的乘法本質意義，也沒說清楚。
（2）離散數學
這個大部分人（不是專業的）都沒學過，聽著就頭痛。別急，不用全學，重點是圖論、代數系統、命題（謂詞和邏輯）、集合與關系。隨便找一本薄一點的教材。這些內容其實之前高中本科都有接觸，主要是一些邏輯符號，思維方式需要看懂。否則在一些地方看到一些莫名其妙的符號，不了解，看到一些簡單的公式以為很復雜，得不償失。
（3）運籌學
這個絕對是基礎課，之所以放在後面是因為本人認真學了。推薦的教材《運籌學》教材編寫組編寫。一本大厚綠皮書。對策論等跟博弈論有關的不用看。有條件的可以把演算法在跑一遍。絕對收獲良多。
3.工具
這部分本人在網上查了很久，課題組問了幾百遍。最終確認的這幾個。很多人說有編程經驗的人，學一個就一兩周的事，無奈，我零基礎。所以，這一部分絕對是個重點。先說本人確定的語言：MATLAB、Python、R。
（1）MATLAB
先說MATLAB，別說這個老，別說這個是學校搞學術才用的。不想挑起爭論，主要理由——好上手。上手以後就可以跑一些演算法，提高一些信心和學習的樂趣。教材我隨便找一本厚厚的備查（從來沒翻過）。我主要看的是官方手冊的Primer。然後就開始寫腳本和函數，如果有看不懂的直接網路、google或者help。寫的都很清楚。這一部分主要是迅速上手，我已經略有收獲了。
（2）Python和R
這兩個放在一起，是因為網上關於這兩個的爭論太多了。本人也無數次迷失過。不爭論優劣，確實是各有優勢。我的順序是首先學python，立志以這個作為自己的主要程序。其次再是R，從畫圖入手。R畫出來的圖真是好看。至於學習的思路：先找一本入門的書，越簡單越好，學完之後找一本手冊，然後練習。
首先python，先看《Head First Python》。挺好的。簡單易懂，網上竟然還能下載到英文的PDF。然後是《利用Python進行數據分析》和《機器學習實戰》。第一本書主要是利用Python做數據挖掘的，基本提到Python學習都會推薦這本。第二本是理解機器學習的佳作，書中用到的語言就是Python。一邊學語言，一邊理解機器學習。很好的順序。
其次R，因為有了前面的一部分基礎，學起來會容易一些。主要推薦教材是《R語言初學者指南》和《R語言實戰》。這部分的學習我准備跳著看，早期主要利用R來畫圖。然後步步深入著學習。這樣才能充分的練習，而不僅僅是紙上談兵。
（3）Mysql
最後加一個，了解一點Mysql，由於零基礎對數據的各種都不了解，強烈推薦一周讀完《深入淺出Mysql》。難度不大，主要是入門。如果以後用得著，再深入研究。
再次重申一遍：這一階段還是要找程序寫。如果有工作或者項目，直接上，學的最快。如果沒有，找篇不錯的，感興趣的博士論文，跑一遍里邊的程序。這部分內容不是學出來的，絕對練出來的。
4.演算法
演算法太多了，常見的就那些。一方面要看明白，理解演算法。另一方面用上面的語言跑出來。既能理解演算法，也能很好的熟悉語言。
總結
整個入門階段，千萬不要抱著學完一個在學一個的思想。同時學！比如，語言入門了，就找演算法實踐。看到一個演算法，一定要程序跑出來。中間累了，把數學基礎補一補。
C. 大學的計算機科學與技術主要學的是什麼
1．計算機導論： 計算機科學的基礎課程之一，其教學目的是概要性地對專業課程作介紹，是典型的面向專業新生的課程（即CS0型課程）。
2．高級語言程序設計： 計算機科學的基礎課程之一，教學目的是讓本專業同學實際掌握一門程序設計語言並且習得一些程序設計的基本技能，目前的教學語言是C語言。
3．離散數學： 計算機科學基礎課程之一，被譽為計算機科學的數學基礎。其內容博大精深，從中派生出的圖論（圖演算法）、數理邏輯、組合數學以及泛代數等多門專業課程是現代計算機科學和應用數學的主要研究領域。
4．電路與電子技術： 電子產業有「朝陽產業」的美譽，被認為是信息時代的工業。這門電子與電路技術可謂是對電子學領域學習的敲門磚。雖然課程本身對計算機科學專業今後的學習影響不大，但掌握這項技能對於學生本身專業素養地提高是大有裨益的。同時，學習這門課程也能為今後學習數字邏輯和微機原理等系統底層方面的課程打好基礎。
5．面向對象程序設計： 如果說上世紀軟體開發領域最偉大的突破是什麼，面向對象程序設計（OOP）必為其中之一。目前主流的程序設計語言，如C++、Java、Python和Delphi等，幾乎清一色支持面向對象。可以說，掌握的面向對象的精髓，便是掌握了我們這個行業的入門鑰匙。我校此課程的教學語言採用的是C++，而就國內C++教學的糟糕現狀來看，若想完整掌握面向對象思想，學生自己不努力是不行的。
