r語言遺傳演算法

A. BP神經網路的原理的BP什麼意思

原文鏈接：http://tecdat.cn/?p=19936

在本教程中，您將學習如何在R語言中創建神經網路模型。

神經網路（或人工神經網路）具有通過樣本進行學習的能力。人工神經網路是一種受生物神經元系統啟發的信息處理模型。它由大量高度互連的處理元件（稱為神經元）組成，以解決問題。它遵循非線性路徑，並在整個節點中並行處理信息。神經網路是一個復雜的自適應系統。自適應意味著它可以通過調整輸入權重來更改其內部結構。

該神經網路旨在解決人類容易遇到的問題和機器難以解決的問題，例如識別貓和狗的圖片，識別編號的圖片。這些問題通常稱為模式識別。它的應用范圍從光學字元識別到目標檢測。

本教程將涵蓋以下主題：

• 神經網路概論

• 正向傳播和反向傳播

• 激活函數

• R中神經網路的實現

• 案例

• 利弊

• 結論

神經網路概論

神經網路是受人腦啟發執行特定任務的演算法。它是一組連接的輸入/輸出單元，其中每個連接都具有與之關聯的權重。在學習階段，網路通過調整權重進行學習，來預測給定輸入的正確類別標簽。

人腦由數十億個處理信息的神經細胞組成。每個神經細胞都認為是一個簡單的處理系統。被稱為生物神經網路的神經元通過電信號傳輸信息。這種並行的交互系統使大腦能夠思考和處理信息。一個神經元的樹突接收來自另一個神經元的輸入信號，並根據這些輸入將輸出響應到某個其他神經元的軸突。



創建測試數據集

創建測試數據集：專業知識得分和溝通技能得分

• # 創建測試集test=data.frame(專業知識,溝通技能得分)



預測測試集的結果

使用計算函數預測測試數據的概率得分。

• ## 使用神經網路進行預測Pred$result


• 0.99282020800.33355439250.9775153014



現在，將概率轉換為二進制類。

• # 將概率轉換為設置閾值0.5的二進制類別pred <- ifelse(prob>0.5, 1, 0)pred


• 101



預測結果為1,0和1。

利弊

神經網路更靈活，可以用於回歸和分類問題。神經網路非常適合具有大量輸入（例如圖像）的非線性數據集，可以使用任意數量的輸入和層，可以並行執行工作。

還有更多可供選擇的演算法，例如SVM，決策樹和回歸演算法，這些演算法簡單，快速，易於訓練並提供更好的性能。神經網路更多的是黑盒子，需要更多的開發時間和更多的計算能力。與其他機器學習演算法相比，神經網路需要更多的數據。NN僅可用於數字輸入和非缺失值數據集。一位著名的神經網路研究人員說：「神經網路是解決任何問題的第二好的方法。最好的方法是真正理解問題。」

神經網路的用途

神經網路的特性提供了許多應用方面，例如：

• 模式識別：神經網路非常適合模式識別問題，例如面部識別，物體檢測，指紋識別等。

• 異常檢測：神經網路擅長異常檢測，它們可以輕松檢測出不適合常規模式的異常模式。

• 時間序列預測：神經網路可用於預測時間序列問題，例如股票價格，天氣預報。

• 自然語言處理：神經網路在自然語言處理任務中提供了廣泛的應用，例如文本分類，命名實體識別（NER），詞性標記，語音識別和拼寫檢查。

最受歡迎的見解

1.r語言用神經網路改進nelson-siegel模型擬合收益率曲線分析

2.r語言實現擬合神經網路預測和結果可視化

3.python用遺傳演算法-神經網路-模糊邏輯控制演算法對樂透分析

4.用於nlp的python：使用keras的多標簽文本lstm神經網路分類

5.用r語言實現神經網路預測股票實例

6.R語言基於Keras的小數據集深度學習圖像分類

7.用於NLP的seq2seq模型實例用Keras實現神經機器翻譯

8.python中基於網格搜索演算法優化的深度學習模型分析糖

9.matlab使用貝葉斯優化的深度學習

B. 怎麼用R語言採用遺傳演算法解決TSP問題

1、先交叉 在變異 還是先變異後交叉？ 2、選擇父代進行交叉的個數是不是2n個？n是種群大校 3、交叉概率+變異概率=100%？ 還是就沒啥關系？ 可以這樣理解。一般都是順序選擇個體，逐一生成隨機數的吧。因為從選擇操作上看，種群中個體不存在序，...

