㈠ 备考CDA数据分析师2级认证需要准备什么教材
教材方面还是以官方的推荐为主吧，我在CDA数据分析的官网查到大概有4本是必读的，1. 经管之家. CDA 数据分析师备考手册（电子版）. 2019. (必读)。2. 数据挖掘：概念与技术（原书第 3 版）[M]. 范明， 孟小峰 译, 机械工业出版社，2012. (必读)。3. 数据挖掘导论（原书第 2 版）[M]. 段磊，张 天庆译, 机械工业出版社，2019. (必读)。4. 周志华. 机器学习[M]. 清华大学出版社，2016. (必读)。还有不少是选读的，有时间跟精力建议一起准备，多了解一些总没错的。
㈡ WEKA中导入csv或者arff数据集失败
read 5, expected 6是说本要读6个数据，但是只读到了5个，你要检查一下21行及“20、22行”，有没有出现一行只有4个逗号的情况，如果没有，有可能是你csv文件的内容包含非法字符之类的。
自己制作arff，注意attribute的类型必须正确，你又舍不得贴文件，那只能靠你自己了
㈢ weka软件使用教程
http://wenku..com/view/020e57f5f61fb7360b4c65cc.html
CC
㈣ 谁会使用weka进行数据挖掘求教！请留下联系方式。我的qq 6 2793 08 87
网上搜索weka教程就可以了，如果你懂数据挖掘算法，学会weka应该不是难事。我之前用过。
㈤ 数据可视化分析工具有没有完全免费的
1. Excel / Spreadsheet
http://www.openoffice.org/download/
excel 基本上支持了最常用的数据分析功能：用来概述(总结)数据特征，数据可视化，对数据转型(去除噪音数据)从而得到新的数据集用来分析等。尽管Microsoft excel这个软件是付费的，但你可以用其替代品，例如open office, google docs!
2. Trifacta
https://www.trifacta.com/start-wrangling/
excel在数据大小上有限制，但这个工具没有这样的局限，您可以安全地用它处理大数据集。这个工具有令人难以置信的特性，如图表推荐、内置算法、分析洞察力，您可以使用这些特性在任何时间内生成报告。
3. Rapid Miner
https://rapidminer.com/
在建立机器学习模型方面的具有专业性,包含了我们经常使用的所有ML算法。能闪电般的快速水平上提供分析经验。他们的生产线上有几个为大数据、可视化、模型部署而构建的产品，其中一些产品(企业)包括订阅费。
4. Rattle GUI
https://cran.r-project.org/bin/windows/base/
它是一个旨在连接技术，业务和数据的强大工具。它可分为两部分：编码和非编码。它对任何旨在发展，建立，在网络上部署和扩展模型的组织来说都是一个完整的软件包。
12. OpenRefine
http://openrefine.org/download.html
专门研究混乱的数据;为预测建模目的而清理、转换和塑造数据。使用Open Refine进行改进，分析人员不仅可以节省时间，还可以将其用于生产工作。
㈥ 如何将txt文件转化成weka文件格式
用excel将文件另存为csv格式，weka可以直接打开csv文件，然后另存为arff文件
㈦ weka中加入FCM不成功，有人说是因为没有连接MYSQL数据库，请问该怎么连接，具体步骤，本人菜鸟
这个是不需要连数据库的，去网上下个教程就好，红色字体不代表错误
㈧ 如何在Mac系统下安装R语言中 rattle这个包
配备Windows操作系统而且能够上网的PC
安装光盘dmg镜像文件
23G的可用空间
你的勇气和耐性第一步：
缩小现有分区卷
右键点击我的电脑（计算机）——>管理——>弹出来的窗口左边的磁盘管理，这里你可以看见你的硬盘分区状况。
我的D盘有很多的剩余空间，所以我拿它来开刀，之前说过，我们共需要20+6.3=26.3GB的空间，因此，我要先把D盘缩小26.3G，在D盘上点击右键——>压缩卷然后在弹出来的框输入26906（1024MB/GB×26.3GB），然后按确定即可。 虽然这个指南的操作不会删除你硬盘上的数据，不过，在处理与分区有关的步骤是整个指南里面最危险的一步，稍有不慎，你的数据将在弹指间烟消云散，请一定不要忽略任何警告框里面的提示。
右键点击未分配空间——>新建简单卷，点击下一步后输入6426（1024MB/GB×6.3GB），下一步将此空间分配到E，不要格式化（记住了！）。完成之后Windows会弹出框告诉你需要格式化E才能访问，先谢谢她的好意，不过选择取消，不格式化。用同样的办法把剩下的20G也新建一个卷。
