推荐：作者： Eastmount大神推荐的Python初学者的信 | Python初级、中级、高级学习路线

又是一年1024，祝所有程序员节日快乐，健康开心，祝CSDN越来越好。转眼，已经在CSDN分享了十多年博客，感谢大家的陪伴和祝福，在这里我与许多人成为了朋友，感恩。非常遗憾，这次没能去长沙岳麓书院见很多大佬和博友，下次有机会一定去。我也会继续加油，分享更好更系统的文章，帮助更多初学者。总之，感恩大家能一起在CSDN相遇，相见，相知，我们相约在这里分享一辈子，感恩同行！

十年，转瞬即逝，我从青葱少年成长为了中年大叔。或许，对其他人来说写博客很平淡，但对我来说，它可能是我这十年最重要的决定和坚守之一。

十年，不负遇见，不负自己，不负时光。感恩所有人的陪伴，因为有你们，人生路上我不孤单。幸好，这十年来，我可以摸着自己的良心说，每一篇博客我都在很认真的撰写，雕琢，都在用万字长文书写下我的满腔热血。

下图展示了这十年我写的博客涉及的各个方向，3600多天，这里的每篇文章，每段文字，都是我的心血和汗水，当然也离不开CSDN和你们的支持。人生又有多少个十年呢？所以能做的就是感恩，能做的就是分享更高质量的文章，帮助更多CSDN读者。

这十年，总有读者问我怎么学习Python？学习Python有什么用？跨专业的可以学习吗？有什么方向能学？我是2013年开始接触Python的，主要从事NLP、Web数据挖掘和人工智能研究，今天简单写一封给Python初学者的学习路线和总结，希望能帮助更多初学者，也欢迎大家补充，大佬勿喷~

比赛测试网站：http://lovexiaoluo.com

我们在CSDN的故事都还在续写，你们的陪伴依然继续，青春啊青春，你慢点走，带着代码走！

一.初聊Python

1.为什么要学习Python？

在学习Python之前，你不要担心自己没基础或“脑子笨”，我始终认为，只要你想学并为之努力，就能学好，就能用Python去做很多事情。在这个喧嚣的时代，很多技术或概念会不断兴起，我希望你能沉下心来去学习，不要急于求成，一步一个脚印。当你把某个技术学好、学精后，还是能做一些事情的，甚至能找到喜欢的工作或完成实践项目。

程序语言没有最好，只有最适合。作为一名初学者，我非常推荐你学习Python，为啥？一方面是因为它具有语法清晰、代码友好、易读性高的特点，同时Python拥有强大的第三方库函数，包括网络爬取、数据分析、可视化、人工智能等；另一方面Python既是一门解释性编程语言，又是面向对象的语言，其操作性和可移植性高，被广泛应用于数据挖掘、信息采集、人工智能、网络安全、自动化测试等领域。甚至，很多小学生、高中课程和计算机二级也都陆续增加了Python。

2.Python优势

Python最大的优势在于效率。有时候程序员或科研工作者的效率比机器的效率更重要，对于很多复杂性的功能，使用更加清晰的语言能给程序减少更多的负担，从而大大增强程序的质量，其易学性和扩展性也能让新手很快上手。虽然Python底层运行速度要比C语言慢，但Python清晰的结构能解放程序员的时间，同时很方便的和其他编程语言代码（如C语言）融合在一起。

所以，从来没有一种编程语言可以像Python这样同时扎根在这么多领域，并且Python支持跨平台操作，也支持开源，拥有强大的第三方库。尤其随着人工智能的持续火热，Python在IEEE近几年发布的最热门语言中多次排名第一，越来越多的程序爱好者、科技关注者也都开始学习Python。

3.Python学习建议

在Python学习过程中，不要觉得你的底子薄或者之前没接触过，就想放弃，很多人还没起跑就选择退赛。我想，只要沉下心来，肯下功夫，就能学好。在学习过程中，一定要去写代码、写代码、写代码，只写真正动手去实践，才能慢慢积累。

同时，编写代码过程中出错也是家常便饭，我现在写Python代码每天不出点错，心里都躁得慌，所以遇到错误，学会百度、谷歌去解决真的非常重要，它也是你学习能力的一种提升，实在找不到错误，可以去开源论坛、社区、学习群里提问，也欢迎来公众号或CSDN找我。