C. 給要入門量化分析的人一些建議

給要入門量化分析的人一些建議
針對你數學、物理較好以及有一定C基礎的情況，我的建議（也是對所有想要入門量化分析的人）的建議是：
一. 數學
繼續打好數學基礎，學一學集合論、統計學方面的知識，方便以後可以從初級經濟學的學習轉向中高級。你大一，集合論和統計學如果沒學過建議先入個門。比如國內著名的統計學大師陳希孺先生的《概率論與數理統計 (豆瓣)》、《數理統計學教程 (豆瓣)》等等，寫得非常好，請仔細揣摩體會。
二. 經濟學&金融學
數學基礎可以了，如果學校教的你也覺得很簡單，那就看一點計量經濟學和中級微觀經濟學方面的書，看能不能看懂。
比如《計量經濟學導論 (豆瓣)》這本書就不錯，還有經典的范里安的中級微觀經濟學教材：《微觀經濟學 (豆瓣)》，以及經典聖經：《期權、期貨和其他衍生品（第5版） (豆瓣)》。
當然，如果你想要出國深造，那麼選擇看英文版的是很好的選擇。
但是如果你是想要更好地利用時間，看中文版也是不錯的選擇，因為看中文版肯定比英文版快得多。
三. 計算機與編程
1. 計算機
你如果之前沒有學過計算機相關知識，我建議可以先看一本書入個門，了解計算機的大致工作原理，我推薦研讀一下：《計算機科學概論（第11版） (豆瓣)》
2. 語言
然後，你既然要學習金融方面的知識，我建議可以暫時不學C或者C++，而選擇學習python，python更簡單，數理分析、科學計算能力更強大。我推薦看一下：《Python基礎教程 (豆瓣)》，這本書講的是python2.7，對初學者而言，還是看這本比較好。
你還可以參照統計語言R來更深入地理解python，我推薦《R語言編程藝術 (豆瓣)》。
然後你可以看一下專講python用作數據分析的好書：《利用Python進行數據分析(豆瓣)》。（這本書裡面講的python以及對應的pandas、scipy、numpy模塊都是基於python2.7的——這就是為什麼我推薦的python入門教材是python2.7的，對於初學者，版本問題很可能是個坑，學2.7更好。）
另外，家中常備：《Python標准庫 (豆瓣)》，很多問題就不用重新造輪子了。
3. 未來
計量方法嚴格來講只是傳統方法，為了應對未來、成為寬客，建議學習數據挖掘、機器學習、人工智慧方面的知識，我推薦《數據挖掘導論 (豆瓣)》，《機器學習 (豆瓣)》等等書籍。
另：python作為解釋型語言，性能不及C等編譯型的語言，特別是對於高頻交易等，以防萬一，建議還是入一下計算機的演算法、數據結構、計算機系統坑。。。。當然，這又是個大坑。
四. 實踐
現在有一些在線的金融系統，可以給你機會讓你寫你自己的模型的，你多留意一下，也可以問下老師，閑來沒事兒寫幾個交易模型試一試。
據我所知目前大多數寫交易模型的，都沒有較強的綜合能力（綜合經濟金融、數學、編程這三個方面），你要想比他們都強，那就把這三個方面的基礎都打好。
最後，少年，我看你骨骼驚奇，這本《集體智慧編程 (豆瓣)》我就送給你了，寫一個遺傳演算法為內核、並且底層優化的具有進化特徵的交易模型吧，特別是在數據環境本身就具有進化特性的情況下，亮瞎他們！——至少聽起來很牛逼~~

D. r語言遺傳演算法擬合模型可以用數據集嗎

90%的可能性，計算得到的卡方值會小於4.6，這樣，大於閾值的卡方值就說明屬性和類不是相互獨立的，不能合並。如果閾值選的大，區間合並就會進行很多次，離散後的區間數量少、區間大。用戶可以不考慮卡方閾值，此時，用戶可以考慮這兩個參數：最小區間數，最大區間數。用戶指定區間數量的上限和下限，最多幾個區間，最少幾個區間。 11、 ChiMerge演算法推薦使用.90、.95、.99置信度，最大區間數取10到15之間. 舉例： 取鳶尾花數據集作為待離散化的數據集合，使用ChiMerge演算法，對四個數值屬性分別

