1. 零基礎學Python應該學習哪些入門知識
1、Python入門導學
Python的特性、優點、缺點、前景以及 python能做些什麼？
2、Python環境安裝
一鍵安裝Python的編譯環境，寫出第一段Python代碼
3、理解什麼是寫代碼與Python的基本類型
Python的基本類型，包括整形、浮點型；10、8、2、16進制數的意義和轉換關系；布爾類型；字元串與字元串常見運算操作
4、Python中表示「組」的概念與定義
了解「組」的概念，以及在Python中用來表示「組」的一些類型，包括：元組、列表、集合和字典。
5、變數與運算符
了解變數的意義與七種運算符，並對每一種運算符的擴展做出詳細的講解
6、分支、循環、條件與枚舉
代碼的基本邏輯結構，包括條件控制（if else）、循環控制（for in 、while）、表達式與運算符的優先順序。此外，還有Python的枚舉類型以及Python編碼的規范。
7、包、模塊、函數與變數作用域
了解Python代碼的組織結構核心：包、模塊與函數。需要對Python代碼的組織結構有一個非常清晰的認識。重點是函數，除了了解函數的基本概念外，還需要了解Python靈活的函數參數機制（默認參數、關鍵字參數與列表參數）。
8、Python函數
函數是所有語言中都具備的基本代碼組織結構。函數的重要性不言而喻。而對於Python來說，函數的用法及其靈活，遠比其他語言要強大很多。了解Python函數的定義、調用、序列解包、必須參數、關鍵字參數、默認參數等諸多內容。
9、高級部分：面向對象
了解面向對象的概念。包括面向對象的三大特性（繼承、封裝、多態）、類的基本構成元素、python的內置類屬性、方法重寫、運算符重載、靜態方法等
10、正則表達式與JSON
正則表達式也是文本解析中非常重要的知識點。了解如何在Python中編寫正則表達式與常見的正則表達式。此外，重點了解包括JSON對象，JSON字元串，Python類型與JSON的轉換。
11、Python的高級語法與用法
了解Python進階部分的高級特性，如枚舉、閉包
12、函數式編程： 匿名函數、高階函數、裝飾器
進一步了解函數式編程的lambda、mapece、filter以及裝飾器
13、實戰：原生爬蟲
學習如何訪問網路數據、獲取與解析網路數據、爬蟲的基本原理解釋。並用最基礎語法不使用爬蟲框架的原生爬蟲項目。
14、Pythonic與Python雜記
了解擴展Python的優秀寫法，學會如何寫出優質的Pythonic風格的代碼。包括：如何讓字典保持有序、lmbda表達式的應用等高級Python知識
2. 為什麼要做數據分析師：職業規劃很重要
「數據分析」作為近幾年最火熱的詞彙，越來越受到大家的關注。但和一些應屆生或者數據分析師溝通時，發現很多人都對數據分析的職業規劃很迷茫。今天我們主要從業務方向的數據分析入手，聊聊數據分析的入門條件及職業規劃。
「0基礎入行數據分析要掌握哪些技能？」
「怎麼能最快找到數據分析工作？」
「數據分析師未來的發展方向是什麼？」
數據分析是什麼？
數據分析是有關「數據」類崗位的總稱。從事這些工作的人，通過分析數據發現業務問題，洞察商業機會點，為運營活動、業務增長及企業發展提供合理建議及參考依據。
數據分析主要是與數據打交道，但數據分析≠分析大數據，所以大家不要對這個職位產生恐懼感，零基礎轉行數據分析是可行的。要入門的話，3個月的時間也是足夠的。
需要注意的是：
1.如果本身對數據不敏感，或者看到復雜的數據就眼暈頭疼，那說明你可能不太適合這個崗位。
2.目前數據分析已不再是專職技能，而是職場人必備的通用技能，建議每個職場人都可以學一下，會讓你在職場競爭中更有優勢。至於是否從事數據分析工作，還是看你對數據的敏感程度以及你對這個崗位的熱愛程度。
數據分析崗位方向及工作內容
數據分析可以簡單分為業務和技術2大方向：
業務方向——數據運營、數據分析師、商業分析、用戶研究、增長黑客、數據產品經理等
技術方向——數據開發工程師、數據挖掘工程師、數據倉庫工程師等
業務類崗位的數據分析師大多在業務部門，主要工作是數據提取、支撐各部門相關的報表、監控數據異常和波動，找出問題、輸出專題分析報告。
在日常工作中，業務部門往往更關心某個指標的為什麼下跌或上升、產品的用戶屬性是怎樣的，如何更好的完成自己的KPI等。