接下来我给出前辈许向武老师推荐的Python程序员成长路线图，包括：基础语法–>语感训练–>课题练习–>分方向继续学习–>中级程序员–>拓展深度和广度–>高级程序员。

这里，给出我学习Python的一些历程和技巧。我最早接触Python是2013年，主要是因为研究生方向是自然语言处理，需要通过Python抓取数据并进行分析，所以就选择了它。那些年Python的资料很少，也没这么火热，但也一直坚持着，具体建议如下：

• 先把环境安装，开始编写第一个Python代码，别再去等明天了

• 学习过程中切勿看视频（书籍），喝着奶茶，就是一天，一定要动手敲代码啊

• 通常先了解Python基础语法，推荐MOOC北理工嵩天老师的视频和runoob语法，当然B站和CSDN上也有很多免费资料，大家可以去选择
  – https://www.icourse163.org/course/BIT-268001
  – https://www.runoob.com/python/python-intro.html

• 基础语法大致掌握后可以尝试学习Python网络爬虫，因为不论是数据分析、机器学习、渗透测试等，都会涉及到爬虫技术，只有拥有自己的语料，才能处理更多问题。爬虫方面不用太深入，掌握两门技术即可
  Urllib、Requests、BeautifulSoup、XPath、Selenium、Scrapy、分布式爬虫

• 接下来学习Python可视化分析（词云）、微信操作、邮箱发送等功能，这些知识能有效提高你的编程兴趣

• 人工智能方向：包括机器学习（回归 | 聚类 | 分类）、深度学习（TensorFlow | Keras | Pytorch）学习，建议结合实际科研或项目进行深入研究

• 图像识别方向：包括图像处理、OpenCV、模式识别、机器学习、深度学习、目标检测学习，也建议结合实际科研或项目进行深入研究

• 其他方向学习：Web网站开发、网络安全、自动化测试、应用程序编写

学习路上没有捷径，只有坚持，但你却能通过Python不断提升你的学习兴趣，做一些喜欢的事，喜欢上这门语言。最后给出当年大三学习Python时激励自己的话：

• If not now, when? If not me, who?
• 如果不是为了自己奋斗，又是为谁；如果不是现在奋斗，什么时候开始呢？

4.给初学者的鼓励

自认为我不是一个很聪明的人，但肯努力，肯下功夫。Python对新手非常友好，各种扩展包可以供我们实现想要的工作，因此一定不要胆怯，干就对了，从零开始一点点实战，你肯定会成长的。如果你还是一位初学者，就放手去拼搏，看看你能学到什么程度；如果你还是一名学生，请牢记“真正的大神都是寒暑假练成的”，珍惜每一个假期，多写代码完成想要的某个作品。

曾记否，我本科和高中好友在乘火车上回家的路上说到：

• 我们其实还是很优秀的，至少能从家乡考过出来读大学，在生活中我们会遇到很多人有困难需要帮助，很可能这个对你来说只是举手之劳，而对他却为难整个家庭。这时你要帮助，你帮助他又不会少块肉，尤其是对陌生人的那种无偿帮助！

因此，在学习和编程过程中，我们也会遇到各种各样的困难，而且很可能这种困难对你来说非常的简单，但是别人确实百思不得其解！这种感觉我也经常遇到，怎么都不会的别人一点就通。所以当别人不会的问你时，你也应该去帮助，这也是对你的提高。

蓦然回首，自己读了十多年的书，作为学生，我又在大学学到了什么呢？你也可以思考下你学到了什么，以及接下来你需要去学什么？我的收获或许是：

• 当我拿到一个东西，自己能独立的查阅资料完成，这种独立搜索问题、思考问题、解决问题的能力是我更愿意与您分享的，也是你我大学应该学习的。

• 当我分享了一篇文章、教同学完成一个项目、阅读到一些更美妙的东西时,，心灵都会为之颤抖，这或许就是分享的魅力，知识的魅力，写博客的魅力。

• 在学校、CSDN和家园认识了一帮很好的朋友，认识到更多比自己更优秀的人，大学不仅仅是学习，还有更重要的生活。理科生不仅仅是工科，还有更重要的文学素养需要提升，还需要一辈子学会做人。

