A. python 数据分析与数据挖掘是啥
python数据挖掘（data mining，简称DM），是指从大量的数据中，通过统计学、人工智能、机器学习等方法，挖掘出未知的、且有价值的信息和知识的过程。数据分析通常是直接从数据库取出已有信息，进行一些统计、可视化、文字结论等，最后可能生成一份研究报告性质的东西，以此来辅助决策。数据挖掘不是简单的认为推测就可以，它往往需要针对大量数据，进行大规模运算，才能得到一些统计学规律。
这里可以使用CDA一站式数据分析平台，融合了数据源适配、ETL数据处理、数据建模、数据分析、数据填报、工作流、门户、移动应用等核心功能。其中数据分析模块支持报表分析、敏捷看板、即席报告、幻灯片、酷屏、数据填报、数据挖掘等多种分析手段对数据进行分析、展现、应用。帮助企业发现潜在的信息，挖掘数据的潜在价值。
如果你对于Python学数据挖掘感兴趣的话，推荐CDA数据分析师的课程。课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。真正理解商业思维，项目思维，能够遇到问题解决问题；要求学生在使用算法解决微观根因分析、预测分析的问题上，根据业务场景来综合判断，洞察数据规律，使用正确的数据清洗与特征工程方法，综合使用统计分析方法、统计模型、运筹学、机器学习、文本挖掘算法，而非单一的机器学习算法。点击预约免费试听课。
B. 学习数据挖掘一般要学哪些软件和工具
1.数据挖掘基本知识
这一部分主要是看书，先了解一个情况。至于用什么书。口碑比较好的有《数据挖掘：概念与技术（第3版）》。我买了，看了一大半，感觉不太适合初学者。有些概念直接给出，对于底子不好的人有些突兀，要是硬着头皮使劲看，还是很有收获的，适合入门以后反复看。推荐一本很老的书《数据仓库与数据挖掘》。这本书相对来说不那么厚，很多基础概念也有论述，对初学者来说很友好。
这一部分的学习是贯穿始终的，有经验的前辈们介绍，什么时候拿出来看看都是有收获的。
2.数学基础
这一部分也是不可或缺的，学一下未必能有感受。学好了，绝对收益无穷。我的计划是穿插在整个学习过程中。主要内容是：线性代数、离散数学。
（1）线性代数
已经学过的，没学过的都要认真学一下。国内的教材个人以为对概念没有深入说透。比如特征值和特征向量，到底干嘛用的。矩阵的乘法本质意义，也没说清楚。
（2）离散数学
这个大部分人（不是专业的）都没学过，听着就头痛。别急，不用全学，重点是图论、代数系统、命题（谓词和逻辑）、集合与关系。随便找一本薄一点的教材。这些内容其实之前高中本科都有接触，主要是一些逻辑符号，思维方式需要看懂。否则在一些地方看到一些莫名其妙的符号，不了解，看到一些简单的公式以为很复杂，得不偿失。
（3）运筹学
这个绝对是基础课，之所以放在后面是因为本人认真学了。推荐的教材《运筹学》教材编写组编写。一本大厚绿皮书。对策论等跟博弈论有关的不用看。有条件的可以把算法在跑一遍。绝对收获良多。
3.工具
这部分本人在网上查了很久，课题组问了几百遍。最终确认的这几个。很多人说有编程经验的人，学一个就一两周的事，无奈，我零基础。所以，这一部分绝对是个重点。先说本人确定的语言：MATLAB、Python、R。
（1）MATLAB
先说MATLAB，别说这个老，别说这个是学校搞学术才用的。不想挑起争论，主要理由——好上手。上手以后就可以跑一些算法，提高一些信心和学习的乐趣。教材我随便找一本厚厚的备查（从来没翻过）。我主要看的是官方手册的Primer。然后就开始写脚本和函数，如果有看不懂的直接网络、google或者help。写的都很清楚。这一部分主要是迅速上手，我已经略有收获了。
（2）Python和R
这两个放在一起，是因为网上关于这两个的争论太多了。本人也无数次迷失过。不争论优劣，确实是各有优势。我的顺序是首先学python，立志以这个作为自己的主要程序。其次再是R，从画图入手。R画出来的图真是好看。至于学习的思路：先找一本入门的书，越简单越好，学完之后找一本手册，然后练习。
