一幅图讲清楚Python在大数据与人工智能时代的地位

大数据与人工智能时代，掌握Python基础后，我们可以选择数据分析方向、人工智能方向、全栈开发方向...

如果想要追赶 Python 的热潮，应该如何学习呢？除了自学之外，多数人都会选择在线课程作为辅助。选择课程的衡量标准是什么呢？我认为有以下几条坑不能踩：

|| 是否针对零基础入门？ 零基础入门分为三种情况：一种是之前接触过计算机编程，但并没有熟练掌握任何一门语言，另一种是有其它编程语言基础，但没有接触过Python，最后一种是没有接触过任何编程语言。 || 是否可以掌握一项核心的技能？ Python基础；网络爬虫；数据分析等。 || 是否针对零基础的同学讲解的生动易懂？ 不少课程会标注课程所需的知识储备，需要先掌握哪些知识才能看懂这门课，只有少数课才真正是零基础可以学习的，这个是需要注意的。我觉得更多学习在线课程的还是零基础的同学，毕竟有基础的话自己撸文档就好了。 || 是否配备了高质量的答疑服务？ 实际编程会遇到问题被卡住真是太常见的一个事情了，很多程序员没了 stackoverflow 也是无法正常工作的。但初学者很可能是连问题都描述不清楚的，所以有个老师帮初学者即时解决问题的话，能节省很多时间。

专注于人工智能前沿科技的在线教育平台—深蓝学院，联合百度资深算法工程师推出『Python基础入门与网络爬虫实践』、『Python数据分析』两门在线直播课程。两门课程共56学时，课程从Python基础入门开始，实战讲述新闻网站、知乎、京东商城、微信公众号的网络爬虫技术，将爬取的数据清洗整理，直接用于数据分析课程实践。课程在线直播授课，一年内均可在微信答疑群提问答疑，讲师真正做到有问必答。

Python 课程内容

1. Python基础入门

1.1 Python基础 1.1.1 Python简介与发展历史 1.1.2 Python安装与开发环境 1.1.3 基本类型、运算 1.2 Python语句与语法及文件操作 1.2.1 语句与语法包括 1.2.2 迭代器 1.2.3 文件操作 1.3 函数与模块 1.3.1 函数基础与作用域、参数与返回值、递归 1.3.2 匿名函数：lambda与函数式编程工具：filter和reduce 1.3.3 模块基础 1.4 面向对象与异常处理 1.4.1 面向对象（类和对象） 1.4.2 异常处理 1.5 多线程、正则表达式的使用 1.5.1 线程模块、线程同步 1.5.2 多进程（通信与进程池） 1.5.3 正则表达式 1.6 网络编程 1.6.1 TCP/IP、Socket、C/S架构 1.6.2 HTTP，FTP以及邮件协议 1.6.3 RPC

2. Python网络爬虫实践 2.1 网络爬虫入门 2.1.1 网络爬虫技术价值 2.1.2 HTTP协议 2.1.3 网页的常见构成 2.1.4 分布式数据存储MongoDB 2.1.5 实践：单页面的抓取 2.2 爬虫基础：一个简单的爬虫构成 2.2.1 静态网站的抓取 2.2.2 多线程抓取 2.2.3 多进程抓取 2.2.4 实践：新闻网站的爬取 2.3 基于框架的爬虫：Selenium 2.3.1 自动化爬虫框架PhantomJS+Selenium 2.3.2 表单，网站登录 2.3.3 客户端渲染页面的抓取 2.3.4 实践：知乎网站的抓取 2.3.5 实践：微信公众号内容的抓取 2.4 基于框架的爬虫：Scrapy 2.4.1 框架简介与分析 2.4.2 框架的核心内容及使用方法 2.4.3 实践：京东网站的抓取 2.5 基于框架的爬虫：分布式爬虫 2.5.1 分布式爬虫的框架 2.5.2 任务调度的设计 2.5.3 分布式集群部署的爬虫与百度爬虫简介 2.5.4 分布式存储框架ElasticSearch搜索引擎 2.5.5 实践：一个简单的搜索引擎 2.6 爬虫常见问题 2.6.1 反爬虫常见问题 2.6.2 验证码：验证码的识别：实践：识别验证码 2.6.3 反IP：多IP技术 2.6.4 移动端（手机端）内容抓取 i.Fiddle抓包分析 ii.使用API来进行抓取 iii.示例：今日头条、快手微视频的抓取

3. Python网络爬虫实践

3.1 Python数据分析简介 3.1.1 Python数据分析环境配置（Anaconda） 3.1.2 Python数据分析的各个模块的作用和关系 3.1.3 Python数据分析安装配置常见库：NumPy, Pandas, SciPy, Matplotlib 3.1.4 数据分析应用场景与简要示例 3.2 NumPy库的介绍 3.2.1 NumPy的性能优势 3.2.2 数组对象处理 3.2.3 矩阵处理 3.2.4 基本操作与实践案例 3.3 Pandas库的介绍 3.3.1 Pandas基本数据结构与功能（Series） 3.3.2 DataFrame缺失数据处理 3.3.3 统计功能 3.3.4 数据合并、分组及比较 3.3.5 基本操作与实践案例 3.4 Python文本数据与图像数据分析的常见技术 3.4.1 文本分析：清洗与常见算法 a) 正则表达式 b) 分词与关键字提取 3.4.2 图像分析：预处理方法(PIL) a) 图像数据读取 b) 图像分析 3.4.3 基本图像处理的基本流程 3.4.4 实践：基于微博数据的人物信息的提取、清洗 3.5 数据可视化 3.5.1 数据可视化简介 3.5.2 常用可视化方式与图表绘制 3.5.3 Matplolib 3.5.4 Seaborn 3.5.5 实践：基于微博数据的人物信息以及关系的数据可视化 3.6 Python与机器学习 3.6.1 什么是机器学习 3.6.2 scikit-learn介绍 3.6.3 scikit-learn内常用算法介绍 3.6.4 机器学习基本流程 3.6.5 实践：微博人物相似聚类算法 3.7 Python与深度学习 3.7.1 深度学习简介 3.7.2 Tensorflow入门 3.7.3 Kaggle：简单二分类：猫狗识别 3.7.4 实践图像分类：微博明星人脸识别 3.8 Python与社交网络 3.8.1 图(graph)基础 3.8.2 社交网络算法（包括PageRank算法、社区发现算法等） 3.8.3 igraph介绍与network

3.8.4 实践微博社区发现算法：明星关系与可视化