• 在大学自己全身心投入完成了自己感兴趣的几个东西，这种感觉我无法描述，不亚于游戏里的一次超神，反正就是十分美妙！它们不仅仅有分享知识博客后的自豪、尽自己最大努力去从零开始完成自己感兴趣的项目的兴奋、还有寒暑假自己深夜孤独的学习自己感兴趣的知识等。

• 认识了女神，有了小珞，娜璋珞一家开心生活。

如果你也是一个大学生，你也应该去享受一下自己独立完成一个自己感兴趣东西的过程。在这期间，你需要自己查阅资料、调动自己的积极性，尽自己的最大努力去完成它，最后这种感觉真的很享受。短暂的激情是不值钱的，只有长久的激情才是值钱的，不论未来如何变化，我希望自己能始终坚持自己的为人做事原则，怀抱一颗感恩的心坚持着去实现心中的梦想，去学会享受生活！

最后用我在CSDN看到云南的一位读者专程注册CSDN的评论，我备受鼓舞，也希望分享与更多的人，一起去拼搏，一起去战斗，感恩同行，感谢CSDN！

“我不在意别人的眼光，别人的评价，我只想学到更多的东西，农村孩子下雨没伞只有拼命奔跑才有未来，如果可能，我也想成为一名高校老师，呆在云南”。啊，真喜欢这种素未谋面的云鼓励，面对这些伙伴，我有什么理由不继续分享，不继续奋斗呢？

二.Python成长路线

接下来分享我和CSDN许老师在CSDN完成的《Python成长路线图》，许老师是非常谦逊又有才华的前辈，值得我们每个人学习。很愉快的一次合作，同时感谢CSDN和周老师，也欢迎大家继续补充和指正。

• https://codechina.gitcode.host/developer-roadmap/python/intro/

1.Python初阶

Python初阶主要包括预备知识、基础语法、进阶语法和面向对象编程。

(1) 预备知识

• Python简介

• 程序设计思想

• 安装Python
  – Windows安装Python
  – Linux安装Python
  – MacOS安装Python

• 运行方式
  – 以交互方式运行
  – 以脚本方式运行

• 常用开发工具

• 编码规范

• 模块管理
  –

  pip

(2) 基础语法

• 缩进规则

• 基础知识
  – 注释
  – 变量
  – 语句
  – 标识符
  – 命名规则
  – 运算与表达式
  – 代码风格

• 函数
  – 函数定义def
  – 参数var
  – 返回值return
  – 参数传递
  – 函数调用
  – 函数递归
  – 函数编写风格

• 类
  – 类定义class
  – 作用域和命名空间
  – 对象
  – 实例
  – 属性和方法
  – 类编程风格

• 顺序语句结构

• 分支语句结构
  – if
  – elif
  – else
  – 条件判断

• 循环语句结构

  
  – for
  – while
  – break
  – continue
  – 循环判断

• 数据类型

  
  – 整型
  – 浮点型
  – 布尔型
  – 字符串

• 内置类

  
  – 列表list
  – 字典dict
  – 元组tuple
  – 集合set
  – 整型int
  – 字符串str

• 常用内置函数
  – help
  – input
  – print
  – range
  – format
  – len
  – sorted
  – open
  – dir
  – enumerate/zip
  – type/isinstance
  – min/max/sum
  – abs/round/pow/divmod

(3) 进阶语法

• 列表推导式

• 三元表达式

• 断言

• with-as

• 异常捕获预处理
  – try-catch-finally
  – 异常捕获

• 字符串方法

  
  – find
  – index
  – join
  – lower
  – replace
  – split
  – strip
  – translate
  – upper

• lambda函数

• 迭代器

• 生成器

• 装饰器

• 闭包

• 文件
  – 打开文件
  – 文件基本方法
  – 文件内容迭代

• 常用标准库
  – datetime
  – json
  – math
  – os
  – random
  – re(regular expression)
  – sys
  – time
  – urllib

• 字符编码与解码
  – 理解内码和字节码的概念

(4) 面向对象编程

• 类和对象的概念

• 类成员

• 静态变量和实例变量

• 面向对象三要素
  – 封装
  – 继承
  – 多态

• 创建类

• 实例化

• 抽象类

• 单实例模式

Python初级学习路线完整如下图所示：

2.Python中阶

Python中阶主要从基本技能、Web应用开发、网络爬虫和桌面应用开发四个方向介绍。

(1) 基本技能

• 时间日期处理
  – time
  – datetime

• 数据文件读写
  – excel/csv/hdf/netCDF

• 数据库操作
  – 数据库概述
  – 数据库安装配置
  – SQL语句
  – SQLite
  – MySQL
  – MongoDB

• 操作系统和环境
  – os/sys

• 线程进程和协程
  – 基础概念
  – 加锁和解锁
  – threading
  – multiprocessing
  – queue
  – gevent

