科学家怎么学编程

1. 想学编程需要会些什么还有人工智能需要学什么 上哪里弄教程

0基础需要会什么？学编程就学呗，不会才学呢嘛。
首先学习编程是比较苦的。你要知道编程是一个很宽泛的概念，电脑编程有很多种语言形式，最底层的机器语言（因为太难已被淘汰），低级语言“汇编”（往往解决一些和硬件系统有直接关系的问题），中级语言代表“C语言”（很流行的一种较低级，基础的，面向过程的编程语言，也是很多编程者学编程的入门语言），高级语言代表java，c++等（面向对象的编程语言）。
首先你要明白，人工智能确实需要编程，但会编程和搞人工智能之间有很大的差距，简单理解尽管你是个编程高手了，那也只能算是个本科毕业的大学生，而能搞人工智能的人可以比喻成爱因斯坦一类的伟大的科学家。所以请你学编程时不要心急。
刚开始学编程都比较倾向于学c语言，教程书店里有很多，大部分编程初学者都会选择谭浩强编写的c语言教程，谭浩强的书虽然编写的很好，但是因为他编程的意识和习惯都比较老旧，部分写法和解释有些不够精确。所以你如果可以选择一些国外最新的英文教材应该会更好。
这一行水其实很深，对初学者不能说很多，因为一时半会说不清，主要和看你自己的学习能力，很多东西是要靠自己去摸索看清的，当然如果能有一个指路人协助你会更好。祝你学业进步。

2. 儿童编程什么时候开始学比较好

链接:

提取码:h21j

少儿编程教学可以大致分为两类:一类是Scratch或是仿Scratch的图形化编程教学，以培养兴趣、锻炼思维为主，趣味性较强。在这里，可以创造属于自己的动画，故事，音乐和游戏，这个过程其实就像搭积木一样简单。此外，还有机器人编程，也就是搭建机器人，通过运行程序让它动起来，着重培养孩子的动手能力。另一类是基于Python、C++等高级编程语言的计算机编程教学，目标往往是参加信息学奥赛等科技品牌赛事，如信息学奥林匹克竞赛/联赛、机器人竞赛、科技创新大赛等，或为后续的专业学习和职业技能打下基础。

3. 女生可以学习编程吗，好学吗

随着科学技术的快速发展，编程，早已不是男性的专属技能，女孩子不要学编程的偏见早该被打破。女孩子一样可以通过编程学习培养自己的能力，成就更好的自己。

01 严密的逻辑思维能力
编程是一种技能，但更重要的是一种叫我们用编程思维处理问题。编程体系有着非常严密的逻辑，影响着每个人的思维能力和思考方式，在编程中学会这种思考方式对孩子看待问题以及处理问题都有着重要的指引作用。

02 跨学科综合知识的运用和实践能力
根据 STEM教育理念，编程会涉及到工程、物理、数学、设计等综合学科知识，也更加注重这些跨学科知识的运用。孩子必须通过灵活运用这些学科体系去完成一个既定的目标，这样在制作过程中，孩子对各个学科的掌握就会有一个较大的提高。

03 挫折教育历练刚毅性格
纵观古今中外女科学家的成长史，她们在实验研究中均经历过数十万次的失败。编程正好能够培养这种面对挫折与失败的能力、同时编程学习过程中需要胆大心细，这能培养她们观察能力和分析能力。

04 培养独立与自信的气质
编程涉及到的综合学科知识，不仅能极大提高孩子的综合能力，靠自己用代码一行行敲出来的成果，更能树立孩子的自信心，给予孩子极大的成就感。让孩子们可以带着信心和兴趣去挑战下一个目标。

4. 第一门编程语言的选择无关紧要

作者 | Mark Guzdial

译者 | 弯月 责编 | 张红月

出品 | CSDN（ID：CSDNnews）

第一门语言的学习既能学习语义概念，又能掌握特定句法知识，而第二门语言的学习就只剩下新句法的学习了，假设两门语言的语义结构相同。如果学习语义（即基本概念）完全不同的第二门语言，例如 LISP 或 MICRO-PLANNER，则学习的难度不亚于学习第一门语言，甚至会超过第一门语言。

