了解大数据处理的工作机制，Hadoop、spark、strom等主流大数据框架及相关算法软件。
有了计划，学习就会有明确的目标和具体的步骤，可以增强工作的主动性，减少盲目性。根据自己的基础和学习状态制定一套切实可行的学习计划，计划必须分解到位，详述。并按照计划，一步一步地完成。
对于不了解、专业知识较强的人员，我们可以通过网络检索、访问学术网站或查阅学术文献等方式学习相关知识，从而快速进入和熟悉未知领域，丰富我们的能力。
再好的知识储备，没有实际的实践，也只是空谈。所学知识在实际项目经验中获得相应的经验价值，知识才会真正落地，自身也会得到提高。
只有通过不断的归纳和及时的复习，所学的知识才能成为自己可以运用的能力。对于那些不够扎实、被遗忘的地方，我们需要在学习的过程中多思考、多总结，以文件的形式记录下来，转化为自己的东西。
大专学历的人没有数学基础，想学习python技术，未来能往大数据或人工智能方向进行职业发展吗？Python有以下发展方向：
除了基本的Python编程知识外，还需要熟悉numpy、pandas、pytables、blaze、dask等！除了基本的Python编程知识外，还需要了解HTTP协议、简单的HTML，等等
除了基本的python编程知识，还需要熟悉spark等
除了基本的python编程知识，还需要熟悉Django、HTTP、RSET、JSON等
除了基本的python编程知识，您需要熟悉Linux。
除了基本的python编程知识外，您还需要熟悉CI/CD连续编译、连续集成以及Jenkins、k8s等。
怎么理解十维空间？您是一个拥有127万粉丝的大V。让我，一个农民，回答什么是十维空间？我不明白。我不觉得羞耻
低维度数据应用PCA有没有好处？这需要数据和具体问题的具体分析。
在高维情况下，主成分分析的优点是消除方差小的特征。如果有许多方差很小的特征，这样的消元方法便于数据处理。如果所有特征方差都较大，即降维不明显，主成分分析的效果就不明显。
因此，对于低维数据，如果方差非常小，可以使用PCA进一步降低数据的维数。如果没有小方差的特征，就没有影响。
至于使用PCA降维是否会让您的数据更有利于下一步的处理，比如机器学习，我们需要自己去探索。有人说没有无用的数据，也有人说信息量小的数据毫无价值。因此，效果需要具体分析。
什么叫一般来说，蟑螂一直在爬行。我拿起拖鞋，把它弄平了。这就是降维罢工
K-L变换是离散变换的缩写，也称为主成分变换（PCA）。它是多光谱图像X的线性组合，利用K-L变换矩阵a产生一组新的多光谱图像y，表达式如下：
y=ax
其中X是变换前多光谱空间的像素向量；
y是变换前Houde主成分空间的像素向量；
A是变换矩阵，是X空间中协方差矩阵∑X的特征向量矩阵的转置矩阵。
从几何角度看，变换后的主分量空间坐标系相对于原多光谱空间坐标系旋转一个角度，新坐标系的坐标轴必须指向数据信息量大的方向。就新谱带的主成分而言，它们包含了不同的信息，并呈现出下降的趋势。
我建议大家看一下张峥、王艳萍、薛贵祥等主编的《数字图像处理与机器视觉》第10章。