• 源码打包
  – pyinstaller

• 网络编程
  – socket

• 发送邮件
  – smtplib

(2) Web应用开发

• Web开发基础知识
  – HTML/HTML5/CSS
  – 前端、数据库和后台
  – MVC架构
  – REST和Ajax

• Django
  – Django简介
  – Django安装配置
  – DTL(Django Template Language)
  – Django路由定义
  – Django请求数据解析
  – Django数据库操作
  – Django提交表单
  – Django Rest Framework
  – 部署、日志与安全
  – Django开发案例

• Tornado
  – Tornado简介
  – Tornado安装配置
  – Tornado提交表单
  – Tornado模板
  – Tornado数据库操作
  – Tornado异步Web服务
  – 外部服务认证（auth）
  – 部署、日志与安全
  – Tornado开发案例

• Flask
  – Flask简介
  – Flask安装配置
  – Flask实现HTTP请求与响应
  – Flask cookie与session
  – Flask模板
  – Flask提交表单
  – Flask数据库操作
  – Bootstrap-Flask
  – Flask开发REST Web服务
  – 部署、日志与安全
  – Flask开发案例

• 网站可视化
  – ECharts

• 网站高并发处理

(3) 网络爬虫

• 基础概念
  – 什么是网络爬虫
  – HTML与DOM树分析
  – 常用网络爬虫工具
  – 相关法律及注意事项

• urllib

• 正则表达式
  – RE(Regular Expression )
  – 基础语法
  – 标签匹配常用规则

• BeautifulSoup
  – BeautifulSoup简介
  – 安装配置
  – BeautifulSoup对象
  – 元素定位
  – 文档树遍历与搜索

• lxml
  – 安装配置
  – lxml.etree
  – XPath选择器
  – find/findall
  – CSS选择器
  – 解析HTML

• requests
  – 安装配置
  – 发送请求与HTTP请求类型
  – 传递URL参数
  – 响应内容
  – 定制请求头
  – 响应状态码
  – Cookie
  – POST请求
  – 身份认证

• Selenium
  – Selenium简介
  – 安装配置
  – 单元素定位（find_element_id/name/xpath）
  – 多元素定位（find_elements_id/name/xpath）
  – 常用方法和属性
  – 键盘和鼠标操作
  – WebDriver API
  – 表单交互

• Scrapy框架
  – Scrapy简介
  – 安装配置
  – Scrapy框架组成
  – Item Pipeline
  – Downloader
  – Spiders
  – Scheduler

• 数据存储
  – 文件存储
  – 数据库存储

• 渲染动态网页
  – WebKit/Selenium/headless/PhantomJS

• 表单交互处理

• 超时异常处理
  – timeout

• 验证码处理
  – 自动输入/OCR字符识别

• 高并发处理

• 多线程爬虫
  – 多线程爬虫

(4) 桌面应用开发

• Tkinter
  – Tkinter简介
  – 安装配置
  – Tkinter模块
  – Tkinter控件
  – 标准属性
  – 几何管理

• PyQT
  – PyQT简介
  – 安装配置
  – PyQT模块
  – PyQT布局管理
  – PyQT菜单和工具栏
  – 事件和信号
  – PyQT对话框
  – PyQT控件
  – PyQT拖拽与绘图

• WxPython
  – WxPython简介
  – 安装配置
  – WxPython常用类
  – WxPython布局管理
  – WxPython事件处理
  – WxPython对话框
  – WxPython组件
  – WxPython拖拽处理
  – WxPython绘图API

3.Python高阶

高阶主要包括科学计算基础软件包NumPy、结构化数据分析工具Pandas、绘图库Matplotlib、科学计算工具包SciPy、机器学习工具包Scikit-learn、深度学习、计算机视觉和自然语言处理。

(1) 科学计算基础软件包NumPy

• NumPy概述
  – NumPy的前世今生
  – NumPy数组 vs Python列表
  – NumPy数组类型和属性
  – 维、轴、秩
  – 广播和矢量化