E. 什麼是BP神經網路

BP演算法的基本思想是：學習過程由信號正向傳播與誤差的反向回傳兩個部分組成；正向傳播時，輸入樣本從輸入層傳入，經各隱層依次逐層處理，傳向輸出層，若輸出層輸出與期望不符，則將誤差作為調整信號逐層反向回傳，對神經元之間的連接權矩陣做出處理，使誤差減小。經反復學習，最終使誤差減小到可接受的范圍。具體步驟如下：
1、從訓練集中取出某一樣本，把信息輸入網路中。
2、通過各節點間的連接情況正向逐層處理後，得到神經網路的實際輸出。
3、計算網路實際輸出與期望輸出的誤差。
4、將誤差逐層反向回傳至之前各層，並按一定原則將誤差信號載入到連接權值上，使整個神經網路的連接權值向誤差減小的方向轉化。
5、対訓練集中每一個輸入—輸出樣本對重復以上步驟，直到整個訓練樣本集的誤差減小到符合要求為止。

F. 《R的極客理想——工具篇》epub下載在線閱讀，求百度網盤雲資源

《R的極客理想——高級開發篇》（張丹）電子書網盤下載免費在線閱讀

資源鏈接：

鏈接：https://pan..com/s/1BCjPvwGZyJxvxRndI3sEDA

提取碼：alb9

書名：R的極客理想——高級開發篇

作者：張丹

豆瓣評分：6.8

出版社：機械工業出版社

出版年份：2015-7

內容簡介：

【編輯推薦】

資深R語言用戶多年實戰經驗的結晶，介紹R語言本身的核心技術以及R語言在不同領域的跨學科綜合應用，藉助每日中國天氣的應用案例和游戲開發的案例，揭秘完整的R包開發流程，幫助讀者創建自己的R包，打開R語言產品化的思路。

【內容簡介】

R的極客理想」系列圖書以作者多年開發經驗為素材，系統地梳理了R語言的知識。在《R的極客理想——工具篇》中介紹了R語言的30多個工具包的使用方法，並以IT人的視角，告訴讀者如何高效地使用第三方R包。

《R的極客理想——高級開發篇》則以R語言的高級編程為主，輔以跨界知識的綜合運用。書中首先闡釋如何用R語言實現數學、統計計算以及模型建立，應用包括協同過濾演算法、基於矩陣的PageRank演算法、遺傳演算法和金融交易策略模型等。詳細介紹了R語言的環境空間、文件系統管理、S3、S4、RC和R6四種面向對象的程序設計。還介紹完整的R包開發流程，並提供每日中國天氣的應用案例和游戲開發的案例，幫助讀者創建自己的R包，打開R語言產品化的思路。

書中介紹了多個場景案例，不僅從學術的角度完成了模型設計，而且用計算機的方法把產品實現。通過案例的學習，可以讓不同學科背景的R語言使用者，站在其他人的角度，找到新的思維方法。

《R的極客理想——量化投資篇》將介紹R語言在金融領域的應用，真正地讓技術人員把自己的知識變成價值。

作者簡介：

張丹，R語言資深用戶，系統架構師，況客科技聯合創始人(Qutke.com）。有10年IT程序開發和系統架構設計的經驗，精通Java、R和Javascript三種編程語言，熟悉數據挖掘、統計和金融的多種演算法。目前在互聯網金融量化投資方向創業中，個人博客Alexa全球排名前10萬。

博客：http://blog.fens.me

微博：http://weibo.com/dotabook，@Conan_Z

G. 《R語言實戰》自學筆記71-主成分和因子分析

主成分分析
主成分分析（(Principal Component Analysis，PCA）是一種數據降維技巧，它能將大量相關變數轉化為一組很少的不相關變數，這些無關變數稱為主成分（原來變數的線性組合）。整體思想就是化繁為簡，抓住問題關鍵，也就是降維思想。
主成分分析法是通過恰當的數學變換，使新變數——主成分成為原變數的線性組合，並選取少數幾個在變差總信息量中比例較大的主成分來分析事物的一種方法。主成分在變差信息量中的比例越大，它在綜合評價中的作用就越大。