这个卷随便你格不格式化。
第二步：加载DVD到硬盘并修改。把下载好的懒人版镜像通过硬盘助手写入后面的6.3G未格式化的那个分区。2.此时如果程序出现没响应也不必担心，耐心等待拷贝完成。确保完成后出现Change Partition type to AF: success字样如下（必须），如果是Failed的话，把分区格式化，再删除重新来一遍，或者手动使用Acronis Disk Director Suite或Paragon PM把分区格式标志设为AF，AF是16进制里面175的意思，HFS分区应有AF的标记。
第三步：使用变色龙Chameleon启动雪豹安装盘
1.开机的时候选择刚从变色龙Chameleon启动项启动会看到类似下面的界面
2.对Mac兼容比较好主板，一般都可以直接进入安装界面
3.现在需要进行抹盘操作就是那个20GB的分区（一定看清楚摸错了就哭去吧）
4.将需要抹盘的分区改为max os扩展（日志式）
5.关闭磁盘工具进行安装 6.安装成功后会有提示，如果安装失败，本人表示无能为力，别问我了。不过安装失败并不是“真正的失败”，你就当作安装成功，继续操作，应该也可以进系统。
7.重启后你会发现进不了win，因为此时活动分区被Mac系统盘抢去了。这时进入win7 pe把C盘标记为活动就行了
8.进入win你就可以看到Mac系统盘，然后把安装盘的Extra文件夹复制到系统盘，重启，通过变色龙引导系统盘，
9.接着是几部简单的下一步步骤真的就不给图了，真的很简单。
第四步完善阶段
.设置安全性与隐私（如果不设置此项，会不能正常安装pkg和mpkg包。）当然这是最顺利安装，楼主可能会面临进入MAC过后分辨率不可调没有声音不能上网等一系列问题，到时候楼主需要开新帖求助了，安装教程到此结束！
㈨ tsa007 行李箱密码怎么设置
tsa007 行李箱密码按照如下方式设置。
1、首先按住行李箱锁上下的按钮。
㈩ 如何建立一个深度学习系统
Programming Libraries 编程库资源
我是一个“学习要敢于冒险和尝试”观念的倡导者。这是我学习编程的方式，我相信很多人也是这样学习程序设计的。先了解你的能力极限，然后去拓展你的能力。如果你了解如何编程，可以将编程经验很快借鉴到深入学习机器学习上。在你实现一个实际的产品系统之前，你必须遵循一些规则、学习相关数学知识。
找到一个库并且仔细阅读相关文档，根据教程，开始尝试实现一些东西。下面列出的是开源的机器学习库中最好的几种。我认为，并不是他们中的每一种都适合用在你的系统中，但是他们是你学习、探索和实验的好材料。
你可以从一个由你熟悉的语言编写的库开始学习，然后再去学习其他功能强大的库。如果你是一个优秀的程序员，你会知道怎样从一种语言，简单合理地迁移到另一种语言。语言的逻辑都是相同的，只是语法和API稍有不同。
R Project for Statistical Computing：这是一个开发环境，采用一种近似于Lisp的脚本语言。在这个库中，所有你想要的与统计相关的功能都通过R语言提供，包括一些复杂的图标。CRAN(你可以认为是机器学弟的第三方包)中的机器学习目录下的代码，是由统计技术方法和其他相关领域中的领军人物编写的。如果你想做实验，或是快速拓展知识，R语言都是必须学习的。但它可能不是你学习的第一站。
WEKA：这是一个数据挖掘工作平台，为用户提供数一系列据挖掘全过程的API、命令行和图形化用户接口。你可以准备数据、可视化、建立分类、进行回归分析、建立聚类模型，同时可以通过第三方插件执行其他算法。
Mahout是Hadoop中为机器学习提供的一个很好的JAVA框架，你可以自行学习。如果你是机器学习和大数据学习的新手，那么坚持学习WEKA，并且全心全意地学习一个库。
Scikit Learn:这是用Python编写的，基于NumPy和SciPy的机器学习库。如果你是一个Python或者Ruby语言程序员，这是适合你用的。这个库很用户接口友好，功能强大，并且配有详细的文档说明。如果你想试试别的库，你可以选择Orange。
Octave:如果你很熟悉MatLab，或者你是寻求改变的NumPy程序员，你可以考虑 Octave。这是一个数值计算环境，与MatLab像是，借助Octave你可以很方便地解决线性和非线性问题，比如机器学习算法底层涉及的问题。如果你有工程背景，那么你可以由此入手。
BigML:可能你并不想进行编程工作。你完全可以不通过代码，来使用 WEKA那样的工具。你通过使用BigMLS的服务来进行更加深入的工作。BigML通过Web页面，提供了机器学习的接口，因此你可以通过浏览器来建立模型。