根据我的经验，对于大多数学生来说，学习第二门语言并不容易。虽然通常一门编程语言的经验可以转接到第二门编程语言，但并不是无缝的。Tshuku 和 Cutts 一直在研究学习Python 和 Java，哪些知识可以转移，而哪些不行（https://dl.acm.org/doi/10.1145/3372782.3406270）。虽然有些知识可以转移，但是当他们改变模式时学习速度就会降低。

非计算机专业的学生学习编程时，第一门编程语言的选择尤为重要。学生想要了解他们向往的实践社区中哪些是有价值的。如果学生想成为一名数据科学家，则学习R 或 Python 比学习 C 更有意义。研究计算的学生需要学习Processing，而学习 MATLAB 就无法掌握更多相关的知识。如今并非学习编程的每个人都希望或需要掌握像计算机科学家那样随时切换语言的能力。

最近，我一直在从另一个方面思考这个问题。 为什么有人认为第一门编程语言的选择无关紧要？

我有一个假设，当该领域还很年轻时，也许这种理念是正确的。计算机课程的定义首次出现在20世纪60年代后期，重点强调了编程的数学基础。Nathan Ensmenger 在著作《The Computer Boys Take Over》中将其描述为提高计算机科学专业化水平的一部分。因此，早期进入计算机科学的学生的数学背景比如今学习编程的普通学生更强。再看一看均值，就会发现这种变化很明显。

20世纪70年代的编程课程教学主要面向的是本科生，而如今从幼儿园到高中，学习编程的孩子比70年代计算机专业的本科学生还要多。人们在开发计算机科学教育时设定的数学背景超过了如今孩子们的水平。

下面是我的假设：他们看到的转移不是从一种语言到另一种语言。它是基础数学知识的不同形式的转移。如果我们根据学生已经掌握的数学知识来教授编程语言的语义，则新语言不过是基础数学知识的不同形式。数学教学是必不可少的，数学家喜欢以不同的形式或不同的方法 探索 相同的问题。

看一看维基网络中勾股定理的页面，上面列举了6种证明。如果我们只考虑编程知识的转移，就会错误地将问题概念化。对于拥有很强数学背景的学生来说，第一门编程语言与未来编程语言的区别不过是他们已经掌握的知识的不同符号。这就解释了为什么他们的看法在过去并没有错，而如今情况已发生了变化。

但是，如果学生的数学水平不是很高，该怎么办？如果是一位小学六年级的学生，数学成绩还不太好，但他想学编程，怎么办？如果是一位平面设计师想编写 PhotoShop 脚本，但他不喜欢数学，也不觉得自己是程序员，该怎么办？我认为对他们来说 Python 或 MATLAB 的学习非常困难。如果学习编程的人是一名“纸上谈兵式程序员”，他希望能够与程序员讨论工作，但并不想实际动手开发软件，该怎么办？如今学习编程的人与20世纪70年代的学生大不相同。

我们不必在编程中加入太多数学知识。我们知道，大多数使用 Scratch 的人在讲故事时并没有学习太多数学知识。“纸上谈兵式程序员”很难找到有助于学习的资源，因为大多数学习资源都要求逻辑和数学，但我们正在开发的教学方式可以帮助“纸上谈兵式程序员”学习编程，同时不会涉及太多数学知识。为了向更多人教授编程的知识，我们不能期望学生都拥有良好的数学背景，这一点我们在40多年前就预料到了。

如果我的看法是正确的，那么希望本文对研究人员和教师都有所启发。对于研究人员而言，如果你正在研究哪些知识可以跨语言，却没有衡量数学基础知识，那么可能会错过为何这些知识可以转移的关键因素。对于教师，必须注意在编程教学中灌入数学知识。如果你发现学生的学习有困难，则说明你的课程中涉及太多他们没有掌握的数学知识。

也许对某些人来说，学习编程就是学习数学的一种方式。正如你在文中列出的原因，编程本身就是学习数学的绝佳机会。至于为什么我们要教幼儿园及高中的孩子学习编程，这是一个争论不休的话题。

但是有些编程教学并不需要太多数学知识。计算机是一种强大的工具，而编程是一种利用和引导这种力量的方式。比如，有些老师希望在 历史 课上使用计算机可视化数据，他们可不想与数学打交道。

