Ok，总算写完了Programming的部分，感觉还是有很多没有涉及到，但是这个话题就是非常复杂的，有的时候code参杂着统计，统计擦杂着machine learning，还有visualization和各种domain信息的乱入，导致想分的特别细去介绍数据科学是非常的困难。但是我还是希望用这种逻辑让你明白，这是一个复合型的事业，你想要走的更远就必须不断的学习，让我们一起努力吧，我会在后面的部分尽量补充好相关的教材推荐。

统计部分是我最喜欢的部分，因为我认为这一块是你做数据分析的基础，所以大家不要小瞧统计哦！从最简单的均值，中位数，标准差，方差，概率，假设检验，显著性，抽样等概念到比较深入的模型构建，参数选择，虚拟量化，dummy变量，时间序列，forecasting等，你需要有统计来帮你去得到相应的选择。上文说的代码，编程语言将会是你的工具，而统计将会是你的主导思想。你需要将这种思想结合到你的domain知识里，然后才能够解决相应的project。

就个人经验推荐一些书籍和课程，第一本叫做《Naked Statistics》，这是我最喜欢的统计入门书，作者的语言相当的生动，利用自己学习统计的经历来阐述一些复杂的问题，由于语言比较通俗易懂，所以很多书中的例子可以用在日后工作中来给非统计背景的人来举例，非常的有用。第二本是我最推荐的进阶书，不仅仅只是统计，包括machine learning我也推荐这本，叫做《The Element of Statistical Learning》，结构相当的完整而且前瞻性非常强。主要是用R语言做了很多模型和算法，我觉得这是很关键的。有的时候我们总是觉得导入了几个库用了几个包，什么模型啊机器学习啊都做的出来，可是当你带入数据发现结果往往都不好。但是如果你透彻地理解了模型和算法本身，你再去调整模型的时候效果往往会好很多。

另外Freedman的经典中的经典《Statistics》永远是所有喜欢统计的人的必读书目之一。《A Introduction to Statistical Learning with Applications in R》也是一本实战的书籍，系统的讲解了如何利用R语言来解决市场调研中的数据问题，相信对于从事市场方向的同学有一定的帮助。《Regression Analysis by Example》也是一本非常不错的讲解回归模型的书，里面详细介绍了做回归模型需要的相关知识，比如transformation of variables, weighted least squares, correlated errors, collinear data, variable selection, logistic regression, GLM, PRM, robust regression等。由于可能回归是我们最常用的统计模型，所以这本书也是强烈建议细读的。

《Naked Statistics》:

amazon.com/Naked-Sta ... -Data/dp/B00CH7FWWU

《The Element of Statistical Learning》:

web.stanford.edu/~hasti 

《A Introduction to Statistical Learning with Applications in R》

www-bcf.usc.edu/~gareth First Printing.pdf 

《Regression Analysis by Example》:

amazon.com/Regressio ... erjee/dp/0470905840

《Reading and Understanding Multivariate Statistics》:

amazon.com/Reading-U ... rence/dp/1557982732

《Reading and Understanding More Multivariate Statistics》:

amazon.com/Reading-U ... stics/dp/1557986983.

除了这些书籍之外，还有一些网络课程在这里推荐给大家。edX的ColumbiaX系列里面又统计和机器学习相关的tracking，叫做Statistical Thinking for Data Science and Analytics，我觉得是一个不错的选择，但是需要耐下心来看。另外还有更全面的一个是Penn State University的网络课程，它其实是一个online的applied statistics degree，但是所有的教材都是公开的，我个人是从中学到了非常多的知识。

edX:

courses.edx.org/courses ... 101X+1T2016/course/. From 1point 3acres bbs

Penn State University:

onlinecourses.science.psu.edu. from: 1point3acres

Machine Learning (Data Science)

说完了programming和statistics，现在来说一下machine learning。我上文提到的《The Element of Statistical Learning》在这里我再提一遍，因为其内容也涉及了很多machine learning的部分，是一本综合性很好的书。三位作者，Trevor，Robert和Jerome也是stanford的大牛。对于线上课程我推荐Coursera上Andrew的machine learning课程作为入门，因为吴恩达的风格就是通过精挑细选的课程，长短合适的视屏与精准设置的信息块共同呈现，让你从最基本的理论来了解机器学习。他的新课deep learning也在上周在Coursera上线了，以神经网络原理为主要课程体系，不仅讲了很多machine learning中遗漏的信息，还能让你学会构建复杂神经网络的所有核心知识。除了吴恩达，Coursera上还有一门叫做Applied Data Science with Python的课程，来自于University of Michigan，大家也知道这又是一统计强校，其内容从实践的角度上来告诉你如何使用python来进行machine learning，text mining等，其内容都使用线上jupyter notebook，让你的学习效率更佳。当你学习到以上一些内容了之后，估计你已经对机器学习的基本算法有了一定的了解，但是可能没有一种大局观，对实际问题和数据insight上的把握可能有待提高，这里我推荐一本中文书，是李航老师的《统计学习方法》，其中深入浅出的介绍了很多机器学习的概念，作为系统地把握machine learning的大局观有很大的帮助。

Coursera-Machine Learning:

coursera.org/learn/mach

Coursera-Deep Learning:

coursera.org/specializa

Coursera-Applied Data Science with Python:

coursera.org/specializa

《统计学习方法》:

goo.gl/wt5V9K

由于楼上已经介绍了Udacity的课程，个人认为也是非常有帮助的，大家可以根据自己的需要来选择。

Visualization

最后一个点简单的提一下，画图可以由简单的Excel Chart到非常复杂的D3.js交互式动态配置，可以说是一个非常不一样的tracking，个人建议如果是focus在分析方面的小伙伴可以不需要投入过多的精力，因为这个东西学习成本太大了，你只需要会用python的matplotlib，seaborn，R的ggplot2，还有现在比较流行的plotly，tableau什么的就够了。如果想进阶的去学习visualization的话，那你就得专攻一下java之类的去写D3和reactjs之类的了。这里介绍一个权威的网站和我认识的一个大牛的作品（给Google做的）供大家参考。

ThePudding:

pudding.cool/

An Interactive Visualization of Every Line in Hamilton:

pudding.cool/2017/03/ha

总结，上述了四个方面，希望对大家有所帮助，如果四个方面你都有所涉猎，那么未来还有很多的tracking在等着你，比如大数据spark，Hadoop等计算框架，比如图像处理，深度学习，再比如NLP自然语言处理，语音识别等。如果大家对这些领域也有兴趣，我们可以一起来探讨一下，希望大家都能够不断学习，共同进步。

申请难度

从申请难度上来说，DAE的难度要低于DS。DS的难度跟CS项目类似。DAE参考案例：上海某财经院校，GPA3.3，IBT102，GRE321，一段数据实习，建模美赛经历