补充：
NLTK NLTK is a leading platform for building Python programs to work with human language data. It provides easy-to-use interfaces to over 50 corpora and lexical resources such as WordNet, along with a suite of text processing libraries for classification, tokenization, stemming, tagging, parsing, and semantic reasoning.LingPipe: 是一个自然语言处理的Java开源工具包。LingPipe目前已有很丰富的功能，包括主题分类（Top Classification）、命名实体识别（Named Entity Recognition）、词性标注（Part-of Speech Tagging）、句题检测（Sentence Detection）、查询拼写检查（Query Spell Checking）、兴趣短语检测（Interseting Phrase Detection）、聚类（Clustering）、字符语言建模（Character Language Modeling）、医学文献下载/解析/索引（MEDLINE Download, Parsing and Indexing）、数据库文本挖掘（Database Text Mining）、中文分词（Chinese Word Segmentation）、情感分析（Sentiment Analysis）、语言辨别（Language Identification）等API。
挑选出一个平台，并且在你实际学习机器学习的时候使用它。不要纸上谈兵，要去实践！
Video Courses视频课程
很多人都是通过视频资源开始接触机器学习的。我在YouTube和VideoLectures上看了很多于机器学习相关的视频资源。这样做的问题是，你可能只是观看视频而并不实际去做。我的建议是，你在观看视频的时候，应该多记笔记，及时后来你会抛弃你的笔记。同时，我建议你将学到的东西付诸实践。
坦白讲，我没有看见特别合适初学者的视频资源。视频资源都需要你掌握一定的线性代数、概率论等知识。Andrew Ng在斯坦福的讲解可能是最适合初学者的，下面是我推荐的一些视频资源。
Stanford Machine Learning斯坦福的机器学习课程：可以在Coursera上观看，这门课是由 Andrew Ng讲解的。只要注册，你可以随时观看所有的课程视频，从Stanford CS229 course下载讲义和笔记。这门课包括了家庭作业和小测试，课程主要讲解了线性代数的知识，使用Octave库。
Caltech Learning from Data加利福尼亚理工学院的数据分析课程：你可以在edX上学习这门课程，课程是由Yaser Abu-Mostafa讲解的。所有的课程视频和资料都在加利福尼亚理工学院的网站上。与斯坦福的课程类似，你可以根据自己的情况安排学习进度，完成家庭作业和小论文。它与斯坦福的课程主题相似，关注更多的细节和数学知识。对于初学者来说，家庭作业可能稍有难度。
Machine Learning Category on VideoLectures.Net网站中的机器学习目录：这是个很容易令人眼花缭乱的资源库。你可以找出比较感兴趣的资源，并且深入学习。不要纠结于不适合你的视频，或者对于感兴趣的内容你可以做笔记。我自己会一直重复深入学习一些问题，同时发现新的话题进行学习。此外，在这个网站上你可以发现是这个领域的大师是什么样的。
“Getting In Shape For The Sport Of Data Science” – 由Jeremy Howard讲授：这是与机器学习竞赛者的对话，他们是一些实践中的R语言用户。这是非常珍贵的资源，因为很少有人会讨论研究一个问题的完整过程和究竟怎样做。我曾经幻想过在网上找到一个TV秀，记录机器学习竞赛的全过程。这就是我开始学习机器学习的经历！
Overview Papers综述论文
如果你并不习惯阅读科研论文，你会发现论文的语言非常晦涩难懂。一篇论文就像是一本教科书的片段，但是论文会介绍一个实验或者是领域中其他的前沿知识。然而，如果你准备从阅读论文开始学习机器学习的话，你还是可以找到一些很有意思的文章的。