首先python，先看《Head First Python》。挺好的。简单易懂，网上竟然还能下载到英文的PDF。然后是《利用Python进行数据分析》和《机器学习实战》。第一本书主要是利用Python做数据挖掘的，基本提到Python学习都会推荐这本。第二本是理解机器学习的佳作，书中用到的语言就是Python。一边学语言，一边理解机器学习。很好的顺序。
其次R，因为有了前面的一部分基础，学起来会容易一些。主要推荐教材是《R语言初学者指南》和《R语言实战》。这部分的学习我准备跳着看，早期主要利用R来画图。然后步步深入着学习。这样才能充分的练习，而不仅仅是纸上谈兵。
（3）Mysql
最后加一个，了解一点Mysql，由于零基础对数据的各种都不了解，强烈推荐一周读完《深入浅出Mysql》。难度不大，主要是入门。如果以后用得着，再深入研究。
再次重申一遍：这一阶段还是要找程序写。如果有工作或者项目，直接上，学的最快。如果没有，找篇不错的，感兴趣的博士论文，跑一遍里边的程序。这部分内容不是学出来的，绝对练出来的。
4.算法
算法太多了，常见的就那些。一方面要看明白，理解算法。另一方面用上面的语言跑出来。既能理解算法，也能很好的熟悉语言。
总结
整个入门阶段，千万不要抱着学完一个在学一个的思想。同时学！比如，语言入门了，就找算法实践。看到一个算法，一定要程序跑出来。中间累了，把数学基础补一补。
C. 大学的计算机科学与技术主要学的是什么
1．计算机导论： 计算机科学的基础课程之一，其教学目的是概要性地对专业课程作介绍，是典型的面向专业新生的课程（即CS0型课程）。
2．高级语言程序设计： 计算机科学的基础课程之一，教学目的是让本专业同学实际掌握一门程序设计语言并且习得一些程序设计的基本技能，目前的教学语言是C语言。
3．离散数学： 计算机科学基础课程之一，被誉为计算机科学的数学基础。其内容博大精深，从中派生出的图论（图算法）、数理逻辑、组合数学以及泛代数等多门专业课程是现代计算机科学和应用数学的主要研究领域。
4．电路与电子技术： 电子产业有“朝阳产业”的美誉，被认为是信息时代的工业。这门电子与电路技术可谓是对电子学领域学习的敲门砖。虽然课程本身对计算机科学专业今后的学习影响不大，但掌握这项技能对于学生本身专业素养地提高是大有裨益的。同时，学习这门课程也能为今后学习数字逻辑和微机原理等系统底层方面的课程打好基础。
5．面向对象程序设计： 如果说上世纪软件开发领域最伟大的突破是什么，面向对象程序设计（OOP）必为其中之一。目前主流的程序设计语言，如C++、Java、Python和Delphi等，几乎清一色支持面向对象。可以说，掌握的面向对象的精髓，便是掌握了我们这个行业的入门钥匙。我校此课程的教学语言采用的是C++，而就国内C++教学的糟糕现状来看，若想完整掌握面向对象思想，学生自己不努力是不行的。
6．数字逻辑： 计算机科学核心课程之一。计算机科学中有一个研究领域即系统设计领域，而本门课程即为这一领域研究的基础。正确认识与掌握数字逻辑及其设计，可以使那些有志于系统底层开发的学生获益匪浅。
7．数据结构： 计算机科学核心课程之一。对数据地有效组织是程序的主要任务之一，算法的主要操作对象亦为数据结构。从简单的数组和链表，到各色高级的抽象数据类型（ADT），数据结构在程序设计中的地位不言而喻。学好数据结构，是进一步学习专业课的基本前提。
8．计算方法：内容不详，不敢妄作断言。
9．计算机原理与汇编： 系统底层课程之一，亦为计算机科学核心课程。重点讲述计算机（微机）构造以及低级语言——汇编语言的基础知识。
10．操作系统： 计算机科学的核心课程之一。课程全面讲述了操作系统的原理与构造，各类上机实验更能让学生对操作系统有深刻地理解。
11．软件工程： 计算机科学的核心课程之一。近年来，随着软件开发革命地进一步深化，批判软件工程及过程方法改进的着作日益丰富，我们也得以从不良的软件开放中解放。