我支持并鼓励大家通过编程来教授数学。但是，编程在教育中的作用不应仅限于数学。

虽然没有数学基础的人也可以学习编程，但是如果他们能够掌握数学基础的话，就可以成为更好的程序员。Leslie Lamport 曾发表过一篇关于并发教学的文章（http://lamport.azurewebsites.net/pubs/pubs.html#teaching-concurrency），建议大家都看看。

5. 如何正确学习数据科学中的 python

作者 | skura

来源 | AI开发者

大多数有抱负的数据科学家是通过学习为开发人员开设的编程课程开始认识 python 的，他们也开始解决类似 leetcode 网站上的 python 编程难题。他们认为在开始使用 python 分析数据之前，必须熟悉编程概念。

资深数据分析师 Manu Jeevan 认为，这是一个巨大的错误，因为数据科学家使用 python 来对数据进行检索、清洗、可视化和构建模型，而不是开发软件应用程序。实际上，为了完成这些任务，你必须将大部分时间集中在学习 python 中的模块和库上。他认为，学习数据科学的正确姿势应该如下文，AI 开发者进行了编译整理。

请按照下面这个步骤来学习数据科学的 python。

配置编程环境

Jupyter Notebook 是开发和展示数据科学项目的强大编程环境。

在电脑上安装 Jupyter Notebook 最简单的方法是通过 Anaconda 进行安装。Anaconda 是数据科学中使用最广泛的 python 工具，它预装了所有最流行的库。

你可以浏览标题为「A Beginner’s Guide to Installing Jupyter Notebook Using Anaconda Distribution」的博客文章（https://medium.com/better-programming/beginners-quick-guide-for-handling-issues-launching-jupyter-notebook-for-python-using-anaconda-8be3d57a209b），了解如何安装 Anaconda。安装 Anaconda 时，请选择最新的 python 3 版本。

安装完 Anaconda 后，请阅读 Code Academy 的这篇文章（https://www.codecademy.com/articles/how-to-use-jupyter-notebooks），了解如何使用 Jupyter Notebook。

只学习 python 的基础知识

Code Academy 有一门关于 python 的优秀课程，大约需要 20 个小时才能完成。你不必升级到 pro 版本，因为你的目标只是熟悉 python 编程语言的基础知识。课程地址：https://www.codecademy.com/learn/learn-python-3

NumPy 和 Pandas，学习的绝佳资源

在处理计算量大的算法和大量数据时，python 速度较慢。你可能会问，既然如此那为什么 python 是数据科学最流行的编程语言？

答案是，在 python 中，很容易以 C 或 Fortran 扩展的形式将数字处理任务转移到底层。这正是 NumPy 和 Pandas 所做的事情。

首先，你应该学会 NumPy。它是用 python 进行科学计算的最基本的模块。NumPy 支持高度优化的多维数组，这是大多数机器学习算法最基本的数据结构。

接下来，你应该学习 Pandas。数据科学家花费大部分时间清洗数据，这也被称为数据整。

Pandas 是操作数据最流行的 python 库。Pandas 是 NumPy 的延伸。Pandas 的底层代码广泛使用 NumPy 库。Pandas 的主要数据结构称为数据帧。

Pandas 的创造者 Wes McKinney 写了一本很棒的书，叫做《Python for Data Analysis》（https://www.amazon.com/Python-Data-Analysis-Wrangling-IPython-ebook/dp/B075X4LT6K）。在书中的第 4、5、7、8 和 10 章可以学习 Pandas 和 NumPy。这些章节涵盖了最常用的 NumPy 和 Pandas 特性来处理数据。

学习使用 Matplotlib 可视化数据

Matplotlib 是用于创建基本可视化图形的基本 python 包。你必须学习如何使用 Matplotlib 创建一些最常见的图表，如折线图、条形图、散点图、柱状图和方框图。

另一个建立在 Matplotlib 之上并与 Pandas 紧密结合的好的绘图库是 Seaborn。在这个阶段，我建议你快速学习如何在 Matplotlib 中创建基本图表，而不是专注于 Seaborn。

