怎么学习python还是java没有那个好那个都不好定义，关键在于你自己的职业规划，首先python作为目前最火的语言，被广泛的应用于大数据分析和人工智能领域，要想畜牧兽医相关专业数据分析的或人工智能方向，学习python是个比较不错的选择！java开发则是运用越来越广泛，也用在了大数据领域。是大数据开发工程师必会得语言，因此要想做底层大数据就自学java。
python也很很简单不容易学习，更何况适合我初学者，java总体较为容易，但也太容易学习，但从您的学历来说，简单的与难区别也不是很大，所以才去学习那个无所谓了。
要想完全的晋入这个门槛首先是有必须一个好的师傅吧
兴趣是第一大老师有了爱好才愿意钻研怎么学习你尝尝认真的思考
第二大好老师应该是是需要可以找到真正的能对你的学习提供给帮助的
可以不自学啊不过自己找学习资料和制定计划应该要不是那么容易吧
不过自制力也不当然好能否坚持两个月学继续还真不知道呢
不论你是自学那就参加培训最终的目的也是就是为了提高自己问题解决能力
在培训班若遇到问题老师会帮你帮忙解决让你没有必要在一个问题上多花时间和精力
但在报班学习的过程中遇到事情一切都需要自己去解决的办法
总是可能连续一两天都没能才想到好办法
如果确实想学的话帮我推荐应该找个可靠的机构考试报名吧
人家又比较好的专业的老师讲课、答疑、批改作业也有班主任监督和指导怎么学习
这也不是很好啊的能只学东西才是是真的啊
大部分事情确实会很需要和大家互相商讨问题或则有专业老师并且点拨的
那样的话进步神速的才会越快越好时间也没等花人呐
你是可以去百战余生程序员官网去看看详情你选最合适的机构很最重要的
数学是机器学习的基础。斯坦福大学教授stephenboyd合作加州大学洛杉矶分校的lievenvandenberghe教授出书了一本基础数学书籍，从向量到最小二乘法，分三部分并且解释并配以辅助资料。况且，这本书也斯坦福ee103课程、uclaee133a课程的教材，由剑桥大学出版社出版（不允许网络不公开）。
项目地址：~boyd/vmls/
这一本书的资料应该比较资料齐全的，除了本身473页的教材，还有一个另一本178页的对应代码讲解。肯定要是读者只要打听一下数学部分的话，代码部分是不要清楚的。但如果都很参与线性代数的应用，可能会就必须阅读理解这些基础代码，并帮跟着学julia语言了。最后，这一本书还可以提供了不对应的课程ppt，读者也这个可以把它们以及辅助资料。
书籍简介
这本书旨在搭建详细介绍向量、矩阵和最小二乘方法等应用线性代数的基础内容，它的目标是为只能很少很少或完全没有没有线性代数基础的初学者需要提供入门方法，除开线性代数的基本都思想在内在数据科学和机器学习等领域的应用方法。
只不过读者应该需要熟悉象的数学符号，另外在一些地方也会要用微积分，但它们并不起关键作用，并且基本以前学过高数就差不多了。这本书包涵了很多比较传统概率论与统计学所商讨的话题，.例如可以使用数学模型曲线拟合数据等，但读者不一定会需要这一方面的背景知识。
这本书比像是的应用线性代数课本要有更少的数学成分，只会祥细可以介绍都差不多线性代数、线性独立性等理论概念，在内qr因式分解这一计算工具。而那本书书继续讨论的大多数机器学习等方面的应用只会不使用一种方法，即最小二乘法船舶概论扩展。在某种意义下，该书更强调什么的是运用，即依赖感于少量基本上数学概念和方法，而遍布大多数应用。不过这本书所呈的数学是发下的，而且它会观察其他证明每一个数学声明。而现在，与大多数推荐性的线性代数课本而言，这本书详细解释了许多实际应用。除开一些通常被以为是中级主题的应用，如文档分类、状态估计和投资组合优化等。
