一、数据分析零基础学习吗？
1、数据分析要学多久？
每个人的学习能力和基础都不同，所以数据分析的学习周期也不同。而且也要结合自身的发展方向来选择学习的内容，因此学习时间会有很大的差别。一般来讲，零基础的学习者进行系统的培训，最快也要将近三个月。这里给大家推荐一下博学谷的《所有人都能学的数据分析课》 ，专注于培养数据分析师的数据处理能力、数据分析能力和数据挖掘能力，课程内容从数据库管理、统计理论方法、数据分析主流软件的应用到数据挖掘算法等，对一整套数据分析流程技术进行系统讲解，学完之后，学习者可以直接达到中级数据分析师的水平。
2、数据分析要学什么？
（1）统计学
统计学是数据分析的基础，是必须零基础初学者必须掌握的重要内容。学习最基本的统计学知识可以解决日常大部分的分析需求，所以强烈推荐零基础学习者先从统计学开始入手。统计学设计概率、分布、抽样、线性回归、时间序列、统计推断等内容。
（2）SQL
SQL是零基础学习数据分析的核心内容之一，当你要分析的数据超过百万级别的时候，这时候需要数据库来解决，而从数据库中获取数据要依靠SQL语言。可以把MySQL作为学习对象，简单了解一些数据库范式设计等基本的数据库原理，重点学习SQL语言。可以自己安装一个MySQL数据库实践操作练习。
（3）Excel
说起Excel可能会有人觉得这个很简单，但是Excel确实是一个功能强大的利器。作为数据分析师的核心工具，具体学习内容有Excel函数技巧（查找函数、统计函数、逻辑函数）、Excel快速处理技巧（格式调整、查找定位、快捷键技巧等）和Excel可视化技巧（组合图、条形图、数据气泡地图）。
（4）数据挖掘、机器学习
这部分可以选择性学习。因为统计分析基本可以解决日常数据分析工作的70%-80%的需求，而且数据挖掘和机器学习的难度较大，门槛略高。这部分主要是了解数据挖掘和机器学习的基本概念和理论。比如：分类、聚类、回归、决策树、贝叶斯定理等。
（5）Python
因为Python有很多的第三方强大的库，因此Python是数据分析的利器，也是数据分析必学的编程语言。比如Numpy、Pandas、Matplotlib与python作图、Sklearn与机器学习基础等等。虽然Python是数据分析的重要工具，但是不同的职业发展方向，Python掌握的程度也是不一样的。
（6）产品运营知识
可能有些人都听过产品运营这一岗位，对于想往管理路线发展的数据分析师来讲，产品运营是必须要要学习的知识。其实产品运营知识也不复杂，就是根据自身业务需求将指标拆解到最细，然后运用同比和环比两种数据分析方式。
二、怎么表示两个特征的相关性 等高线图 机器学习
分类算法一般最后得到的是一个概率向量，表示该样本属于某种类别的概率。用户需要确定每一维对应的是哪一类。
例如，对于你提到的例子，是一个二分类问题，输出一个二维的概率向量，可以把第0维看做错误，第1维看做正确；当然也可以把第1维看做错误，第0维看做正确。只要是确定这个对应关系就可以了。
直接把每一类对应到0，1，2， 就可以了
三、如何理解机器学习算法在大数据里面的应用
现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又是一种什么样的技术呢？
深度学习是什么
深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。
深度学习的“深度”体现在哪里
论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。而事实可能并非我们想象的那样，因为从算法输入输出的角度考虑，深度学习算法与传统的有监督机器学习算法的输入输出都是类似的，无论是最简单的Logistic Regression，还是到后来的SVM、boosting等算法，它们能够做的事情都是类似的。正如无论使用什么样的排序算法，它们的输入和预期的输出都是类似的，区别在于各种算法在不同环境下的性能不同。
那么深度学习的“深度”本质上又指的是什么呢？深度学习的学名又叫深层神经网络（Deep Neural Networks ），是从很久以前的人工神经网络（Artificial Neural Networks）模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的“深度”便指的是图模型的层数以及每一层的节点数量，相对于之前的神经网络而言，有了很大程度的提升。
深度学习也有许多种不同的实现形式，根据解决问题、应用领域甚至论文作者取名创意的不同，它也有不同的名字：例如卷积神经网络（Convolutional Neural