• 安装配置

• 创建数组

• 操作数组
  – 索引
  – 切片
  – 改变数组结构
  – 合并和拆分
  – 复制
  – 排序
  – 查找
  – 筛选
  – 数组I/O

• 常用函数
  – np.nan和np.inf
  – 函数命名空间
  – 数学函数
  – 统计函数
  – 插值函数
  – 多项式拟合函数
  – 自定义广播函数

• 掩码数组
  – 创建掩码数组
  – 访问掩码数组

• 矩阵对象
  – 创建矩阵
  – 矩阵特有属性
  – 矩阵乘法

• 随机抽样子模块
  – 随机数
  – 随机抽样
  – 正态分布
  – 伪随机数的深度思考

(2) 结构化数据分析工具Pandas

• Pandas概览
  – Panda的特点
  – 安装和使用

• 数据结构
  – 索引数组Index
  – 带标签的一维同构数组Series
  – 带标签的二维异构表格DataFrame

• 基本操作
  – 数据预览
  – 数据选择
  – 改变数据结构
  – 改变数据类型
  – 广播与矢量化运算
  – 行列级广播函数

• 高级应用
  – 分组
  – 聚合
  – 层次化索引
  – 表级广播函数
  – 日期时间索引对象
  – 透视表
  – 数据可视化
  – 数据I/O

(3) 绘图库Matplotlib

• 安装配置

• Matplotlib快速入门
  – 画布
  – 子图与子图布局
  – 坐标轴与刻度的名称
  – 图例和文本标注
  – 显示和保存

• 图形绘制
  – 曲线图
  – 散点图
  – 直方图
  – 饼图
  – 箱线图
  – 绘制图像
  – 极坐标绘图

• 风格和样式
  – 画布设置
  – 子图布局
  – 颜色
  – 线条和点的样式
  – 坐标轴
  – 刻度
  – 文本
  – 图例
  – 网格设置

• Matplotlib扩展
  – 使用BaseMap绘制地图
  –3D绘图工具包

(4) 科学计算工具包SciPy

• SciPy概览

• 安装配置

• 数据插值
  – 一维插值
  – 二维插值
  – 离散数据插值到网格

• 曲线拟合
  – 最小二乘法拟合
  – 使用curve_fit()函数拟合
  – 多项式拟合函数

• 傅里叶变换
  – 时域到频域的转换
  – 一维傅里叶变换的应用
  – 二维傅里叶变换的应用

• 图像处理
  – 图像卷积
  – 边缘检测
  – 侵蚀和膨胀
  – 图像测量

• 积分
  – 对给定函数的定积分
  – 对给定样本的定积分
  – 二重定积分

• 非线性方程求解
  – 非线性方程
  – 非线性方程组

• 线性代数
  – 计算矩阵的行列式
  – 求解逆矩阵
  – 计算特征向量和特征值
  – 矩阵的奇异值分解
  – 求解线性方程组

• 聚类
  – k-means聚类
  – 层次聚类

• 空间计算
  – 空间旋转的表述
  – 三维旋转

(5) 机器学习工具包Scikit-learn

• Scikit-learn概览

• 安装配置

• 数据集
  – Scikit-learn自带的数据集
  – 样本生成器
  – 加载其他数据集

• 数据预处理（Preprocessing）
  – 标准化
  – 归一化
  – 正则化
  – 离散化
  – 特征编码
  – 缺失值补全

• 分类（Classification）
  – K-近邻分类
  – 贝叶斯分类
  – 决策树分类
  – 支持向量机分类
  – 随机森林分类
  – 集成学习Bagging/Boosting
  – 神经网络模型

• 回归（Regression）
  – 线性回归
  – Lasso回归
  – 支持向量机回归
  – K-近邻回归
  – 决策树回归
  – 随机森林回归
  – 逻辑回归

• 聚类（Clustering）
  – K-Means聚类
  – 均值漂移聚类
  – 基于密度的空间聚类
  – 谱聚类
  – 层次聚类

• 成分分解与降维
  – 主成分分析
  – 因子分析
  – 截断奇异值分解
  – 独立成分分析ICA（Independent Component Analysis）