因子分析
探索性因子分析法（Exploratory Factor Analysis，EFA）是一系列用來發現一組變數的潛在結構的方法。它通過尋找一組更小的、潛在的或隱藏的結構來解釋已觀測到的、顯式的變數間的關系。

PCA與EFA模型間的區別
參見圖14-1。主成分（PC1和PC2）是觀測變數（X1到X5）的線性組合。形成線性組合的權重都是通過最大化各主成分所解釋的方差來獲得，同時還要保證個主成分間不相關。相反，因子（F1和F2）被當做是觀測變數的結構基礎或「原因」，而不是它們的線性組合。

R的基礎安裝包提供了PCA和EFA的函數，分別為princomp()和factanal()。
最常見的分析步驟
(1)數據預處理。PCA和EFA都根據觀測變數間的相關性來推導結果。用戶可以輸入原始數據矩陣或者相關系數矩陣到principal()和fa()函數中。若輸入初始數據，相關系數矩陣將會被自動計算，在計算前請確保數據中沒有缺失值。
(2)選擇因子模型。判斷是PCA（數據降維）還是EFA（發現潛在結構）更符合你的研究目標。如果選擇EFA方法，你還需要選擇一種估計因子模型的方法（如最大似然估計）。
(3)判斷要選擇的主成分/因子數目。
(4)選擇主成分/因子。
(5)旋轉主成分/因子。
(6)解釋結果。
(7)計算主成分或因子得分。

PCA的目標是用一組較少的不相關變數代替大量相關變數，同時盡可能保留初始變數的信息，這些推導所得的變數稱為主成分，它們是觀測變數的線性組合。如第一主成分為：

它是k個觀測變數的加權組合，對初始變數集的方差解釋性最大。第二主成分也是初始變數的線性組合，對方差的解釋性排第二，同時與第一主成分正交（不相關）。後面每一個主成分都最大化它對方差的解釋程度，同時與之前所有的主成分都正交。理論上來說，你可以選取與變數數相同的主成分，但從實用的角度來看，我們都希望能用較少的主成分來近似全變數集。

主成分與原始變數之間的關系
（1）主成分保留了原始變數絕大多數信息。
（2）主成分的個數大大少於原始變數的數目。
（3）各個主成分之間互不相關。
（4）每個主成分都是原始變數的線性組合。

數據集USJudgeRatings包含了律師對美國高等法院法官的評分。數據框包含43個觀測，12個變數。

用來判斷PCA中需要多少個主成分的准則：
根據先驗經驗和理論知識判斷主成分數；
根據要解釋變數方差的積累值的閾值來判斷需要的主成分數；
通過檢查變數間k × k的相關系數矩陣來判斷保留的主成分數。
最常見的是基於特徵值的方法。每個主成分都與相關系數矩陣的特徵值相關聯，第一主成分與最大的特徵值相關聯，第二主成分與第二大的特徵值相關聯，依此類推。
Kaiser-Harris准則建議保留特徵值大於1的主成分，特徵值小於1的成分所解釋的方差比包含在單個變數中的方差更少。Cattell碎石檢驗則繪制了特徵值與主成分數的圖形。這類圖形可以清晰地展示圖形彎曲狀況，在圖形變化最大處之上的主成分都可保留。最後，你還可以進行模擬，依據與初始矩陣相同大小的隨機數據矩陣來判斷要提取的特徵值。若基於真實數據的某個特徵值大於一組隨機數據矩陣相應的平均特徵值，那麼該主成分可以保留。該方法稱作平行分析。

圖形解讀：線段和x符號組成的圖（藍色線）：特徵值曲線；
紅色虛線：根據100個隨機數據矩陣推導出來的平均特徵值曲線；
綠色實線：特徵值准則線（即：y=1的水平線）
判別標准：特徵值大於平均特徵值，且大於y=1的特徵值准則線，被認為是可保留的主成分。根據判別標准，保留1個主成分即可。

fa.parallel函數學習
fa.parallel(data,n.obs=,fa=」pc」/」both」,n.iter=100,show.legend=T/F)
data：原始數據數據框；
n.obs：當data是相關系數矩陣時，給出原始數據（非原始變數）個數，data是原始數據矩陣時忽略此參數；
fa：「pc」為僅計算主成分，「fa」為因子分析，「both」為計算主成分及因子；
n.iter：模擬平行分析次數；
show.legend：顯示圖例。

principal(r, nfactors = , rotate = , scores = )

r：相關系數矩陣或原始數據矩陣；
nfactors：設定主成分數（默認為1）；
rotate：指定旋轉的方法，默認最大方差旋轉（varimax）。
scores：設定是否需要計算主成分得分（默認不需要）。