我写了一个关于如何使用 Matplotlib 开发基本图的教程，该教程由四个部分组成。

第一部分：Matplotlib 绘制基本图（http://nbviewer.ipython.org/gist/manujeevanprakash/138c66c44533391a5af1） 第二部分：如何控制图形的样式和颜色，如标记、线条粗细、线条图案和使用颜色映射（https://nbviewer.jupyter.org/gist/manujeevanprakash/7dc56e7906ee83e0bbe6） 第三部分：注释、控制轴范围、纵横比和坐标系（https://nbviewer.jupyter.org/gist/manujeevanprakash/7cdf7d659cd69d0c22b2） 第四部分：处理复杂图形（https://nbviewer.jupyter.org/gist/manujeevanprakash/7d8a9860f8e43f6237cc）

你可以通过这些教程来掌握 Matplotlib 的基本知识。

简而言之，你不必花太多时间学习 Matplotlib，因为现在公司已经开始采用 Tableau 和 Qlik 等工具来创建交互式可视化。

如何使用 SQL 和 python

数据有组织地驻留在数据库中。因此，你需要知道如何使用 SQL 检索数据，并使用 python 在 Jupyter Notebook 中执行分析。

数据科学家使用 SQL 和 Pandas 来操纵数据。有一些数据操作任务使用 SQL 就可以很容易地执行，并且有一些任务可以使用 Pandas 高效地完成。我个人喜欢使用 SQL 来检索数据并在 Pandas 中进行操作。

如今，公司使用 Mode Analytics 和 Databricks 等分析平台来轻松地使用 python 和 SQL。

所以，你应该知道如何一起有效地使用 SQL 和 python。要了解这一点，你可以在计算机上安装 SQLite 数据库，并在其中存储一个 CSV 文件，然后使用 python 和 SQL 对其进行分析。

这里有一篇精彩的博客文章，向你展示了如何做到这一点：Programming with Databases in Python using SQLite（https://medium.com/analytics-vidhya/programming-with-databases-in-python-using-sqlite-4cecbef51ab9）。

在浏览上述博客文章之前，你应该了解 SQL 的基础知识。Mode Analytics 上有一个很好的关于 SQL 的教程：Introction to SQL（https://medium.com/analytics-vidhya/programming-with-databases-in-python-using-sqlite-4cecbef51ab9）。通过他们的基本 SQL 部分，了解 SQL 的基本知识，每个数据科学家都应该知道如何使用 SQL 有效地检索数据。

学习和 python 相关的基本统计学知识

多数有抱负的数据科学家在不学习统计学的基础知识的情况下，就直接跳到机器学习知识的学习中。

不要犯这个错误，因为统计学是数据科学的支柱。而且，很多数据科学家学习统计学只是学习理论概念，而不是学习实践概念。

我的意思是，通过实践概念，你应该知道什么样的问题可以用统计学来解决，了解使用统计数据可以解决哪些挑战。

以下是你应该了解的一些基本统计概念：

抽样、频率分布、平均值、中位数、模式、变异性度量、概率基础、显著性检验、标准差、z 评分、置信区间和假设检验（包括 A/B 检验）

要学习这些知识，有一本很好的书可以看看：《Practical Statistics for Data Scientists: 50 Essential Concepts》（https://www.amazon.com/Practical-Statistics-Data-Scientists-Essential/dp/9352135652）。不幸的是，本书中的代码示例是用 R 编写的，但是很多人包括我自己在内使用的是 Python。

我建议你阅读本书的前四章。阅读本书的前 4 章，了解我前面提到的基本统计概念，你可以忽略代码示例，只了解这些概念。本书的其余章节主要集中在机器学习上。我将在下一部分讨论如何学习机器学习。

大多数人建议使用 Think Stats （https://www.amazon.com/Think-Stats-Allen-B-Downey/dp/1449307116）来学习 python 的统计知识，但这本书的作者教授了自己的自定义函数，而不是使用标准的 python 库来进行统计知识讲解。因此，我不推荐这本书。

接下来，你的目标是实现在 Python 中学习的基本概念。StatsModels 是一个流行的 python 库，用于在 python 中构建统计模型。StatsModels 网站提供了关于如何使用 Python 实现统计概念的优秀教程。

