不管你是待业还是失业，在这个被互联网围绕的时代里，选择怎样深入学习python，就多了一项技能，还怕找不到工作？，还怕不好找工作？小编就来告诉你这个专业的优势到底体现在哪里：Python深度学习完全路线指南，一些Python的学习心得，学习python 心得??。

1.Python深度学习完全路线指南

介绍深度学习目前已经成为了人工智能领域的突出话题。它在“计算机视觉”和游戏（AlphaGo）等领域的突出表现而闻名，甚至超越了人类的能力。近几年对深度学习的关注度也在不断上升，这里有一个调查结果可以参考。这里有一个 Google 的搜索趋势图：如果你对这个话题感兴趣，这里有一个很好的非技术性的介绍。如果你有兴趣了解最近的趋势，那么这里有一个很好的汇总。在这篇文章中，我们的目标是为所有深度学习的人提供一条学习之路，同时也是为想要进一步学习的人提供一条探索的路径。如果你准备好了，那么让我们开始吧！步骤0：先决条件建议在学习深度学习之前，你应该先了解一些机器学习的基础知识。这篇文章列出了完整的学习机器学习的资源。如果你想要一个简单的学习版本。那么可以看下面的列表：数学基础（特别是微积分，概率和线性代数）Python 基础统计学基础机器学习基础建议时间：2-6个月步骤1：机器配置在进行下一步学习之前，你应该确保你有一个支持你学习的硬件环境。一般建议你至少拥有以下硬件：一个足够好的 GPU（4+ GB），*是 Nvidia一个还可以的 CPU（比如：Intel Core i3，Intel Pentium 可能不适合）4 GB RAM（这个取决于数据集大小）如果你还不确定，那么请阅读这个硬件指南。备注：如果你是一个硬件玩家，那么你可能已经拥有了所需的硬件。如果你没有所需的规格，那么你可以租一个云平台来学习，比如 Amazon Web Service（AWS）。这是使用 AWS 进行深度学习的良好指南。备注：在这个阶段不要安装任何深度学习的库，安装过程我们会在步骤 3 中介绍。步骤2：初试深度学习现在，你已经对这个领域有了一个初步的认识，那么你应该进一步深入了解深度学习。根据自己的偏好，我们可以选择以下几个途径：通过博客学习，比如 of Deep Learning ，Hacker's guide to Neural Networks。通过视频学习，比如 Deep Learning 。通过书籍学习，比如 Neural networks and Deep Learning 除了上述的先学知识，你还应该了解一些流行的深度学习库和运行他们的语言。以下是一个不太完整的列表（你可以通过查看 wiki 获得更加完整的列表）：其他一些著名的库：Mocha，neon，H2O，MXNet，Keras，Lasagne，Nolearn。关于深度学习语言，可以查看这个文章。你也可以查看查看 Stanford 的 CS231n 中的第 12 讲，概要性的了解一些深度学习库。建议时间：1-3周步骤3：选择你自己的领域这是最有趣的部分，深度学习已经应用在各个领域中，并且取得了*进的研究成果。如果你想更深入的了解，那么作为一个读者，你最适合的路径就是动手实践。这样才能对你现在了解的内容有一个更加深入的认识。注意：在以下的每个领域中，都会包括一个博客，一个实战项目，一个需要的深度学习库以及一个辅助课程。*步你应该学习一下博客，然后去安装对应的深度学习库，然后再去做实战项目。如果在这个过程中，你遇到什么问题，那么可以去学习辅助课程。深度学习在机器视觉中的应用参考博客：DL for Computer Vision 实战项目：Facial Keypoint Detection 深度学习库：Nolearn 推荐课程：CS231n: Neural Networks for Visual 深度学习在自然语言处理中的应用参考博客：Deep Learning, NLP, and 实战项目：Deep Learning for Chatbots, Part 1, Part2。深度学习库： 推荐课程：CS224d: Deep Learning for Natural Language 深度学习在语音中的应用参考博客：Deep Speech: Lessons from Deep Learning 实战项目：Music using Magenta () 深度学习库：Magenta 推荐课程：Deep Learning (Spring 2016), CILVR Lab@NYU 深度学习在强化学习中的应用参考博客和实战项目：Deep Learning: Pong from Pixels 深度学习库：没有需要的深度学习库，但是你需要 openAI gym 来测试你的模型。推荐课程：CS294: Deep Learning 建议时间：1-2个月步骤4：深挖深度学习现在你应该已经已经学会了基础的深度学习算法！但是前面的路程会更加艰苦。现在，你可以尽可能高效的利用这一新获得的技能。这里有一些技巧，你应该做的，可以磨炼你的技能。重复上述步骤，选择不同的领域进行尝试。深度学习在别的领域的应用。比如：DL for trading，DL for energy 。利用你学到的心技能去做点别的事，比如参考这个网站。参加一些比赛，比如：kaggle。加入一些深度学习社区，比如：Google Group，DL Subreddit。跟随一些研究人员，比如：RE.WORK DL Summit。建议时间：无限值得推荐的资源：Complete Deep Learning UFLDL Learning in Neural Networks: An Deep Learning github LeCun's for Deep Learning self-study结语希望这个学习路径可以帮到你。我已经尽力让它更加全面，现在你要做的，就是尽可能多的阅读和练习。从零开始学Python数据分析/编程/爬虫/建模-机器学习实战集锦-深度学习-人工智能-2021*版（配套内部资源和学习资料）_哔哩哔哩 (゜-゜)つロ 干杯~-深度学习-Python神经网络与深度学习-人工智能Keras-项目实战_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili想要获取神经网络的专业知识，请尝试深度学习的练习题：Identify the Digits。当你对深度学习的概念有一些了解之后，试一下Skilltest: Deep Learning。试着接受深度学习的观念。好运！你想更深入了解学习Python知识体系，你可以看一下我们花费了一个多月整理了上百小时的几百个知识点体系内容：高薪实战学习大合集 往期精彩文章，欢迎点赞收藏！一份超全的Python学习资料汇总！ 一份超全的Linux自学资源整理合集！这是我见过最全的《MySQL笔记》，涵盖MySQL所有高级知识点！不用怀疑！决定弃用Docker一键申请多个证书 shell 脚本