PC1欄包含了成分載荷，指觀測變數與主成分的相關系數。如果提取不止一個主成分，那麼還將會有PC2、PC3等欄。成分載荷（component loadings）可用來解釋主成分的含義，解釋主成分與各變數的相關程度。
h2欄為成分公因子方差，即主成分對每個變數的方差解釋度。
u2欄為成分唯一性，即方差無法被主成分解釋的部分（1-h2）。
SS loadings包含了與主成分相關聯的特徵值，其含義是與特定主成分相關聯的標准化後的方差值，即可以通過它來看90%的方差可以被多少個成分解釋，從而選出主成分（即可使用nfactors=原始變數個數來把所有特徵值查出，當然也可以直接通過eigen函數對它的相關矩陣進行查特徵值）。
Proportion Var表示每個主成分對整個數據集的解釋程度。
Cumulative Var表示各主成分解釋程度之和。
Proportion Explained及Cumulative Proportion分別為按現有總解釋方差百分比劃分主成分及其累積百分比。

結果解讀：第一主成分（PC1）與每個變數都高度相關，也就是說，它是一個可用來進行一般性評價的維度。ORAL變數99.1%的方差都可以被PC1來解釋，僅僅有0.91%的方差不能被PC1解釋。第一主成分解釋了11個變數92%的方差。

結果解讀：通過碎石圖可以判定選擇的主成分個數為2個。

結果解讀：從結果Proportion Var： 0.58和0.22可以判定，第一主成分解釋了身體測量指標58%的方差，而第二主成分解釋了22%，兩者總共解釋了81%的方差。對於高度變數，兩者則共解釋了其88%的方差。

旋轉是一系列將成分載荷陣變得更容易解釋的數學方法，它們盡可能地對成分去噪。旋轉方法有兩種：使選擇的成分保持不相關（正交旋轉），和讓它們變得相關（斜交旋轉）。旋轉方法也會依據去噪定義的不同而不同。最流行的正交旋轉是方差極大旋轉，它試圖對載荷陣的列進行去噪，使得每個成分只是由一組有限的變數來解釋（即載荷陣每列只有少數幾個很大的載荷，其他都是很小的載荷）。 結果列表中列的名字都從PC變成了RC，以表示成分被旋轉。

當scores = TRUE時，主成分得分存儲在principal()函數返回對象的scores元素中。

如果你的目標是尋求可解釋觀測變數的潛在隱含變數，可使用因子分析。
EFA的目標是通過發掘隱藏在數據下的一組較少的、更為基本的無法觀測的變數，來解釋一
組可觀測變數的相關性。這些虛擬的、無法觀測的變數稱作因子。（每個因子被認為可解釋多個
觀測變數間共有的方差，因此准確來說，它們應該稱作公共因子。）

其中 是第i個可觀測變數（i = 1…k）， 是公共因子（j = 1…p），並且p<k。 是 變數獨有的部分（無法被公共因子解釋）。 可認為是每個因子對復合而成的可觀測變數的貢獻值。

碎石檢驗的前兩個特徵值（三角形）都在拐角處之上，並且大於基於100次模擬數據矩陣的特徵值均值。對於EFA，Kaiser-Harris准則的特徵值數大於0，而不是1。
結果解讀：PCA結果建議提取一個或者兩個成分，EFA建議提取兩個因子。

fa(r, nfactors=, n.obs=, rotate=, scores=, fm=)
 r是相關系數矩陣或者原始數據矩陣；
 nfactors設定提取的因子數（默認為1）；
 n.obs是觀測數（輸入相關系數矩陣時需要填寫）；
 rotate設定旋轉的方法（默認互變異數最小法）；
 scores設定是否計算因子得分（默認不計算）；
 fm設定因子化方法（默認極小殘差法）。
與PCA不同，提取公共因子的方法很多，包括最大似然法（ml）、主軸迭代法（pa）、加權最小二乘法（wls）、廣義加權最小二乘法（gls）和最小殘差法（minres）。統計學家青睞使用最大似然法，因為它有良好的統計性質。