The Discipline of Machine Learning机器学习中的规则：这是由Tom Mitchell编着的白皮书，其中定义了机器学习的规则。Mitchell在说服CMU总裁为一个百年内都存在的问题建立一个独立的机器学习部门时，也用到了这本书中的观点。
A Few Useful Things to Know about Machine Learning：这是一篇很好的论文，因为它以详细的算法为基础，又提出了一些很重要的问题，比如：选择特征的一般化，模型简化等。
我只是列出了两篇重要的论文，因为阅读论文会让你陷入困境。
Beginner Machine Learning Books给机器学习初学者的书
关于机器学习的书有很多，但是几乎没有为初学者量身定做的。什么样的人才是初学者呢？最有可能的情况是，你从另外一个完全不同的领域比如：计算机科学、程序设计或者是统计学，来到机器学习领域。那么，大部分的书籍要求你有一定的线性代数和概率论的基础。
但是，还有一些书通过讲解最少的算法来鼓励程序员学习机器学习，书中会介绍一些可以使用工具、编程函数库来让程序员尝试。其中最有代表性的书是：《Programming Collective Intelligence》，《Machine Learning for Hackers》，《Hackersand Data Mining: Practical Machine Learning Tools and Techniques》（Python版, R版, 以及Java版）。如果感到迷惑的话，你可以选择其中一本开始学习。
Programming Collective Intelligence: Building Smart Web 2.0 Applications：这本书是为程序员写的。书中简略介绍相关理论，重点以程序为例，介绍web中的实际问题和解决办法。你可以买来这本书，阅读，并且做一些练习。
Machine Learning for Hackers （中文版：机器学习:实用案例解析 ）：我建议你在阅读了《Programming Collective Intelligence》一书之后，再阅读这本书。这本书中也提供了很多实践练习，但是涉及更多的数据分析，并且使用R语言。我个人很喜欢这本书！
Machine Learning: An Algorithmic Perspective：这本书是《Programming Collective Intelligence》的高级版本。它们目的相同（让程序员开始了解机器学习），但是这本书包括一些数学知识，参考样例和phython程序片段。如果你有兴趣的话，我建议你在看完《Programming Collective Intelligence》之后来阅读这本书。
数据挖掘：实用机器学习工具与技术（英文版·第3版） ：我自己是从这本书开始了解机器学习的，那时是2000年这本书还是第一版。我那时是Java程序员，这本书和WEKA库为我的学习和实践提供了一个很好的环境。我通过这样的平台和一些插件，实现我的算法，并且真正开始实践机器学习和数据挖掘的过程。我强烈推荐这本书，和这样的学习过程。
Machine Learning（中文版：计算机科学丛书:机器学习 ）：这是一本很老的书，包括了一些规则和很多参考资料。这是一本教科书，为每个算法提供了相关讲解。
有一些人认为那些经典的机器学习教科书很了不起。 我也赞同，那些书的确非常好。但是，我认为，对于初学者来说，这些书可能并不合适。
Further Reading 继续阅读
在写这篇文章时，我认真思考了相关问题，同时也参考了其他人推荐的资料，以确保我没有遗漏任何重要参考资料。为了确保文章的完整性，下面也列出了一些网上流行的，可以供初学者使用的材料。.
A List of Data Science and Machine Learning Resources:这是一份仔细整理的列表。你可以花一些时间，点击链接，仔细阅读作者的建议。值得一读！
What are some good resources for learning about machine learning Why：这个问题的第一个答案令人吃惊。每次我阅读这篇文章的时候，都会做好笔记，并且插入新的书签。答案中对我最有启发的部分是机器学习课程列表，以及相应的课程笔记和问答网站。
Overwhelmed by Machine Learning: is there an ML101 book：这是StackOverflow上的问题。并且提供了一系列机器学习推荐书籍。Jeff Moser提供的第一个答案是很有用的，其中有课程视频和讲座的链接。