• 模型评估与参数调优
  – 估计器得分
  – 交叉验证
  – 评价指标
  – 参数调优
  – 模型持久化

(6) 深度学习

• 神经网络基础知识
  – 人工智能发展历史
  – 神经元
  – BP神经网络
  – 梯度下降
  – 激励函数
  – 过拟合、欠拟合
  – 优化器Optimizer
  – 常用开发工具

• 环境配置
  – Windows搭建深度学习环境
  – Linux搭建深度学习环境
  – MacOS搭建深度学习环境
  – CPU/GPU环境搭建

• Theano
  – Theano基础知识
  – 定义Layer
  – CNN
  – RNN(GRU/LSTM)
  – Autoencoder
  – 神经网络参数保存
  – 神经网络性能评价

• TensorFlow
  – TensorFlow基础知识
  – Tensor
  – Session
  – Variable
  – Placeholder
  – Dropout
  – Tensorboard
  – CNN
  – RNN(GRU/LSTM)
  – Autoencoder
  – GNN
  – 神经网络参数保存
  – 神经网络性能评价

• Keras
  – Keras基础语法
  – 兼容Backend
  – 函数模型和序列模型
  – 定义Layer
  – CNN
  – RNN(GRU/LSTM)
  – Autoencoder
  – GNN
  – 迁移学习
  – BiLSTM-Attention
  – 生成对抗网络GAN
  – 神经网络参数保存
  – 神经网络性能评价

• PyTorch
  – PyTorch基础知识
  Tensor
  Variable
  定义Layer
  可视化
  CNN(TextCNN)
  RNN(GRU/LSTM)
  Autoencoder
  GNN/GCN
  迁移学习
  生成对抗网络GAN
  神经网络参数保存
  神经网络性能评价

• 强化学习
  – 强化学习概念
  – Q-Learning
  – Sarsa
  – DQN(Deep Q Network)
  – Policy Gradients
  – Actor Critic

(7) 计算机视觉

• 数字图像处理基础
  – 数字图像处理
  – 图像三要素
  – 像素及图像处理分类
  – 图像信号数字换处理

• OpenCV基础
  – 安装配置
  – OpenCV基础语法
  – 几何图形绘制

• 图像处理入门
  – 读取显示图像
  – 读取修改像素
  – 创建复制保存图像
  – 获取图像属性及通道

• 图像算数与逻辑运算
  – 图像加法运算
  – 图像减法运算
  – 图像与运算
  – 图像或运算
  – 图像异或运算
  – 图像非运算

• 图像几何变换
  – 平移变换
  – 缩放变换
  – 旋转变换
  – 镜像变换
  – 仿射变换
  – 透视变换

• 图像量化与采样
  – 图像量化处理
  – 图像采样处理
  – 图像金字塔
  – 局部马赛克处理

• 直方图统计
  – 直方图概述
  – 直方图绘制
  – 掩膜直方图
  – H-S直方图
  – 直方图对比

• 图像增强
  – 图像增强
  – 直方图均衡化
  – 局部直方图均衡化
  – 自动色彩均衡化
  – 图像去雾

• 图像平滑
  – 图像平滑概述
  – 均值滤波
  – 方框滤波
  – 高斯滤波
  – 中值滤波
  – 双边滤波

• 图像锐化及边缘检测
  – 一阶微分算法、二阶微分算子
  – Roberts算子
  – Prewitt算子
  – Sobel算子
  – Laplacian算子
  – Scharr算子
  – Canny算子
  – LOG算子

• 图像形态学处理
  – 图像腐蚀
  – 图像膨胀
  – 图像开运算
  – 图像闭运算
  – 图像梯度运算
  – 图像顶帽运算
  – 图像底帽运算

• 图像分割
  – 基于阈值的图像分割
  – 基于边缘检测的图像分割
  – 基于纹理背景的图像分割
  – 基于K-Means聚类的区域分割
  – 基于均值漂移算法的图像分割
  – 基于分水岭算法的图像分割
  – 图像漫水填充分割
  – 文字区域分割及定位

• 傅里叶变换
  – 傅里叶变换
  – 傅里叶逆变换
  – 高通滤波器
  – 低通滤波器

• 霍夫变换
  – 霍夫变换
  – 霍夫线变换
  – 霍夫圆变换

• 图像特效处理
  – 图像毛玻璃特效
  – 图像浮雕特效
  – 图像素描特效
  – 图像怀旧特效
  – 图像流年特效
  – 图像滤镜特效
  – 图像水波特效
  – 图像卡通特效