結果解讀：兩個因子的Proportion Var分別為0.46和0.14，兩個因子解釋了六個心理學測試60%的方差。

結果解讀：閱讀和詞彙在第一因子上載荷較大，畫圖、積木圖案和迷宮在第二因子上載荷較大，非語言的普通智力測量在兩個因子上載荷較為平均，這表明存在一個語言智力因子和一個非語言智力因子。

正交旋轉和斜交旋轉的不同之處。
對於正交旋轉，因子分析的重點在於因子結構矩陣（變數與因子的相關系數），而對於斜交旋轉，因子分析會考慮三個矩陣：因子結構矩陣、因子模式矩陣和因子關聯矩陣。
因子模式矩陣即標准化的回歸系數矩陣。它列出了因子預測變數的權重。因子關聯矩陣即因子相關系數矩陣。

圖形解讀：詞彙和閱讀在第一個因子（PA1）上載荷較大，而積木圖案、畫圖和迷宮在第二個因子（PA2）上載荷較大。普通智力測驗在兩個因子上較為平均。

與可精確計算的主成分得分不同，因子得分只是估計得到的。它的估計方法有多種，fa()函數使用的是回歸方法。

R包含了其他許多對因子分析非常有用的軟體包。FactoMineR包不僅提供了PCA和EFA方法，還包含潛變數模型。它有許多此處我們並沒考慮的參數選項，比如數值型變數和類別型變數的使用方法。FAiR包使用遺傳演算法來估計因子分析模型，它增強了模型參數估計能力，能夠處理不等式的約束條件，GPArotation包則提供了許多因子旋轉方法。最後，還有nFactors包，它提供了用來判斷因子數目的許多復雜方法。

主成分分析

1.數據導入
數據結構：對10株玉米進行了生物學性狀考察，考察指標有株高，穗位，莖粗，穗長，禿頂，穗粗，穗行數，行粒數。

結果解讀：選擇2個主成分即可保留樣本大量信息。

3.提取主成分

結果解讀：主成分1可解釋44%的方差，主成分2解釋了26%的方差，合計解釋了70%的方差。

4.獲取主成分得分

5.主成分方程

PC1 = 0.27 株高 - 0.04 穗位 + 0.29 莖粗 - 0.01 穗長 - 0.21 禿頂 - 0.13 穗粗 + 0.16 穗行數 + 0.24 行粒數

PC2 = -0.01 株高 + 0.36 穗位 - 0.10 莖粗 + 0.41 穗長 - 0.08 禿頂 + 0.43 穗粗 - 0.15 穗行數 + 0.01 行粒數

圖形解讀：此圖反映了變數與主成分的關系，三個藍點對應的RC2值較高，點上的標號2，4，6對應變數名穗位，穗長，穗粗，說明第2主成分主要解釋了這些變數，與這些變數相關性強；黑點分別對應株高，莖粗，穗行數，行粒數，說明第一主成分與這些變數相關性強，第一主成分主要解釋的也是這些變數，而5號點禿頂對於兩個主成分均沒有顯示好的相關性。

因子分析

圖解：可以看到需要提取4個因子。

2.提取因子

結果解讀：因子1到4解釋了80%的方差。

3.獲取因子得分

圖解：可以看出，因子1和因子2的相關系數為0.4，行粒數，株高，莖粗，禿頂在因子1的載荷較大，穗長，穗位在因子2上的載荷較大；因子3隻有穗行數相關，因子4隻有穗粗相關。

參考資料：

H. python數據分析師需要掌握什麼技能

首先是基礎篇
1、首先是Excel，貌似這個很簡單，其實未必。Excel不僅能夠做簡單二維表、復雜嵌套表，能畫折線圖/Column chart/Bar chart/Area chart/餅圖/雷達圖/Combo char/散點圖/Win Loss圖等，而且能實現更高級的功能，包括透視表（類似於BI的多維分析模型Cube），以及Vlookup等復雜函數，處理100萬條以內的數據沒有大問題。最後，很多更高級的工具都有Excel插件，例如一些AI Machine Learning的開發工具。
2. SQL（資料庫）

