[TOC] # Python人工智能  開始學習Python人工智能,為自己梳理一下整個知識脈絡! # Python 優勢 **1 簡單** > Python 是一種代表簡單主意思想的語言,閱讀一個良好的Python 程序就像是在讀英語. 使你可以專注于解決問題本身,而不是去搞明白語言本身 **2 易學** > Python 定位是 優雅,明確,簡單, 所以Python程序看起來總是簡單易懂,初學者學習Python不但入門容易,而且將來深入學習也可以編寫非常非常復雜的的程序 **3 開發效率高** > 開發效率非常高,Python有強大的第三方庫,基本上你想通過計算機實現的任何功能,Python 官方庫里都有對應的模塊進行支持,直接下載調用后,在基礎庫上載進行開發,大大降低了開發周期,避免重復造輪子 **4 可移植性** > 由于它的開源本身,Python 已經被移植在需要平臺(經過改動,它能夠工作在任何平臺上),如果你小心的避免使用依賴于系統的特性,那么你的所有python程序無需修改幾乎就可以在市場上任意系統平臺上運行 **5 可擴展可嵌入性** > 如果你需要你的一段代碼關鍵片段運行的更快,或者希望某些算法不公開,你可以把部分程序用C 或C++ 編寫,然后在你的Python 程序中使用它們. 你可以把Python 嵌入你的C/C++ 程序,從而為你的程序用戶提供腳本功能 # Python語言特點 **1. Python 是弱類型語言** > 簡單來說,弱數據類型語言對數據類型的各種類型區分不嚴格.可以不用提前聲明變量的類型既可直接使用,而強類型語言則必須要提前聲明變量的類型,否則這個變量不能使用 **2. Python 是面向對象的語言** > Python語言支持完全的面向對象編程方式,同時也支持過程化和一定程序的函數式編程 **3.膠水語言** > Python能夠把其他語言(尤其是C 和 C++) 編寫的各種模塊很輕松的聯合在一起,另外Python語言本身和擴展庫大部分都是由 C 語言構建 # Python 應用領域 Python被廣泛應用于眾多領域,并被各大公司使用和  **數據分析** > 2016/2月/11 ,美國科學家宣布發現引力波,使用Python分析觀測30年的數據.分析引力波數據的Python包: GWPY **云計算** > 典型應用--Python 開發的 OpenStack **WEB開發** > 眾多優秀的wab框架, Django,flask,tornado 科學運算, 人工智能庫: 典型庫 NumPy, SciPy,Matplotib, Enthought, Librarys,Pandas **系統運維** > 運維人員必備, slatstack(系統自動化配置和管理), Ansible (自動化運維工具) **圖形開發** > Tkinter , wxPython, PyQT 并且越來越多公司選擇python作為其主要的開發語言,例如: **Google-** Google Groups , Gmail , Google Maps , AlphaGo 等, Gogle App Engine 支持Python作為開發語言 **NASA-** 美國航天局,從1994年起把python作為主要開發語言 **Dropbox-** 美國最大的在線云存儲網站,全部用Python實現,每天處理10億個文件的上傳和下載 **豆瓣網-** 圖書,唱片,電影等文化產品的資料數據庫網站 **BitTTorrent** bt下載軟件客戶端 **gedit** Linx 平臺的文文本編輯器 **GIMP** Linx 平臺的圖形處理軟件(Linux 下的PS) **知乎** (國外的Quora) - 社交問答網站,國內最大的問答社區,通過Python開發 Autodesk Maya - 3D 建模軟件, 支持Python 作為腳本語言 **YouTube** 世界最大的視頻往回走哪YouTube 就是用Python開發的 **Facebook** 大量的基礎庫均通過Python 實現的 **Redhat** 世界上最流行的Linux發行版中的yum 包管理工具就是通過python開發的 除上面之外,還有搜狐,金山,騰訊,盛大,網易,百度,阿里,淘寶,土豆,新浪,果殼等公司都在使用Python 完成各種任務 [更多案例]( http://www.python.org/about/success) # 工作崗位和工作流 我比較偏實踐派,我感覺一套知識的建立,應該落地到現實的工作流中!