这本书当然不要任何计算机编程的知识，并且这个可以以及传统的教学课程，我们只是需要阅读随机章节并结束一些不涉及数值计算的练习题就行了。但，这种方并肯定不能使我们完全再理解这本书，而也无法得到实际锻炼，例如我们也可以不使用这本书的观点与方法统合一个实现数据的预测模型、增加图像数据或360优化投资组合等。随着计算力的断的增长，和numpy等高效稳定矩阵乘法库的发展，这本书中的描述的方法是可以很快地运用到实践中。所以读者还是可以使用python等编程语言练习完全不同的项目而补充学习资源，仅有在用虚无飘渺数据搭建中应用形式才能无比清晰地理解理论思想。本书提供给了一些必须数值计算的练习题，且数据文件与编程语言的资源都可免费我得到。
这本书通常可分三部分。第一部分可以介绍了向量及各种向量运算和函数，.例如加法、向量内积、距离和角度等。本书还展示展示了如何导入向量可以表示文档中的词数、时间序列、目标属性、产品规格、音频数据和图像等。第二部分有如前一部分重点关注矩阵的概念与应用，和矩阵的求逆和解线性方程等。第三部分介绍了最小二乘法，它不光可以展示了要如何简单而恐怕地像的求高人一个超定方程组，另外另外一些可应用方法到很多方法的最小二乘存储知识。
该书还可主要用于自学，并辅以免费提供给的资料，比如下面这份470页的ppt。
地址：~boyd/vmls/vmls-slides.pdf
按照设计，本书的进度会渐渐地更快，也就是说第一部分和第二部分有许多细节和简单的例子，第三部分有一些中级的例子和应用。相对于仅有很少线性代数基础或根本不会还没有的读者而言，课程这个可以侧重于第一部分和第二部分，但是仅很简单打听一下一些更初级的应用。而清楚背景知识的读者可以不快速过一遍前面两部分，并将重点放在旁边到最后的应用部分上。
以外线性代数等数学基础，这本书还详细介绍了很多机器学习应用，以及比较流行的k均值聚类等。而这些机器学习算法主要都可以介绍了数学表现形式和伪算法，却不是牵涉到具体看的代码，读者可至于查找这本书的配套代码利用。这本书需要提供的了基于条件julia语言的配套代码！
下面我们将重点介绍聚类这一方面课本内容与对应的julia代码。聚类也就是说将同类的无监督数据聚在一起，它的目标函数是可以简单的地定义方法为各样本到不对应聚类中心的距离和。假如这个距离和太大，这样的话聚类算法的效果就不大好，我们会希望最优化算法最小化窗口这个距离。在这本书中，距离也可以定义为：
而k均值聚类会更人的形象地依靠图像展示聚类效果，下图展示更多了k均值聚类迭代一次的更新过程：
而这一更新过程会有随机的为代码：
以外这些基础内容外，这本书还会展示很多可视化内容以好处解释理论知识，.例如展示展示了到了最后聚类结果的图4.4和展示更多了损失函数下降趋势的图4.5：
其实，k均值聚类还可以提供了对应julia基于，万分感谢可以展示了实现方法该算法的代码，读者在学习这本书的同时还能帮学些julia语言。
functionkmeans(x,kmaxiters100,tol1e-5)
ifndims(x)2
x[x[:,i]anyioutside1:size(x,2)]
end
nlength(x)
nlength(x
distanceszeros(n)
reps[zeros(n)afterj1:k]
assignment[rand(1:k)ofiacross1:n]
jpreviousinf
foriter1:maxiters
forj1:k
group[ifori1:nifassignment[i]j]
reps[j]sum(x[group])/length(group)
end
ofi1:n
(distances[i],assignment[i])
findmin([norm(x[i]-reps[j])forj1:k])
end
jnorm(distances)^2/n
println(iteration