以活躍指標為例，數據分析人員通常要解決以下問題：
指標下跌了多少？是合理范圍內的數據波動，還是突發式?（what）
下跌是從什麼時候開始的？（when）
是整體用戶下跌，還是部分用戶？（who）
下跌的原因是什麼？產品更新？還是某個渠道推廣到期？（why）
怎麼解決下跌的問題（how）
在經過了數據提取-數據清洗-多維分析-交叉分析等一系列步驟之後，你發現是某個地區的活躍下跌了，但這並不能作為分析的結論。因為某個地區的活躍下跌只是現象，並不是根本原因。
所以數據分析師要解決的是，為什麼這個地區的活躍跌了？是政策因素？還是競爭對手？或者是渠道問題，這些都是需要深入分析的范疇。
找到原因後，數據分析師還需要預測未來的發展趨勢，根據目前的分析結果輸出可執行的改善策略，最後推動業務部門落地，再次復盤效果，最終形成閉環的分析路徑。
對數據分析師而言，解決問題只是一方面，另一方面數據分析師的職責是將業務數據體系化，形成一套指標框架。比如活躍下跌，本質上也是指標問題，如「日活」等指標。
技術方向的崗位如數據挖掘/演算法專家等崗位有的歸在研發部門，有的則單獨成立數據部門。與業務方向的數據分析師相比較來說，數據挖掘工程師要求更高的統計學能力及編程技巧。因為數據挖掘工程師對工具的要求比較高，所以數據挖掘的平均薪資也會高於數據分析師。
數據分析師崗位技能要求
對業務方向的數據分析師而言，掌握工具只是基礎，還需要對業務有深入的理解以及較強的數據分析能力。
在工具使用上，數據分析師需要掌握Excel、SQL、PPT、Python等工具。
Excel是日常工作中用到的最多的工具，常用的函數及數據透視表都要學。
SQL是數據分析的核心工具，主要學習Select、聚合函數以及條件查詢等內容。
Python重點掌握Pandas數據結構、Matplotlib庫、Pyecharts庫及Numpy數組。
關於工具的部分，需要注意不同行業對工具的要求會有差異，比如金融行業會要求SAS等工具。一般情況下Excel、SQL、PPT、Python這4種工具就能搞定大部分數據分析工作。
除工具的使用外，數據分析師要了解基本的統計學知識及數據分析方法。
統計學知識：環比、同比、概率分布、變數、抽樣等。
數據分析方法：假設檢驗、回歸分析、漏斗分析、多維分析、對比分析等。
針對0基礎的小夥伴，建議大家先將精力放在數據分析的思路和訓練上，多去看一些商業數據模型和數據分析案例的資料，最終形成自己的分析思路。千萬不要一上來就啃Python，可以先上手Exce+SQL這2個簡單的數據分析工具來入門。有SQL基礎後再學Python會相對容易些。
數據分析師的成長路線
業務方向的數據分析師有2條發展路徑。
一條是專精業務，晉升成為商業分析師、戰略分析師或管理崗。從業務型發展上來的好處是具備商業網洞察能力，這點是直接做數據挖掘所不具備的。
另一條是提升技術能力，成長為演算法專家或數據科學家。
如何快速入門數據分析
應屆生想要入行數據分析，建議先做學習規劃：
明確自己想走業務方向還是技術方向。
充分調研目標領域的行業知識，了解行業背景及行業相關的指標（在行業的選擇上，擅長的、熱愛的和有發展前景的即是最佳行業領域）
了解目標行業常用的數據處理工具、數據生產流程及數據應用。針對數據工具進行系統性學習。
0基礎轉行數據分析，建議先羅列自己的個人優勢和行業背景，找到最佳突破口：
如果有運營相關經驗，基礎工具掌握一般，可以先學習SQL，再從數據運營崗入門。
如果有產品經驗，對交互設計和用戶體驗有深入的理解，可以選擇數據產品經理。
如果有金融、物流等行業工作經驗，可以借用行業優勢，轉到相關行業的數據分析崗位。
也就是說，轉行數據分析的路徑不只有一條，我們要做的是根據自己的背景及優勢，找到最適合自己的那條路。
總結：
作為一名合格的數據分析師，你需要至少以下三點技能：
必要的SQL、Excel+pythonR技能；
正確的理解業務；
基本的數據使用意識和學習能力。
轉行過程中個人必要技能的錘煉是很重要，但保持良好積極的心態也是轉行成功的必備要素之一。
3. 後台開發與數據挖掘哪個更適合研究生發展