6．數字邏輯： 計算機科學核心課程之一。計算機科學中有一個研究領域即系統設計領域，而本門課程即為這一領域研究的基礎。正確認識與掌握數字邏輯及其設計，可以使那些有志於系統底層開發的學生獲益匪淺。
7．數據結構： 計算機科學核心課程之一。對數據地有效組織是程序的主要任務之一，演算法的主要操作對象亦為數據結構。從簡單的數組和鏈表，到各色高級的抽象數據類型（ADT），數據結構在程序設計中的地位不言而喻。學好數據結構，是進一步學習專業課的基本前提。
8．計算方法：內容不詳，不敢妄作斷言。
9．計算機原理與匯編： 系統底層課程之一，亦為計算機科學核心課程。重點講述計算機（微機）構造以及低級語言——匯編語言的基礎知識。
10．操作系統： 計算機科學的核心課程之一。課程全面講述了操作系統的原理與構造，各類上機實驗更能讓學生對操作系統有深刻地理解。
11．軟體工程： 計算機科學的核心課程之一。近年來，隨著軟體開發革命地進一步深化，批判軟體工程及過程方法改進的著作日益豐富，我們也得以從不良的軟體開放中解放。
12．資料庫原理及應用： 計算機科學與信息學科的好像課程之一。課程講述了資料庫原理以及設計等方面的內容。對於那些注重實效的學生而言，學好這門課程，可以使今後的工作更為輕松。
13．運籌學及其演算法： 此課程課作為計算機科學的輔助課程，向學生介紹了運籌學方面的演算法，此類演算法屬於現代演算法范疇，本人暫時還未涉獵，故恕難對此課程解析之……
14．計算機網路： 計算機科學的核心課程之一。課程詳細地介紹了計算機網路的發展、組成和協議方面的內容。
15．軟體開發管理： 應該是軟體工程課的附屬課程吧，不詳。
16．數學建模： 可以說是本專業的相關課程，但其意義及作用目前在下還不甚了解。
17．J2EE體系結構： J2EE是目前我們產業的兩大工業平台之一，學習這門課程，可以為今後涉足企業級開發領域打下基礎。
18．計算機圖形學： 計算機科學的核心課程之一。有關計算機圖形學在各個領域的應用不必在下一一說明了吧。無論是游戲開發，還是航空航天等前沿領域，到處都有計算機圖形學的技術被應用。目前該課程主要用C語言和OpenGL圖形庫進行教學，效果應該還算不錯。
19．微型計算機技術： 計算機專業的核心課程之一。
20．編譯原理： 計算機科學核心課程之一。如果想要寫出好的程序，編譯原理的相關知識必不可少，因而這門課程是十分重點的一門課程。
21．Web系統開發： 目前主流的web開發主要集中在ASP.NET和JSP開發領域 ，當然，還有近來火爆異常的Ajax，以前的CGI和ASP已經不那麼流行了。
22．嵌入式軟體開發： 這個領域可謂是軟體開發的前沿領域，也是未來軟體業霸主的孕育地之一（另兩個領域為Web開發和企業級開發）。
23．演算法設計與分析： 計算機科學的核心課程之一。
24．情報檢索與利用：這門課我可沒涉獵過……
D. python如何解決含有非線性約束的最優化運籌學問題
cvxpy和cvxopt都能解決。
E. 人工智慧技術有什麼具體要學習的應用
首先學：編程語言Java、Python任選，如果將來走大數據方向學Java，如果走人工智慧方向學Python。
其次復習大學數學：高數、線性代數、概率論與數理統計、離散數學（如果不深入研究數據結構、演算法可以先不學）。
最後如果研究人工智慧方向的同學需要學習Python的企業框架、Python計算機編程語言領域+數學領域結合成的互聯網領域的人工智慧，其實如果將來研究大數據方向，這時就需要研究Hadoop生態圈的企業常用技術了（基礎+企業框架），例如：Hadoop、HBase、Hive、Spark、Storm等等數據分析、數據挖掘，而最終大數據和人工智慧兩個大的方向都能走向或者實現當今互聯網的人工智慧。
更多人工智慧技術具體要學習應用的分析，推薦咨詢CDA數據分析師的課程。CDA課程要求學生在使用演算法解決微觀根因分析、預測分析的問題上，根據業務場景來綜合判斷，洞察數據規律，使用正確的數據清洗與特徵工程方法，綜合使用統計分析方法、統計模型、運籌學、機器學習、文本挖掘演算法，而非單一的機器學習演算法。真正給企業提出可行性的價值方案和價值業務結果。點擊預約免費試聽課。
F. 歸納運籌學知識與其它課程,例如代數、幾何、函數等相關知識的聯系與區別