2.一些Python的学习心得

写在前面如果时光可以倒流，让笔者重新选择*专业，那么笔者一定毫不犹豫地选择人工智能方面的相关专业。人工智能已经成为互联网时代最热门、最前沿的发展方向，人工智能的基础知识也已经加入到高中的学习大纲内。在人工智能高速发展的时代，不管是否从事人工智能研发方面的工作，了解和掌握一门编程语言都是非常必要的。笔者选择了Python进行了学习。本文的主要目的在于分享笔者的学习路径，以及总结一些笔者在自学过程中碰到的坑。Why Python编程语言这么多，为何选Python？这个问题网上已经有很多相当专业的回答了。笔者作为初学者，最深的体会即简洁。print('Hello World')短短一行代码即可以写出你的*个程序。另外，Python有内容丰富且功能强大的各类库可以直接调用。例如数据分析领域常用的Numpy、Pandas、Scipy、等。学习Python可以很快上手，调用各类十分成熟的库来解决各领域的相关问题。搭建环境在开始写*行代码之前，其实还有一些工作要准备。Python分文2和3两个版本，其语法有一部分区别，而且互相无法兼容。Python3系列目前已经发展的较为成熟，且有相当一部分库只支持Python3。因此笔者选择了Python3.6。Python作为一门编程语言，还需要一个运行环境。在此笔者推荐Anaconda搭配Jupyter Notebook。关于两者具体的作用和安装方法，推荐阅读 @猴子 老师的回答：初学python者自学anaconda的正确姿势是什么？？jupyter notebook 可以做哪些事情？如何自学环境已经搭好了，接下来可以写出*行代码了~那么如何保持高效地自学状态呢？笔者认为Python的学习绝不是捧着一本教程拼命死磕就可以学会的。零基础入门*的办法就是边学边用，即可以加深记忆又可以调动兴趣。笔者在自学过程中使用过三种类型的学习资源：1、入门教程：入门教程即边学边用，深入浅出地了解Python。笔者学习了 @Crossin 的crossin编程教室。它的每一节课后都会附上练习，并且还有各种有趣的编程小游戏以供实践。另外还会定期开一些坑，提供各类有趣的需求供学员开发。Crossin的编程教室2、字典式教程：在写代码的过程中，经常会忘记一些细节问题。比如如何提取列表中的某元素。这时就需要一个百科全书式的教程以供查阅。这里推荐菜鸟教程：Python3 教程 | 菜鸟教程3、编程游戏：有没有什么办法既可以练习代码又很轻松愉快呢？这里推荐一个闯关编程游戏。在这里你可以利用代码操控人物闯关冒险，迎娶白富美，走向人生巅峰： : 值(value)对的集合。可以使用大括号{}或者dict()函数创建字典。上述数据类型可以分为以下两类：不可变数据：数字、字符串、元组可变数据：列表、集合、字典可以使用type()和()来查询数据类型。type返回类型名称，返回布尔值。条件判断Python中的条件判断语句是if…else…语句：if 条件: 执行操作1 else: 执行操作2举例如下：在使用if…else…语句时一定记得在每一个if条件和else后面都加上英文冒号，且同一层的语句保持相同的缩进（建议4个空格）。上述2点都是容易引起报错的地方。循环循环语句提供了一种自动化的、完成重复劳动的便捷方法。其基本语句是for…in…，其中for指定要重复的变量，in指定循环范围。下面举一个案例。笔者希望将下图中的股票代码全部统一变成大写字母：首先对键和值的数组设置了循环，并使用dict.item()方法，将原字典转化为键和值的元组数组。然后在循环语句内规定了新值的方法，即upper()，再通过key索引将新值更新到字典中，完成目的。上述操作中的关键之处即在于item()方法。因为for后面跟的循环变量是key,value，属于数组的形式，无法直接在字典中进行遍历，因此需要先将其转换为数组的形式。