从书中读到数据科学家应具备：计算机科学，数学，统计学，机器学习，某一领域的专业知识，沟通和演讲的技巧，数据可视化等七项技能。统计学家和机器学习专家在处理问题的方式角度有所不同。统计学家认为模型中的参数必须在显示世界中有意义，而软件工程师主要关注如何将算法植入到产品中，他们不会关注模型参数的意义，只是为了提升模型的预测能力，而不是为了解释这些参数。我认为优秀的数据科学家应该站在双方的角度考虑问题。
从各个渠道查看数据分析学习路径，看到一个比较好的路径，希望在这里记录下来：
1.统计概率基础：数据分析行业分析，数据挖掘经典流程，数据的描述性分析，数据的推断性分析，方差分析，回归分析，多元统计。唯有掌握原理，方能驾驭工具。
2.数据分析工具学习：广泛程度：STATA>R>Matlab>SPSS>SAS;商业界：SAS>R>Matlab>STATA>SPSS>EXCEL
3.数据分析建模：常用的数据挖掘算法有：时间序列，Danel Pata，关联规则，神经网络，决策树，遗传算法。常用的数据分析方法有：回归分析法，主成分分析法，典型相关分析，因子分析法，判别分析法，聚类分析法，结构方程，Logistic模型。
4.以上三部分均为数据分析硬性技术，要想熟能生巧需要经常在学习和工作中运用，不断改善，不断优化模型，将技术与具体业务结合起来。
目前学习计划为：学习数据挖掘算法，概率论与数理统计，Python数据收集，结合数据挖掘算法熟练R语言的使用，同时主要对金融数据进行挖掘。