歸納運籌學知識屬於數學界物理界永遠不能停下的爭論。數學系物理系的學生有什麼差別。數學系的學生學數學分析、復分析、實分析、泛函分析、數值分析、線性代數、抽象代數、概率論、集合論、數論、微分幾何、微分流形、拓撲學、常微方程、偏微方程、代數幾何、組合數學、運籌學、李群與李代數等；物理系的學生學四小力學力、熱、光、電、四大力學力、電、量、統、近代物理、場論、等離子體、固體物理、天體物理、廣義相對論、 C/Java/Python/匯編、數字模擬電路、微機原理、微積分、復變函數、數值演算法、計算物理、線性代數、群論、概率統計、數理方程等。數學系的學生敢不學大學物理但相較之下更願意選大物；物理系的學生不敢不學大學數學但相較之下更恨微機原理。數學系的學生曾錯誤地以為物理就是應用數學的應用；物理系的學生曾天真地認為數學就是理論物理的工具。數學系學生整天背定義證定理物理學學生整天推公式算積分數學系學生最得意的本事是證明物理系學生最拿手的本領是近似數學系的學生覺得物理方法不靠譜；物理系學生覺得數學方法太繞彎。數學家口中自己做物理的朋友其實是做超對稱弦的；物理學家口中做數學的哥們其實是做數值計算的。
G. 數據挖掘方向，Python中還需要學習哪些內容
就題論題，還包括：
1. Python 資料庫連接庫，例如MySQL 連接庫的應用，這決定你的數據從哪裡來。這裡面涉及到sql語法和資料庫基本知識，是你在學習的時候必須一起學會的。
2. Python 做基本數據計算和預處理的庫，包括numpy ，scipy，pandas 這三個用得最多。
3. 數據分析和挖掘庫，主要是sklearn，Statsmodels。前者是最廣泛的機器學習庫，後者是側重於統計分析的庫。（要知道統計分析大多時候和數據挖掘都錯不能分開使用）
4. 圖形展示庫。matpotlib，這是用的最多的了。
說完題主本身 要求，樓上幾位說的對，你還需要一些關於數據挖掘演算法的基本知識和認知，否則即使你調用相關庫得到結果，很可能你都不知道怎麼解讀，如何優化，甚至在什麼場景下還如何選擇演算法等。因此基本知識你得了解。主要包括：
1.統計學相關，看看深入淺出數據分析和漫畫統計學吧，雖然是入門的書籍，但很容易懂。
2.數據挖掘相關，看看數據挖掘導論吧，這是講演算法本身得書。
剩下的就是去實踐了。有項目就多參與下項目，看看真正的數據挖掘項目是怎麼開展的，流程怎樣等。沒有項目可以去參加一些數據挖掘或機器學習方面的大賽，也是增加經驗得好方法。
H. 華北理工大學計科專業學Python嗎
華北理工大學計科專業學Python
華北理工大學理學院信息與計算科學專業學習
主要課程：數學分析、高等代數、空間解析幾何、概率論、數理統計、常微分方程、數理方程、數學建模、運籌學、數值計算方法、數據結構、演算法分析與設計、高級程序設計（Java、C++、C#等）、資料庫、數據分析、雲計算、微分方程數值解法、最優化原理與方法、生物信息學、遺傳學、分子生物學、圖論、Linux與Perl編程基礎、遺傳演算法
I. 數據分析師和數據挖掘工程師的區別
數據分析師崗位重在「分析」，數據挖掘工程師崗位重點是要「挖掘」。
J. 數據分析需要掌握哪些知識
1. Excel
提到Excel大家都不陌生，很多小白非常喜歡用Excel來進行數據分析。即使是專業的分析人員，他們也會使用Excel處理聚合數據。
2. SQL語言
SQL(結構化查詢語言)是一種用於處理和檢索關系資料庫中存儲的數據的計算機語言，是關系資料庫管理系統的標准語言。
3. 可視化工具
將數據可視化可以讓人更加理解數據。人類都是視覺動物，圖形往往比密密麻麻的文字更易於理解。
4. Python
Tableau、FineBI這一類的可視化工具，的確可以自動生成報告。但是，如果想要進行更深入的探索，你需要學習Python來進行數據挖掘。
Python是一種面向對象的高級編程語言，主要用於Web以及應用程序的開發。Python擁有圖形和可視化工具、以及擴展的分析工具包，能夠更好地幫助我們進行數據分析。
5. SAS
SAS(統計分析軟體)是一套模塊化的大型集成應用軟體系統。它由數十個專用模塊構成，功能包括數據訪問、數據儲存及管理、應用開發、圖形處理、數據分析、報告編制、運籌學方法、計量經濟學與預測等等。因此，SAS能夠對數據進行深層次的挖掘和分析。
6. Alteryx
Alteryx是一種自助服務分析工具。用戶可以快速混合和准備數據，即便沒有任何編程能力的人，也可以在Alteryx中構建數據工作流。同時，Alteryx的運行速度也非常快。使用拖放式工作流程和數據清理技術，僅需幾分鍾，你就能得到輸出結果。