函数函数是组织好的，可重复使用的，用来实现单一，或相关联功能的代码段。函数能提高应用的模块性，和代码的重复利用率。在实际编程的过程中，可以通过将常用运算编写为函数使代码更加简洁，可读性更高。定义一个函数的规则：函数代码块以 def 关键词开头，后接函数标识符名称和圆括号()。任何传入参数和自变量必须放在圆括号中间。圆括号之间可以用于定义参数。函数内容以冒号起始，并且缩进。return [表达式] 结束函数，选择性地返回一个值给调用方。不带表达式的return相当于返回 None。函数的基本语法如下：def ( ): "函数_文档字符串" function_suite return []使用函数的过程中涉及到以下两个问题，容易踩坑：参数类型是否可变作用域上文中提到，数字、字符串、元组为不可变数据类型，列表、集合、字典为可变数据类型。不可变数据类型的参数在调用函数的过程中传递的只是该数据类型的值（相当于复制一份），自身不会发生变化；而可变数据类型的参数传递的是该变量的引用地址，调用函数后会改变。举例如下：b是数值类型参数，调用函数后自身的值不变。nameList是列表类参数，调用函数后自身的值也随之改变。Python的作用域一共有2种：全局作用域，局部作用域。定义在函数内部的变量拥有一个局部作用域，定义在函数外的拥有全局作用域。 局部变量只能在其被声明的函数内部访问，而全局变量可以在整个程序范围内访问。举例如下：模块Python 模块(Module)，是一个 Python 文件，以 .py 结尾，包含了 Python 对象定义和Python语句。模块让你能够有逻辑地组织你的 Python 代码段。把相关的代码分配到一个模块里能让你的代码更好用，更易懂。模块能定义函数，类和变量，模块里也能包含可执行的代码。Python的一大优势即其拥有大量可用的第三方模块，这些模块（库）可以高效地解决某些领域的问题，例如数据分析领域的Numpy、Pandas、Scipy、等等。调用模块可以使用三种语句：import语句import module1[, module2[,... moduleN]from…import语句from modname import name1[, name2[, ... nameN]]from…import* 语句from modname import *数据结构队列(queue)是限定只能在表的一端进行插入，在表的另一端进行删除的特殊的线性表。即“先进先出”。堆栈(stack)是一个只在表尾进行删除和插入操作的线性表。即“后进先出”。在列表中，可以使用append()方法添加元素至队尾。执行队列操作可以通过popleft()方法删除列表最左侧元素；执行堆栈则可以通过pop()方法删除最右侧元素。写在*笔者认为编程是一件让人快乐的事，使用代码解决问题以后获得的成就感是难以言表的。而且高效的编程学习方式一定是边学边做，而不是对着复杂的教程硬啃。千万不要等到学完所有的理论才开始动手写*行代码！Hello World，就在此刻。

3.学习python 心得

学习python已经有一段时间了，从什么都不懂，到能看懂简单的代码，了解代码的世界，打开了一个新的世界。最初了解到python是偶然看到了8.9的课程，抱着好奇的心态尝试学习，慢慢发现其中的奥妙，每个代码都是一环扣一环，从最初的print，for，while循环到现在的函数和类的学习，不断的跟着助教们的脚步努力前进，每一天都充满了动力。 学习过程中遇到的*的问题是知识点容易混淆和记不清，经常出现bug；在短时间内不能对学到的知识灵活的运用，这需要在以后的学习中不断重复知识点。

就拿大数据说话，优势一目了然，从事IT行业，打开IT行业的新大门，找到适合自己的培训机构，进行专业和系统的学习。