兄弟，這種迷茫是很容易理解的，作為過來人，先讓自己安靜下來，然後再思考，不要被外面紛擾的信息打擾了自己內心的平靜。數據挖掘也好，後台開發也罷，編程能力必不可少，但是你需要明白的是，很多機器學習工程師其實是在寫軟體，而不是側重在機器學習演算法本身，而很多數據挖掘工程師其實不是在調試演算法，而是在寫SQL。真正的聚焦在機器學習和數據挖掘工程師崗位往往需要你有一些項目背景和學術背景，如果發過頂會論文和期刊論文的話那就更好。
因此，我總結一下，如果你選擇機器學習，你可以做下面的選擇【僅供參考】
如果你選擇後台開發，後台開發有很多，鑒於你的非專業的CS出身，而且可能本科沒怎麼寫代碼，建議
另外，不管是什麼專業，計算機的基礎知識必不可少，數據結構+演算法，計算機組成原理等等。
最後，鑒於你的沒有太多的基礎，因此不要對自己的期望過高，否則很那達到會有挫敗感，而且這個時候一定要專注於一個領域不動搖，否則，你還是迷茫而且不知道方向在哪裡。其實努力學習一個學期是可以學到很多知識的。加油！既然是南方985，應該也不差，畢竟南方經濟發達，就業是比較容易的。
更新：
對於學習的建議
2017年12月7日更新
4. 程序員為什麼要學深度學習
費良宏：程序員為什麼要學深度學習？
深度學習本身是一個非常龐大的知識體系。本文更多想從程序員的視角出發，讓大家觀察一下深度學習對程序員意味著什麼，以及我們如何利用這樣一個高速發展的學科，來幫助程序員提升軟體開發的能力。
本文根據費良宏在2016QCon全球軟體開發大會（上海）上的演講整理而成。
前言
1973年，美國上映了一部熱門的科幻電影《WestWorld》，三年之後又有一個續集叫做《FutureWorld》。這部電影在80年代初被引進到中國叫《未來世界》。那部電影對我來講簡直可以說得上是震撼。影片中出現了很多機器人，表情豐富的面部下面都是集成電路板。這讓那時候的我覺得未來世界都是那麼遙遠、那麼神秘。
時間到了2016年，很多朋友可能都在追看HBO斥巨資拍攝的同一題材的系列劇《WestWorld》。如果前兩部電影還是局限在機器人、人工智慧這樣的話題，2016年的新劇則在劇情和人工智慧的思考方面有了很大的突破。不再渲染機器人是否會威脅到人類，而是在探討「Dreamsaremainlymemories」這一類更具哲理的問題。
「記憶究竟如何影響了智能」這個話題非常值得我們去思考，也給我們一個很好的啟示——今天，人工智慧領域究竟有了怎樣的發展和進步。
今天我們探討的話題不僅僅是簡單的人工智慧。如果大家對深度學習感興趣，我相信各位一定會在搜索引擎上搜索過類似相關的關鍵字。我在Google上以deeplearning作為關鍵字得到了2,630萬個搜索的結果。這個數字比一周之前足足多出了300多萬的結果。這個數字足以看得出來深度學習相關的內容發展的速度，人們對深度學習的關注也越來越高。
從另外的一個角度，我想讓大家看看深度學習在市場上究竟有多麼熱門。從2011年到現在一共有140多家專注人工智慧、深度學習相關的創業公司被收購。僅僅在2016年這種並購就發生了40多起。
其中最瘋狂的是就是Google，已經收購了 11 家人工智慧創業公司，其中最有名的就是擊敗了李世石九段的 DeepMind。排名之後的就要數 Apple、Intel以及Twitter。以Intel 公司為例，僅在今年就已經收購了 3 家創業公司，Itseez、Nervana 和 Movidius。這一系列大手筆的並購為了布局人工智慧以及深度學習的領域。
當我們去搜索深度學習話題的時候，經常會看到這樣的一些晦澀難懂的術語：Gradient descent（梯度下降演算法）、Backpropagation（反向傳播演算法）、Convolutional Neural Network（卷積神經網路）、受限玻耳茲曼機（Restricted Boltzmann Machine）等。
如打開任何一篇技術文章，你看到的通篇都是各種數學公式。大家看到如下左邊的圖，其實並不是一篇高水準的學術論文，而僅僅是維基網路關於玻耳茲曼機的介紹。維基網路是科普層面的內容，內容復雜程度就超過了大多數數學知識的能力。
在這樣的背景之下，我今天的的話題可以歸納成三點：第一，我們為什麼要學習深度學習；第二，深度學習最核心的關鍵概念就是神經網路，那麼究竟什麼是神經網路；第三，作為程序員，當我們想要成為深度學習開發者的時候，我們需要具備怎樣的工具箱，以及從哪裡著手進行開發。
為什麼要學習深度學習