或者，你也可以观看 Ga?l Varoquaux 的视频。他向你展示了如何使用 Pandas 和统计模型进行推理和探索性统计。

使用 Scikit-Learn 进行机器学习

Scikit-Learn 是 Python 中最流行的机器学习库之一。你的目标是学习如何使用 Scikit Learn 实现一些最常见的机器学习算法。

你应该像下面这样做。

首先，观看 Andrew Ng 在 Coursera 上的机器学习课程（https://www.coursera.org/learn/machine-learning）的第 1、2、 3、6,、7 和第 8 周视频。我跳过了关于神经网络的部分，因为作为初学者，你必须关注最通用的机器学习技术。

完成后，阅读「Hands-On Machine Learning with Scikit-Learn and TensorFlow」一书（https://www.amazon.com/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1491962291）。你只需浏览这本书的第一部分（大约 300 页），它是最实用的机器学习书籍之一。

通过完成本书中的编码练习，你将学习如何使用 python 实现你在 Andrew Ng 课程中学习到的理论概念。

结论

最后一步是做一个涵盖上述所有步骤的数据科学项目。你可以找到你喜欢的数据集，然后提出有趣的业务问题，再通过分析来回答这些问题。但是，请不要选择像泰坦尼克号这样的通用数据集。你可以阅读「19 places to find free data sets for your data science project」来查找合适的数据集（https://www.dataquest.io/blog/free-datasets-for-projects/）。

另一种方法是将数据科学应用到你感兴趣的领域。例如，如果你想预测股票市场价格，那么你可以从 Yahoo Finance （https://www.scrapehero.com/scrape-yahoo-finance-stock-market-data/）中获取实时数据，并将其存储在 SQL 数据库中，然后使用机器学习来预测股票价格。

如果你希望从其它行业转行到数据科学，我建议你完成一个利用你的领域专业知识的项目。关于这些，我在以前的博客文章"A Step-by-Step Guide to Transitioning your Career to Data Science – Part 1"（https://www.kdnuggets.com/2019/05/guide-transitioning-career-data-science-part-1.html） 和"A Step-by-Step Guide to Transitioning your Career to Data Science – Part 2"（https://www.kdnuggets.com/2019/06/guide-transitioning-career-data-science-part-2.html）中有提到过。

6. 少儿编程是什么，怎么学

少儿编程教育是通过编程游戏启蒙、可视化图形编程等课程，培养学生的计算思维和创新解难能力的课程。

少儿编程学习年龄段：

4-6岁：少儿编程小游戏

这一阶段不必刻意学习，可以玩一些不含字母的编程小游戏，比如用指令控制一个角色到达终点，绕过障碍物，用循环来完成重复任务等等。

7-9岁：可视化少儿编程学习

这一阶段孩子的逻辑思维开始更快地发展，家长可以为孩子安排系统的编程学习计划，但还是要以兴趣为主，让孩子喜欢上编程。7-9岁的孩子可以用可视化的编程工具来完成稍微复杂一些的任务，比如Scratch少儿编程、App Inventor等。

10+岁：代码编程语言学习

10+岁的孩子可以开始学习一门真正的编程语言，比如Python，初步学习算法、数据结构、面向对象编程，尝试编写软件。也可以接触一些硬件编程，比如用Arino做个小机器人等等。

(6)科学家怎么学编程扩展阅读：

目前，全球已有20多个国家将编程纳入中小学基础课，我国出台的《新一代人工智能发展规划》也提出在中小学阶段逐步推广编程教育。可见，编程学习低龄化，正成为教育的新趋势。作为互联网原住民，电子产品深入影响着这些少儿的日常生活，学编程未必是拔苗助长。在分析、设计、优化的编程实践中，孩子的逻辑思维、创新能力将得到锻炼。

不可否认，时下的少儿编程行业有待规范，但这并非编程本身的错，关键在于如何让它更好地与少儿对接。多一些图形化编程、趣味化教学的探索，多一些由易到难的课程设置，必将有更多孩子进入编程的大门。