12．数据库原理及应用： 计算机科学与信息学科的好像课程之一。课程讲述了数据库原理以及设计等方面的内容。对于那些注重实效的学生而言，学好这门课程，可以使今后的工作更为轻松。
13．运筹学及其算法： 此课程课作为计算机科学的辅助课程，向学生介绍了运筹学方面的算法，此类算法属于现代算法范畴，本人暂时还未涉猎，故恕难对此课程解析之……
14．计算机网络： 计算机科学的核心课程之一。课程详细地介绍了计算机网络的发展、组成和协议方面的内容。
15．软件开发管理： 应该是软件工程课的附属课程吧，不详。
16．数学建模： 可以说是本专业的相关课程，但其意义及作用目前在下还不甚了解。
17．J2EE体系结构： J2EE是目前我们产业的两大工业平台之一，学习这门课程，可以为今后涉足企业级开发领域打下基础。
18．计算机图形学： 计算机科学的核心课程之一。有关计算机图形学在各个领域的应用不必在下一一说明了吧。无论是游戏开发，还是航空航天等前沿领域，到处都有计算机图形学的技术被应用。目前该课程主要用C语言和OpenGL图形库进行教学，效果应该还算不错。
19．微型计算机技术： 计算机专业的核心课程之一。
20．编译原理： 计算机科学核心课程之一。如果想要写出好的程序，编译原理的相关知识必不可少，因而这门课程是十分重点的一门课程。
21．Web系统开发： 目前主流的web开发主要集中在ASP.NET和JSP开发领域 ，当然，还有近来火爆异常的Ajax，以前的CGI和ASP已经不那么流行了。
22．嵌入式软件开发： 这个领域可谓是软件开发的前沿领域，也是未来软件业霸主的孕育地之一（另两个领域为Web开发和企业级开发）。
23．算法设计与分析： 计算机科学的核心课程之一。
24．情报检索与利用：这门课我可没涉猎过……
D. python如何解决含有非线性约束的最优化运筹学问题
cvxpy和cvxopt都能解决。
E. 人工智能技术有什么具体要学习的应用
首先学：编程语言Java、Python任选，如果将来走大数据方向学Java，如果走人工智能方向学Python。
其次复习大学数学：高数、线性代数、概率论与数理统计、离散数学（如果不深入研究数据结构、算法可以先不学）。
最后如果研究人工智能方向的同学需要学习Python的企业框架、Python计算机编程语言领域+数学领域结合成的互联网领域的人工智能，其实如果将来研究大数据方向，这时就需要研究Hadoop生态圈的企业常用技术了（基础+企业框架），例如：Hadoop、HBase、Hive、Spark、Storm等等数据分析、数据挖掘，而最终大数据和人工智能两个大的方向都能走向或者实现当今互联网的人工智能。
更多人工智能技术具体要学习应用的分析，推荐咨询CDA数据分析师的课程。CDA课程要求学生在使用算法解决微观根因分析、预测分析的问题上，根据业务场景来综合判断，洞察数据规律，使用正确的数据清洗与特征工程方法，综合使用统计分析方法、统计模型、运筹学、机器学习、文本挖掘算法，而非单一的机器学习算法。真正给企业提出可行性的价值方案和价值业务结果。点击预约免费试听课。
F. 归纳运筹学知识与其它课程,例如代数、几何、函数等相关知识的联系与区别
归纳运筹学知识属于数学界物理界永远不能停下的争论。数学系物理系的学生有什么差别。数学系的学生学数学分析、复分析、实分析、泛函分析、数值分析、线性代数、抽象代数、概率论、集合论、数论、微分几何、微分流形、拓扑学、常微方程、偏微方程、代数几何、组合数学、运筹学、李群与李代数等；物理系的学生学四小力学力、热、光、电、四大力学力、电、量、统、近代物理、场论、等离子体、固体物理、天体物理、广义相对论、 C/Java/Python/汇编、数字模拟电路、微机原理、微积分、复变函数、数值算法、计算物理、线性代数、群论、概率统计、数理方程等。数学系的学生敢不学大学物理但相较之下更愿意选大物；物理系的学生不敢不学大学数学但相较之下更恨微机原理。数学系的学生曾错误地以为物理就是应用数学的应用；物理系的学生曾天真地认为数学就是理论物理的工具。数学系学生整天背定义证定理物理学学生整天推公式算积分数学系学生最得意的本事是证明物理系学生最拿手的本领是近似数学系的学生觉得物理方法不靠谱；物理系学生觉得数学方法太绕弯。数学家口中自己做物理的朋友其实是做超对称弦的；物理学家口中做数学的哥们其实是做数值计算的。