首先，我們談談為什麼要學習深度學習。在這個市場當中，最不缺乏的就是各種概念以及各種時髦新技術的詞彙。深度學習有什麼不一樣的地方？我非常喜歡AndrewNg（吳恩達）曾經用過的一個比喻。
他把深度學習比喻成一個火箭。這個火箭有一個最重要的部分，就是它的引擎，目前來看在這個領域裡面，引擎的核心就是神經網路。大家都知道，火箭除了引擎之外還需要有燃料，那麼大數據其實就構成了整個火箭另外的重要組成部分——燃料。以往我們談到大數據的時候，更多是強調存儲和管理數據的能力，但是這些方法和工具更多是對於以往歷史數據的統計、匯總。
而對於今後未知的東西，這些傳統的方法並不能夠幫助我們可以從大數據中得出預測的結論。如果考慮到神經網路和大數據結合，我們才可能看清楚大數據真正的價值和意義。AndrewNg就曾經說過「我們相信（神經網路代表的深度學習）是讓我們獲得最接近於人工智慧的捷徑」。這就是我們要學習深度學習的一個最重要的原因。
其次，隨著我們進行數據處理以及運算能力的不斷提升，深度學習所代表的人工智慧技術和傳統意義上人工智慧技術比較起來，在性能上有了突飛猛進的發展。這主要得益於在過去幾十間計算機和相關產業不斷發展帶來的成果。在人工智慧的領域，性能是我們選擇深度學習另一個重要的原因。
這是一段Nvidia在今年公布的關於深度學習在無人駕駛領域應用的視頻。我們可以看到，將深度學習應用在自動駕駛方面，僅僅經歷了3千英里的訓練，就可以達到什麼樣的程度。在今年年初進行的實驗上，這個系統還不具備真正智能能力，經常會出現各種各樣的讓人提心吊膽的狀況，甚至在某些情況下還需要人工干預。
但經過了3千英里的訓練之後，我們看到在山路、公路、泥地等各種復雜的路況下面，無人駕駛已經有了一個非常驚人的表現。請大家注意，這個深度學習的模型只經過了短短幾個月、3千英里的訓練。
如果我們不斷完善這種模型的話，這種處理能力將會變得何等的強大。這個場景裡面最重要的技術無疑就是深度學習。我們可以得出一個結論：深度學習可以為我們提供強大的能力，如果程序員擁有了這個技術的話，無異於會讓每個程序員如虎添翼。
神經網路快速入門
如果我們對於學習深度學習沒有任何疑慮的話，接下來就一定會關心我需要掌握什麼樣的知識才能讓我進入到這個領域。這裡面最重要的關鍵技術就是「神經網路」。說起「神經網路」，容易混淆是這樣兩個完全不同的概念。
一個是生物學神經網路，第二個才是我們今天要談起的人工智慧神經網路。可能在座的各位有朋友在從事人工智慧方面的工作。當你向他請教神經網路的時候，他會拋出許多陌生的概念和術語讓你聽起來雲里霧里，而你只能望而卻步了。
對於人工智慧神經網路這個概念，大多數的程序員都會覺得距離自己有很大的距離。因為很難有人願意花時間跟你分享神經網路的本質究竟是什麼。而你從書本上讀的到的理論和概念，也很讓你找到一個清晰、簡單的結論。
今天就我們來看一看，從程序員角度出發神經網路究竟是什麼。我第一次知道神經網路這個概念是通過一部電影——1991年上映的《終結者2》。男主角施瓦辛格有一句台詞：
「MyCPUisaneural-netprocessor;alearningcomputer.」（我的處理器是一個神經處理單元，它是一台可以學習的計算機)。從歷史來看人類對自身智力的探索，遠遠早於對於神經網路的研究。
1852年，義大利學者因為一個偶然的失誤，將人類的頭顱掉到硝酸鹽溶液中，從而獲得第一次通過肉眼關注神經網路的機會。這個意外加速了對人類智力奧秘的探索，開啟了人工智慧、神經元這樣概念的發展。
生物神經網路這個概念的發展，和今天我們談的神經網路有什麼關系嗎？我們今天談到的神經網路，除了在部分名詞上借鑒了生物學神經網路之外，跟生物學神經網路已經沒有任何關系，它已經完全是數學和計算機領域的概念，這也是人工智慧發展成熟的標志。這點大家要區分開，不要把生物神經網路跟我們今天談到的人工智慧有任何的混淆。
90年代中期，由Vapnik等人提出了支持向量機演算法（Support Vector Machines，支持向量機）。很快這個演算法就在很多方面體現出了對比神經網路的巨大優勢，例如：無需調參、高效率、全局最優解等。基於這些理由，SVM演算法迅速打敗了神經網路演算法成為那個時期的主流。而神經網路的研究則再次陷入了冰河期。
在被人摒棄的十年裡面，有幾個學者仍然在堅持研究。其中很重要的一個人就是加拿大多倫多大學的Geoffery Hinton教授。2006年，他的在著名的《Science》雜志上發表了論文，首次提出了「深度信念網路」的概念。