我們都知道數據分析師每天都會處理海量的數據，這些數據來源於資料庫，那麼怎麼從資料庫取數據？如何建立兩表、三表之間的關系？怎麼取到自己想要的特定的數據？等等這些數據選擇問題就是你首要考慮的問題，而這些問題都是通過SQL解決的，所以SQL是數據分析的最基礎的技能。
3. 統計學基礎
數據分析的前提要對數據有感知，數據如何收集？數據整體分布是怎樣的？如果有時間維度的話隨著時間的變化是怎樣的？數據的平均值是什麼？數據的最大值最小值指什麼？數據相關與回歸、時間序列分析和預測等等。
4、掌握可視化工具，比如BI，如Cognos/Tableau/FineBI等，具體看企業用什麼工具，像我之前用的是FineBI。這些工具做可視化非常方便，特別是分析報告能含這些圖，一定會吸引高層領導的眼球，一目瞭然了解，洞察業務的本質。另外，作為專業的分析師，用多維分析模型Cube能夠方便地自定義報表，效率大大提升。
進階階段需要掌握的：

1、系統的學好統計學
純粹的機器學習講究演算法預測能力和實現，但是統計一直就強調「可解釋性」。比如說，針對今天微博股票發行就上升20%，你把你的兩個預測股票上漲還是下跌的model套在新浪的例子上，然後給你的上司看。統計學就是這樣的作用。
數據挖掘相關的統計方法（多元Logistic回歸分析、非線性回歸分析、判別分析等）
定量方法（時間軸分析、概率模型、優化）
決策分析（多目的決策分析、決策樹、影響圖、敏感性分析）
樹立競爭優勢的分析（通過項目和成功案例學習基本的分析理念）
資料庫入門（數據模型、資料庫設計）
預測分析（時間軸分析、主成分分析、非參數回歸、統計流程式控制制）
數據管理（ETL（Extract、Transform、Load）、數據治理、管理責任、元數據）
優化與啟發（整數計劃法、非線性計劃法、局部探索法、超啟發（模擬退火、遺傳演算法））
大數據分析（非結構化數據概念的學習、MapRece技術、大數據分析方法）
數據挖掘（聚類（k-means法、分割法）、關聯性規則、因子分析、存活時間分析）
其他，以下任選兩門（社交網路、文本分析、Web分析、財務分析、服務業中的分析、能源、健康醫療、供應鏈管理、綜合營銷溝通中的概率模型）
風險分析與運營分析的計算機模擬
軟體層面的分析學（組織層面的分析課題、IT與業務用戶、變革管理、數據課題、結果的展現與傳達方法）
2、掌握AI Machine Learning演算法，會用工具（比如Python/R）進行建模。
傳統的BI分析能回答過去發生了什麼？現在正在發生什麼？但對於未來會發生什麼？必須靠演算法。雖然像Tableau、FineBI等自助式BI已經內置了一部分分析模型，但是分析師想要更全面更深度的探索，需要像Python/R的數據挖掘工具。另外大數據之間隱藏的關系，靠傳統工具人工分析是不可能做到的，這時候交由演算法去實現，無疑會有更多的驚喜。
其中，面向統計分析的開源編程語言及其運行環境「R」備受矚目。R的強項不僅在於其包含了豐富的統計分析庫，而且具備將結果進行可視化的高品質圖表生成功能，並可以通過簡單的命令來運行。此外，它還具備稱為CRAN（The Comprehensive R Archive Network）的包擴展機制，通過導入擴展包就可以使用標准狀態下所不支持的函數和數據集。R語言雖然功能強大，但是學習曲線較為陡峭，個人建議從python入手，擁有豐富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。
以上我的回答希望對你有所幫助

I. 人工智慧是用什麼語言編寫的

人工智慧用的比較多的語言有：Python、JAVA 和相關語言、C/C++、JavaScript、R語言。
從事人工智慧，需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。
需要演算法的積累：人工神經網路，支持向量機，遺傳演算法等等演算法;當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM;總之演算法很多需要時間的積累。
需要掌握至少一門編程語言：畢竟演算法的實現還是要編程的;如果深入到硬體的話，一些電類基礎課必不可少。有的還會需要了解域名比如com、top等等。