G. 数据挖掘方向，Python中还需要学习哪些内容
就题论题，还包括：
1. Python 数据库连接库，例如MySQL 连接库的应用，这决定你的数据从哪里来。这里面涉及到sql语法和数据库基本知识，是你在学习的时候必须一起学会的。
2. Python 做基本数据计算和预处理的库，包括numpy ，scipy，pandas 这三个用得最多。
3. 数据分析和挖掘库，主要是sklearn，Statsmodels。前者是最广泛的机器学习库，后者是侧重于统计分析的库。（要知道统计分析大多时候和数据挖掘都错不能分开使用）
4. 图形展示库。matpotlib，这是用的最多的了。
说完题主本身 要求，楼上几位说的对，你还需要一些关于数据挖掘算法的基本知识和认知，否则即使你调用相关库得到结果，很可能你都不知道怎么解读，如何优化，甚至在什么场景下还如何选择算法等。因此基本知识你得了解。主要包括：
1.统计学相关，看看深入浅出数据分析和漫画统计学吧，虽然是入门的书籍，但很容易懂。
2.数据挖掘相关，看看数据挖掘导论吧，这是讲算法本身得书。
剩下的就是去实践了。有项目就多参与下项目，看看真正的数据挖掘项目是怎么开展的，流程怎样等。没有项目可以去参加一些数据挖掘或机器学习方面的大赛，也是增加经验得好方法。
H. 华北理工大学计科专业学Python吗
华北理工大学计科专业学Python
华北理工大学理学院信息与计算科学专业学习
主要课程：数学分析、高等代数、空间解析几何、概率论、数理统计、常微分方程、数理方程、数学建模、运筹学、数值计算方法、数据结构、算法分析与设计、高级程序设计（Java、C++、C#等）、数据库、数据分析、云计算、微分方程数值解法、最优化原理与方法、生物信息学、遗传学、分子生物学、图论、Linux与Perl编程基础、遗传算法
I. 数据分析师和数据挖掘工程师的区别
数据分析师岗位重在“分析”，数据挖掘工程师岗位重点是要“挖掘”。
J. 数据分析需要掌握哪些知识
1. Excel
提到Excel大家都不陌生，很多小白非常喜欢用Excel来进行数据分析。即使是专业的分析人员，他们也会使用Excel处理聚合数据。
2. SQL语言
SQL(结构化查询语言)是一种用于处理和检索关系数据库中存储的数据的计算机语言，是关系数据库管理系统的标准语言。
3. 可视化工具
将数据可视化可以让人更加理解数据。人类都是视觉动物，图形往往比密密麻麻的文字更易于理解。
4. Python
Tableau、FineBI这一类的可视化工具，的确可以自动生成报告。但是，如果想要进行更深入的探索，你需要学习Python来进行数据挖掘。
Python是一种面向对象的高级编程语言，主要用于Web以及应用程序的开发。Python拥有图形和可视化工具、以及扩展的分析工具包，能够更好地帮助我们进行数据分析。
5. SAS
SAS(统计分析软件)是一套模块化的大型集成应用软件系统。它由数十个专用模块构成，功能包括数据访问、数据储存及管理、应用开发、图形处理、数据分析、报告编制、运筹学方法、计量经济学与预测等等。因此，SAS能够对数据进行深层次的挖掘和分析。
6. Alteryx
Alteryx是一种自助服务分析工具。用户可以快速混合和准备数据，即便没有任何编程能力的人，也可以在Alteryx中构建数据工作流。同时，Alteryx的运行速度也非常快。使用拖放式工作流程和数据清理技术，仅需几分钟，你就能得到输出结果。