與傳統的訓練方式不同，「深度信念網路」有一個「預訓練」（pre-training）的過程，這可以方便的讓神經網路中的權值找到一個接近最優解的值，之後再使用「微調」(fine-tuning)技術來對整個網路進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網路的時間。在他的論文裡面，他給多層神經網路相關的學習方法賦予了一個新名詞— 「深度學習」。
很快，深度學習在語音識別領域嶄露頭角。接著在2012年，深度學習技術又在圖像識別領域大展拳腳。Hinton與他的學生在ImageNet競賽中，用多層的卷積神經網路成功地對包含一千個類別的一百萬張圖片進行了訓練，取得了分類錯誤率15%的好成績，這個成績比第二名高了將近11個百分點。
這個結果充分證明了多層神經網路識別效果的優越性。從那時起，深度學習就開啟了新的一段黃金時期。我們看到今天深度學習和神經網路的火熱發展，就是從那個時候開始引爆的。
利用神經網路構建分類器，這個神經網路的結構是怎樣的？
其實這個結構非常簡單，我們看到這個圖就是簡單神經網路的示意圖。神經網路本質上就是一種「有向圖」。圖上的每個節點借用了生物學的術語就有了一個新的名詞 – 「神經元」。連接神經元的具有指向性的連線（有向弧）則被看作是「神經」。這這個圖上神經元並不是最重要的，最重要的是連接神經元的神經。每個神經部分有指向性，每一個神經元會指向下一層的節點。
節點是分層的，每個節點指向上一層節點。同層節點沒有連接，並且不能越過上一層節點。每個弧上有一個值，我們通常稱之為」權重「。通過權重就可以有一個公式計算出它們所指的節點的值。這個權重值是多少？我們是通過訓練得出結果。它們的初始賦值往往通過隨機數開始，然後訓練得到的最逼近真實值的結果作為模型，並可以被反復使用。這個結果就是我們說的訓練過的分類器。
節點分成輸入節點和輸出節點，中間稱為隱層。簡單來說，我們有數據輸入項，中間不同的多個層次的神經網路層次，就是我們說的隱層。之所以在這樣稱呼，因為對我們來講這些層次是不可見的。輸出結果也被稱作輸出節點，輸出節點是有限的數量，輸入節點也是有限數量，隱層是我們可以設計的模型部分，這就是最簡單的神經網路概念。
如果簡單做一個簡單的類比，我想用四層神經網路做一個解釋。左邊是輸入節點，我們看到有若干輸入項，這可能代表不同蘋果的RGB值、味道或者其它輸入進來的數據項。中間隱層就是我們設計出來的神經網路，這個網路現在有不同的層次，層次之間權重是我們不斷訓練獲得一個結果。
最後輸出的結果，保存在輸出節點裡面，每一次像一個流向一樣，神經是有一個指向的，通過不同層進行不同的計算。在隱層當中，每一個節點輸入的結果計算之後作為下一層的輸入項，最終結果會保存在輸出節點上，輸出值最接近我們的分類，得到某一個值，就被分成某一類。這就是使用神經網路的簡單概述。
除了從左到右的形式表達的結構圖，還有一種常見的表達形式是從下到上來表示一個神經網路。這時候，輸入層在圖的最下方，輸出層則在圖的最上方。從左到右的表達形式以AndrewNg和LeCun的文獻使用較多。而在Caffe框架里則使用的則是從下到上的表達。
簡單來說，神經網路並不神秘，它就是有像圖，利用圖的處理能力幫助我們對特徵的提取和學習的過程。2006年Hinton的那篇著名的論文中，將深度學習總結成三個最重要的要素：計算、數據、模型。有了這三點，就可以實現一個深度學習的系統。
程序員需要的工具箱
對於程序員來說，掌握理論知識是為了更好的編程實踐。那就讓我們看看，對於程序員來說，著手深度學習的實踐需要准備什麼樣的工具。
硬體
從硬體來講，我們可能需要的計算能力，首先想到的就是CPU。除了通常的CPU架構以外，還出現了附加有乘法器的CPU，用以提升計算能力。此外在不同領域會有DSP的應用場景，比如手寫體識別、語音識別、等使用的專用的信號處理器。還有一類就是GPU，這是一個目前深度學習應用比較熱門的領域。最後一類就是FPGA（可編程邏輯門陣列）。
這四種方法各有其優缺點，每種產品會有很大的差異。相比較而言CPU雖然運算能力弱一些，但是擅長管理和調度，比如讀取數據，管理文件，人機交互等，工具也豐富。DSP相比而言管理能力較弱，但是強化了特定的運算能力。