7. 北大青鸟java培训：编程到底难不难学

编程在很多人看来都是很有深度的，很多人都担心编程难不难，自己能不能学好。
其实小编在学习之前也认为所谓的软件工程师、网络工程都适合科学家是一个级别的，想要当上并不容易吗，需要高学历、高智商。
但是自学完编程之后，就发现其实并没有那么难。
电脑编程难不难学?笔者就此问题访问了北大青鸟嘉荟学校的专家导师，了解了电脑编程学习的真实一面。
IT就业说难，也就难在软件开发，而不是软件编程。
打个比方，造汽车一定很难，但是开汽车就不那么难了，开汽车不用精通汽车的内部构造和工作原理，直接掌握驾驶技巧，能把汽车开起来就行了。
大家都知道中学数学课本里也有很多的复杂公式，我们会觉得像“天书”吗?专家说，学习软件编程所要的逻辑思维能力，决不会比理解中学的数理化科目更高。
即使偶尔会碰到一些数学知识，也不会超出初中生学习的范围。
至于英语，掌握几百个常用单词，对高中生来说，应该不会太难吧。
而且，在软件编程中使用英语，不用读、不用听、不用写，看懂就行。
更何况电脑上原本就有翻译工具，鼠标一点，一目了然，很多“半路出家”的人群，不但能顺利适应，而且还有独特的优势，如学会计的学员在编写财会软件时“驾轻就熟”;做销售的学员制作市场软件时“犹如神助”，以我们的经验，学习软件编程，文理不论，也没有什么技术难关。
编程到底难不难学?北大青鸟嘉荟学校http://www.kmbdqn.cn/表示，编程并不是很难学，只要你想学，带有激情的去学习，任何语言都可以绘制出编程的一片蓝图。

8. 想学习编程学哪个比较好呢

学习软件编程主要学习的课程有，c，c++,java程序设计,python程序,html网页编写,css层叠样式,javascript脚本,jquery库。这些都是主要学习课程，课根据自己的学习自行选择。下面是部分学习知识点，希望能帮你。

1.确保堆栈上至少有 n 个额外空位。如果不能把堆栈扩展到相应的尺寸，函数返回假。 失败的原因包括将把栈扩展到比固定最大尺寸还大 （至少是几千个元素）或分配内存失败。 这个函数永远不会缩小堆栈；
void lua_close (lu a_State *L);
2.销毁指定 Lua 状态机中的所有对象（如果有垃圾收集相关的元方法的话，会调用它们），并且释放状态机中使用的所有动态内存。 在一些平台上，你可以不必调用这个函数， 因为当宿主程序结束的时候，所有的资源就自然被释放掉了。 另一方面，长期运行的程序，比如一个后台程序或是一个网站服务器， 会创建出多个 Lua 状态机。那么就应该在不需要时赶紧关闭它们。
lu a_compare
比较两个 Lua 值。 当索引 index1 处的值通过 op 和索引 index2 处的值做比较后条件满足，函数返回 1 。 这个函数遵循 Lua 对应的操作规则（即有可能触发元方法）。 反之，函数返回 0。 当任何一个索引无效时，函数也会返回 0 。
3.连接栈顶的 n 个值， 然后将这些值出栈，并把结果放在栈顶。如果 n 为 1 ，结果就是那个值放在栈上（即，函数什么都不做）； 如果 n 为 0 ，结果是一个空串。 连接依照 Lua 中通常语义完成（）。
lua_
从索引 fromidx 处复制一个值到一个有效索引 toidx 处，覆盖那里的原有值。 不会影响其它位置的值。
l ua_createtable
4.创建一张新的空表压栈。 参数 narr 建议了这张表作为序列使用时会有多少个元素；参数 nrec 建议了这张表可能拥有多少序列之外的元素。 Lua 会使用这些建议来预分配这张新表。 如果你知道这张表用途的更多信息，预分配可以提高性能。 否则，你可以使用函数
lua_mp
把函数导出成二进制代码块 。 函数接收栈顶的 Lu a 函数做参数， 然后生成它的二进制代码块。 若被导出的东西被再次加载， 加载的结果就相当于原来的函数。 当它在产生代码块的时候， lua_mp 通过调用函数 writer （r ） 来写入数据，后面的 data 参数会被传入 writer 。
5.如果 strip 为真， 二进制代码块将不包含该函数的调试信息。
最后一次由 writer 的返回值将作为这个函数的返回值返回； 0 表示没有错误。
该函数不会把 Lua 函数弹出堆栈。

希望能帮到你，谢谢！