农业数据分析师的职业规划

今天写一篇回答，总结一下目前的想法。

这个是星球内问题：

先说两个趋势：

趋势1：

农业的数据分析以后会越来越重要，因为分子数据的落地，包括分子标记辅助、GWAS和GS的应用，特别是基因组选择（GS）的落地，使得育种的效率大大提升，以后使用数据去育种将不再是纸面上冠冕堂皇的话，而是事实。

趋势2：

新兴的机器学习、神经网络等算法将会进入到育种数据分析中来，这一块的应用，还是要育种从业人员自己学习掌握，至少会调包，靠别人不如靠自己，要拥抱新技术，使用新技术。

痛点在哪里？

现有的教育环节中，对这一块涉及极少，我们学习的生物统计都是基于线性模型的，T检验+方差分析+回归分析，甚至连聚类分析和主成分分析都没有包含，而育种中的数据分析框架主要是混合线性模型+贝叶斯+机器学习，这些内容很偏，但是也很深。学起来相当吃力。

统计是个拦路虎，编程则是道中狼，很多统计不需要细究会用就行，而会用就需要会编程，Excel和SPSS那种鼠标点点点的已经out了，R和Python以及Julia才是王道，编程+Linux系统是标配，对于非计算机背景的我们，确实很头大。

另外一个就是数量遗传学，如果打开植物的数量遗传学、玉米的数量遗传学，什么F1群体、F2群体、BC1群体，各种方差分解，公式推导，都是老掉牙很繁琐的东西，一学就放弃，一看就头晕。动物的数量遗传学则是矩阵运算、贝叶斯抽样一看就是劝退的内容。明明是贴地气的农学，却要和高大上的金融肩并肩。

应该怎么做？

我读研究生时，本科时学习的生物统计早已经还给了老师，两眼一抹黑，我的学习路径是这样的，将一些弯路去掉，给出最快的路径。

1，通过Python语言学习编程，入门编程。后面的机器学习和神经网络是个非常好的平台。

2，通过R语言学习生物统计，包括传统方差分析、回归分析，也包括聚类、主成分和混合线性模型。

3，通过遗传评估软件学习数量遗传学，我是学习ASReml软件，也可以是BLUPF90，DMU等软件，软件的说明文档是上好的学习教程。

注意：

学习的过程，先要跑起来，然后再理解。切记看书百遍不动手，敲代码重演结果，看报错调整代码很重要，在实践中成长。