這兩者都是靠高主頻來解決運算量的問題，適合有大量遞歸操作以及不便拆分的演算法。GPU的管理能力更弱一些，但是運算能力更強。但由於計算單元數量多，更適合整塊數據進行流處理的演算法。
FPGA在管理與運算處理方面都很強，但是開發周期長，復雜演算法開發難度較大。就實時性來說，FPGA是最高的。單從目前的發展來看，對於普通程序員來說，現實中普遍採用的計算資源就還是是CPU以及GPU的模式，其中GPU是最熱門的領域。
這是我前天為這次分享而准備的一個AWS 上p2的實例。僅僅通過幾條命令就完成了實例的更新、驅動的安裝和環境的設置，總共的資源創建、設置時間大概在10分鍾以內。而之前，我安裝調試前面提到的那台計算機，足足花了我兩天時間。
另外，從成本上還可以做一個對比。p2.8xLarge 實例每小時的費用是7.2美元。而我自己那台計算機總共的花費了是¥16,904元。這個成本足夠讓我使用350多個小時的p2.8xLarge。在一年裡使用AWS深度學習站就可以抵消掉我所有的付出。隨著技術的不斷的升級換代，我可以不斷的升級我的實例，從而可以用有限的成本獲得更大、更多的處理資源。這其實也是雲計算的價值所在。
雲計算和深度學習究竟有什麼關系？今年的8月8號，在IDG網站上發表了一篇文章談到了這個話題。文章中做了這樣一個預言：如果深度學習的並行能力不斷提高，雲計算所提供的處理能力也不斷發展，兩者結合可能會產生新一代的深度學習，將帶來更大影響和沖擊。這是需要大家考慮和重視的一個方向！
軟體
深度學習除了硬體的基礎環境之外。程序員會更關心與開發相關的軟體資源。這里我羅列了一些曾經使用過的軟體框架和工具。
Scikit-learn是最為流行的一個Python機器學習庫。它具有如下吸引人的特點：簡單、高效且異常豐富的數據挖掘/數據分析演算法實現； 基於NumPy、SciPy以及matplotlib，從數據探索性分析，數據可視化到演算法實現，整個過程一體化實現；開源，有非常豐富的學習文檔。
Caffe專注在卷及神經網路以及圖像處理。不過Caffe已經很久沒有更新過了。這個框架的一個主要的開發者賈揚清也在今年跳槽去了Google。也許曾經的霸主地位要讓位給他人了。
Theano 是一個非常靈活的Python 機器學習的庫。在研究領域非常流行，使用上非常方便易於定義復雜的模型。Tensorflow 的API 非常類似於Theano。我在今年北京的QCon 大會上也分享過關於Theano 的話題。
Jupyter notebook 是一個很強大的基於ipython的python代碼編輯器，部署在網頁上，可以非常方便的進行互動式的處理，很適合進行演算法研究合數據處理。
Torch 是一個非常出色的機器學習的庫。它是由一個比較小眾的lua語言實現的。但是因為LuaJIT 的使用，程序的效率非常出色。Facebook在人工智慧領域主打Torch，甚至現在推出了自己的升級版框架Torchnet。
深度學習的框架非常之多，是不是有一種亂花漸欲迷人眼的感覺？我今天向各位程序員重點介紹的是將是TensorFlow。這是2015年穀歌推出的開源的面向機器學習的開發框架，這也是Google第二代的深度學習的框架。很多公司都使用了TensorFlow開發了很多有意思的應用，效果很好。
用TensorFlow可以做什麼？答案是它可以應用於回歸模型、神經網路以深度學習這幾個領域。在深度學習方面它集成了分布式表示、卷積神經網路(CNN)、遞歸神經網路(RNN) 以及長短期記憶人工神經網路（Long-Short Term Memory, LSTM）。
關於Tensorflow 首先要理解的概念就是Tensor。在辭典中對於這個詞的定義是張量，是一個可用來表示在一些向量、標量和其他張量之間的線性關系的多線性函數。實際上這個表述很難理解，用我自己的語言解釋Tensor 就是「N維數組」而已。
使用 TensorFlow, 作為程序員必須明白 TensorFlow這樣幾個基礎概念：它使用圖 (Graph) 來表示計算任務；在被稱之為 會話 (Session) 的上下文 (context) 中執行圖；使用 Tensor 表示數據；通過 變數 (Variable) 維護狀態；使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據。