• 图像分类
  – 图像分类概述
  – 基于机器学习的图像分类
  – 基于深度学习的图像分类
  – LeNet
  – VGG
  – AlexNet
  – ResNet

• 人脸识别

• 目标检测
  – 目标检测概述
  – RCNN
  – Fast-RCNN
  – SPPNet
  – Mask-RCNN
  – SSD
  – YOLO系列算法

(8) 自然语言处理

• 自然语言处理概览
  – 自然语言处理的基本概念
  – 自然语言处理的面临困难
  – 自然语言处理的研究现状

• 预备知识
  – 概率论基础知识
  – 最大似然估计
  – 隐马尔可夫模型
  – 贝叶斯网络
  – 条件概率分布
  – 信息论基础知识
  – 熵
  – 困惑度
  – 互信息
  – 神经网络基础知识
  – CRF
  – BiLSTM+Attention
  – 迁移学习
  – 常用语料库和知识库

• jieba
  – jieba概述
  – jieba分词
  – jieba添加自定义词典
  – jieba词性标注
  – jieba关键词抽取

• nltk
  – nltk概述
  – nltk字符串处理
  – nltk词性标注
  – nltk词干提取
  – nltk命名实体识别
  – nltk分块处理
  – nltk文本分类
  – nltk情感分析

• Genism
  – TF-IDF
  – similarities
  – LSA
  – LDA
  – Word2vec

• 词法分析
  – 分词(英文分词/中文分词)
  – 词干提取
  – 词形还原
  – 词性标注
  – 命名实体识别

• 句法分析
  – 短语结构分析
  – 依存句法分析
  – 命名实体消歧

• 语义分析
  – 指代消解
  – 语义角色标注
  – 语义关系抽取
  – 语义依存分析
  – 抽象语义表示

• 词嵌入
  – Word2Vec
  – GloVe
  – fastText
  – ELMo
  – BERT
  – XLNet

• 文本挖掘
  – 文本相似度计算
  – 文本聚类
  – 文本分类
  – 文本摘要

• 情感分析
  – 基于情感词典的情感分析
  – 基于深度学习的情感分析

• 主题模型
  – LSA
  – LDA

• 机器翻译
  – IBM统计翻译模型
  – 短语抽取
  – 语言模型
  – GNMT
  – Seq2Seq
  – Transformer

• 语言模型
  – -- n-gram
  – Pitman-Yor过程模型
  – AWD-LSTM
  – Transformer-XL
  – Gated CNN

• 智能问答
  – 基于知识的问答
  – 基于检索的问答
  – 阅读理解
  – 完形填空

• 智能对话
  – 对话行为分类
  – 对话状态跟踪
  – 检索式聊天机器人
  – 生成式聊天机器人
  – 意图识别
  – 槽填充(Slot Filling)

• 语音识别
  – 傅里叶变换
  – 声学模型
  – 隐马尔可夫模型
  – CNN
  – LSTM-HMM
  – 神经网络语言模型
  – MFCC

• 知识图谱
  – 知识图谱构建
  – 知识计算
  – 知识存储
  – 知识服务与应用

三.总结

写到这里，这篇文章就介绍结束了，祝大家程序员节日快乐，也希望文章对Python初学者有所帮助，欢迎大家从我给出的方向中选择自己感兴趣的点去做研究。重要的是多实践，多编程，加油！

最后用我的博客签名结束这篇文章，“无知·乐观·低调·谦逊·生活”，时刻告诉自己：无知的我需要乐观的去求知，低调的底色是谦逊，而谦逊是源于对生活的通透，我们不止有工作、学习、编程，还要学会享受生活，人生何必走得这么匆忙，做几件开心的事，写几篇系统的文，携一位心爱的人，就很好！感恩CSDN，感谢你我的坚守和分享，这又何止是十年。

• Python从入门到大师
• Python爬虫专栏
• 数据分析
• 机器学习
• AI基础

日常收集整理了一批不错的 Python 学习资料，有需要的小伙可以自行免费领取。

获取方式如下：公众号回复资料。领取Python等系列笔记，项目，书籍，直接套上模板就可以用了。资料包含算法、python、算法小抄、力扣刷题手册和 C++ 等学习资料！