現在各大招聘網站上Python崗位大致有如下幾個 - Python 爬蟲工程師 - Python 后端開發工程師 - Python 運維 - Python 大數據分析師 - Python 全棧 - Python 人工智能工程師 我現有知識架構比較偏重: 全棧, 爬蟲,后端,大數據,人工智能. 接下來的指示體系的建立過程中,都會圍繞這幾個關鍵詞梳理知識體系! 運維方面涉及會比較少! > Pyhton的工作中最常見的流程簡單整理: >1. 運維 >2. 數據挖掘: 使用爬蟲技術完成數據的采集---整理---和可視化處理 >3. 人工智能: 語音識別,圖片識別,文字識別等各種智能領域,需要精通各種數學算法,機器學習原理和>深度學習原理等...這是未來的發展方向 # 知識體系組成 關鍵字:后端,爬蟲,大數據,人工智能,要完成這些我儲備的知識體系如下! ## Python語法基礎 >變量, >數據類型, >運算符, >判斷, >循環, >內置對象 >:字符串,列表,元組,字典,日期和時間,函數, >異常 >模塊 GUI(Tkinter,wxPython等) ## Python高級 >面向對象:類,對象,屬性,方法,繼承,多態, IO文件操作 Socket網絡編程 多線程 函數式編程 ## 后端編程 >數據庫: mysql, MongoDB,Redis Django/flask Web前端: HTML5,CSS3,JavaScript核心,JQuey(Ajax),Python JSON ## 爬蟲和數據挖掘 > 網絡爬蟲原理和引用 urllib /Scrapy 科學計算庫:Numpy、SciPy、SymPy、 可視化庫: Matplotib/Seaborn 數據分析處理庫:Pandas ML框架(Tensorflow) ## 人工智能數學基礎 >機器學習數學知識: 矩陣,信息論,概率,線性代數,統計與回歸分析, 經典算法: 回歸算法, 決策時與隨機森林, 貝葉斯算法, Xgboost,支持向量機算法, 時間序列AIRMA模型, 神經網絡基礎, 神經網絡架構, PCA降維與SVD矩陣分解, 聚類算法, 推薦系統, Word2Vec 超參數和驗證集 參數估計 ## 人工智能案例實踐 >01使用Python分析科比生涯數據 02案例實戰-信用卡欺詐檢測 03Python文本數據分析 04Kaggle競賽案例-泰坦尼克獲救預測 05時間序列案例實戰 06TensorFlow框架 07MNIST手寫字體識別 08Gensim中文詞向量建模 09探索性數據分析-賽事數據集分析 10 探索性數據分析-農糧數據分析 ## 人工智能數學框架 > 數學計算:Numpy 科學計算: sipy ML框架(Tenorflow) ## 機器學習和深度學習 >人工智能簡介 機器學習理論基礎 監督學習,非監督學習,強化學習 機器學習算法(參考上面算法) 自然語言處理:NLTK 機器學習實踐(智能推薦,人工/天氣數據分析,人臉識別等) >深度學習前導知識: 貝葉斯定律 深度學習框架: Theano:10余年的Python深度學習框架 Tirch:具有良好的擴展性,但某寫借口不全面,需要LuaJIT支持的Lua語言,通用性差 Keras:是Theano框架與TensoFlow前端的組合,具有良好的可移植性 DeepLearning4J: 基于java的Soala語法開發,應用于Hadoop和Spark系統上的深度學習 Caffe: 強大的圖像分類框架,最容易測試評估性能的深度的學習框架 MXNet:可移植,科伸縮的深度學習庫,具有Torch,Theano,Caffe框架 CNTK: 微軟開發的深度學習軟件包,速度快,有其獨有的神經網絡配置語言Brain Script 成熟度較TensorFlow低, 但是與Visual Studio 天生吻合! > 神經網絡和深度學習 感知器及其訓練法則 神經網絡的種類 深度學習的正則化 優化器 深度學習應用(計算機視覺,自然語言處理,語音識別,) 以上是Python人工智能的大致知識體系! 在人工智能模塊中各知識點還需要深度梳理!