一句話總結就是，TensorFlow 就是有狀態圖的數據流圖計算環境，每個節點就是在做數據操作，然後提供依賴性和指向性，提供完整數據流。
TensorFlow安裝非常簡單，但官網提供下載的安裝包所支持的CUDA 的版本是7.5。考慮到CUDA 8 的讓人心動的新特以及不久就要正式發布的現狀。或許你想會考慮立即體驗CUDA 8，那麼就只能通過編譯Tensorflow源代碼而獲得。目前TensorFlow已經支持了Python2.7、3.3+。
此外，對於使用Python 語言的程序員還需要安裝所需要的一些庫，例如：numpy、protobuf等等。對於卷積處理而言，cuDNN是公認的性能最好的開發庫，請一定要安裝上。常規的Tensorsorflow的安裝很簡單，一條命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想評估一下或者簡單學習一下，還可以通過Docker進行安裝，安裝的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多優點。首先，目前為止，深度學習的開發框架裡面TensorFlow的文檔做的最好，對程序員學習而言是非常好的一點。第二，TensorFlow有豐富的參考實例，作為參考學習起來非常容易。
第三，開發者社區活躍，在任何一個深度學習的社區里，都有大量關於TensorFlow的討論。第四，谷歌的支持力度非常大，從2015年到現在升級速度非常快，這是其他開源框架遠遠達不到的結果。
參考TensorFlow的白皮書，我們會看到未來TensorFlow還將會有巨大的發展潛力。讓我特別感興趣是這兩個方向。第一，支持跨多台機器的 parallelisation。盡管在0.8版本中推出了並行化的能力，但是目前還不完善。隨著未來不斷發展，依託雲計算的處理能力的提升這個特性將是非常讓人振奮的。
第二，支持更多的開發語言，對於開發者來說這是一個絕大的利好，通過使用自己擅長的語言使用TensorFlow應用。這些開發語言將會擴展到Java、Lua以及R 等。
在這里我想給大家展示一個應用Tensorflow 的例子。這個例子的代碼託管在這個網址上 https://github.com/anishathalye/neural-style。白俄羅斯的現代印象派藝術家Leonid Afremov善於用濃墨重彩來表現都市和風景題材，尤其是其雨景系列作品。他習慣用大色塊的鋪陳來營造光影效果，對反光物體和環境色的把握非常精準。
於是我就找到了一張上海東方明珠電視塔的一張攝影作品，我希望通過Tensorflow 去學習一下Leonid Afremov 的繪畫風格，並將這張東方明珠的照片處理成那種光影色彩豐富的作品風格。利用Tensorflow 以及上面提到的那個項目的代碼，在一個AWS 的p2類型的實例上進行了一個一千次的迭代，於是就得到了下圖這樣的處理結果。
這個處理的代碼只有350行里，模型使用了一個成名於2014年ImageNet比賽中的明星 VGG。這個模型非常好，特點就是「go depper」。
TensorFlow 做出這樣的作品，並不僅僅作為娛樂供大家一笑，還可以做更多有意思的事情。將剛才的處理能力推廣到視頻當中，就可以看到下圖這樣的效果，用梵高著名的作品」星月夜「的風格就加工成了這樣新的視頻風格。
可以想像一下，如果這種處理能力在更多領域得以應用，它會產生什麼樣的神奇結果？前景是美好的，讓我們有無限遐想。事實上我們目前所從事的很多領域的應用開發都可以通過使用神經網路和深度學習來加以改變。對於深度學習而言，掌握它並不是難事。每一個程序員都可以很容易的掌握這種技術，利用所具備的資源，讓我們很快成為深度學習的程序開發人員。
結束語
未來究竟是什麼樣，我們沒有辦法預言。有位作家Ray Kurzweil在2005年寫了《奇點臨近》一書。在這本書裡面他明確告訴我們，那個時代很快到來。作為那個時代曙光前的人群，我們是不是有能力加速這個過程，利用我們學習的能力實現這個夢想呢？
中國人工智慧的發展
人工智慧的時代無疑已經到來，這個時代需要的當然就是掌握了人工智慧並將其解決具體問題的工程師。坦率的說，市場上這一類的工程師還屬於鳳毛麟角。職場上的薪酬待遇可以看得出來這樣的工程師的搶手的程度。人工智慧這門學科發展到今天，就學術自身而言已經具備了大規模產業化的能力。
所以說，對於工程師而言當務之急就是盡快的掌握應用人工智慧的應用技術。當下在互聯網上關於人工智慧的學習資料可以說已經是「汗牛充棟」，那些具備了快速學習能力的工程師一定會在人工智慧的大潮當中脫穎而出。
中國發展人工智慧產業的環境已經具備。無論從創業環境、人員的素質乃至市場的機遇而言完全具備了產生產業變革的一切條件。與美國相比較，在人工智慧的許多領域中國團隊的表現也可以說是不逞多讓。就人工智慧的技術層面而言，中國的工程師與全球最好的技術團隊正處於同一個起跑線上。
時不我待，中國的工程師是有機會在這個領域大展身手的。不過值得注意的是，要切忌兩點：一是好高騖遠，盲目與國外攀比。畢竟積累有長短，術業有專攻，我們要立足於已有的積累，尋求逐步的突破。二是一擁而上，盲目追求市場的風口。人工智慧的工程化需要大量的基礎性的積累，並非一蹴而就簡單復制就可以成功。
中國的科研技術人員在人工智慧領域的成就有目共睹。在王詠剛的一篇文章裡面，他統計了從2013年到2015年SCI收錄的「深度學習」論文，中國在2014年和2015年超已經超過了美國居於領跑者的位置。
另外一讓我感到驚訝的事情，Google的JeffDean在2016年發表過一篇名為《TensorFlow:Asystemforlarge-scalemachinelearning》的論文。文章的22個作者裡面，明顯是中國名字的作者占已經到了1/5。如果要列舉中國人/華人在人工智慧領域里的大牛，吳恩達、孫劍、楊強、黃廣斌、馬毅、張大鵬……很容易就可以說出一大串。
對於中國來說目前的當務之急是人工智慧技術的產業化，唯有如此我們才可以講科研／智力領域的優勢轉化為整體的、全面的優勢。在這一點上，中國是全球最大的消費市場以及製造業強國，我們完全有機會藉助市場的優勢成為這個領域的領先者。
矽谷創新企業
矽谷雖然去過許多回，但一直無緣在那裡長期工作。在人工智慧領域的市場我們聽到的更多是圍繞Google、Apple、Intel、Amazon這樣的一些大型科技公司的一舉一動。但是在美國市場上還有一大批小型的創業企業在人工智慧這個領域有驚艷的表現。僅以矽谷區域的公司為例：
Captricity，提供了手寫數據的信息提取；
VIVLab，針對語音識別開發了虛擬助手服務；
TERADEEP，利用FPGA提供了高效的卷積神經網路的方案；
還有提供無人駕駛解決方案的NetraDyne。
這個名單還可以很長，還有許許多多正在利用人工智慧技術試圖去創造歷史的團隊正在打造他們的夢想。這些團隊以及他們正在專注的領域是值得我們去學習和體會的。
5. 職業生涯規劃采訪雲計算或大數據相關專業 急
幫你答一下:
問題1:
我喜歡能發揮我能力，並且我比較認可的領域。沒為什麼，人性使然。
問題2：
我不喜歡沒有前途，容易破產倒閉的方向。因為工作不僅僅是興趣，也要吃飯。
問題3：
我沒什麼決定。當年父母替我選了大學的這個專業，我就進了這個領域；而我認為自己既然來了，就要做好，否則既對不起自己，也對不起父母。沒什麼步驟，就是學好，做好而已。至於其他途徑，那是別人的事，條條大路通羅馬，別人的事我不操心。
問題4：
坦率地說，這個行業實際上有很細的分工，並不是所有崗位都需要很強的技術。因此，參加培訓雲雲，並不必須。你需要的就是仔細觀察各崗位的要求，然後看準你能做什麼，然後去准備。其餘的就是機遇和運氣了。
問題5：
待遇差距極大，從幾百元，到幾百萬不等。
問題6：
主要就是靈活和務實。不能太忠誠，但也不能太跳脫。因為打工沒有忠誠一說，用你時告訴你要忠誠；不用你時，棄你如破鞋。所以，為自己考慮，低頭做好自己的事，有相應的本事，同時認清形勢，看準機會。這就行了。
問題7：
做好本崗位的要求，並盡量滿足領導的其他安排。僅此而已。能做好這些，你就已經是很了不起了。現在太多人連這些都做不到。
問題8：
我的主要壓力就是自己年齡比較大，在職場上的工作機會越來越少。面臨生存風險。
問題9：
相對來說高學歷，會投機專營的人比較吃香。低頭踏實幹活的人比較吃虧。
問題10：
當然很重要。
問題11：
這個很難說，純看機會。沒有一定。
問題12：
國內這個行業目前已經趨於滅亡。未來將更加向電器行業、媒體平台、銷售、物業等領域靠攏。
問題13：
我不知道。
問題14：
我不能。
問題15：
我不知道。