Que faut-il préparer pour apprendre Python ?-Tutoriel Python-php.cn

Vous devez vous préparer à apprendre Python : 1. Maîtriser l'environnement de développement de Python et les connaissances de base en programmation ; 2. Maîtriser l'utilisation des connaissances orientées objet de Python pour le développement de programmes ; des bibliothèques et composants principaux de Python.

Que faut-il préparer pour apprendre Python ?

[Recommandations d'apprentissage associées : tutoriel Python]

Vous devez vous préparer à apprendre Python :

La première étape : les bases professionnelles

Objectifs de la phase :

1. Maîtriser l'environnement de développement Python et les connaissances de base en programmation

2. Maîtriser l'utilisation des connaissances orientées objet Python pour le développement de programmes

3 Avoir une compréhension approfondie des bibliothèques et composants principaux de Python<.>

4. Maîtrise de l'utilisation des instructions SQL pour effectuer des opérations de base de données courantes

5. Maîtrise de l'utilisation des commandes du système d'exploitation Linux et des configurations d'environnement

6. Maîtrise de l'utilisation de MySQL et maîtrise des niveaux avancés. opérations de base de données

7. Capacité Appliquer de manière exhaustive les connaissances que vous avez acquises pour mener à bien le projet

Points de connaissances :

Bases de la programmation Python, Python orienté objet, Python avancé, MySQL base de données, système d'exploitation Linux.

1. Bases de la programmation Python, règles grammaticales, fonctions et paramètres, types de données, modules et packages, fichiers IO, développer de solides compétences de base en programmation Python et maîtriser la programmation des objets et bibliothèques Python de base.

2. Python orienté objet, objets de base, gestion des exceptions, multi-threading, programmation réseau, avoir une compréhension approfondie de la programmation orientée objet, des mécanismes de gestion des exceptions, des principes multi-thread, connaissance du protocole réseau , et l'appliquer habilement dans des projets.

3. Principes des classes, MetaClass, méthodes spéciales soulignées, récursion, méthodes magiques, réflexion, itérateurs, décorateurs, UnitTest, Mock. Comprendre en profondeur les principes sous-jacents de l'orientation objet, maîtriser les techniques avancées avancées de développement Python et comprendre la technologie des tests unitaires.

4. Connaissance des bases de données, paradigme, configuration MySQL, commandes, création de bases de données et de tables, ajout, suppression, modification et requête de données, contraintes, vues, procédures stockées, fonctions, déclencheurs, transactions, curseurs, PDBC, dans -compréhension approfondie des bases de données. Connaissance générale des systèmes de gestion ainsi que de l'utilisation et de la gestion de la base de données MySQL. Établissez une base solide pour le développement backend Python.

5. Installation et configuration de Linux, opérations sur le répertoire de fichiers, commandes VI, gestion, utilisateurs et autorisations, configuration de l'environnement, Docker, programmation Shell Linux, en tant que système d'exploitation serveur grand public, est la priorité que chaque ingénieur de développement doit maîtriser la technologie et être capable de l’utiliser habilement.

Deuxième phase : Développement PythonWEB

Objectifs de la phase :

1 Maîtrise de la technologie de développement Web front-end, HTML, CSS, JavaScript et front. -frameworks

2. Compréhension approfondie des processus d'interaction front-end et back-end et des protocoles de communication dans le système Web

3. frameworks grand public tels que Django et Flask pour terminer le développement du système Web

4. Avoir une compréhension approfondie des protocoles réseau, distribués, PDBC, AJAX, JSON et autres connaissances

5. utiliser les connaissances acquises pour développer un framework MiniWeb et maîtriser les principes de mise en œuvre du framework

6. Utiliser le développement Web Le framework est mis en œuvre tout au long du projet

Points de connaissances :

Programmation frontale Web, interface Web avancée, framework de développement Django, framework de développement Flask et projets pratiques de développement Web.

1. Maîtriser la technologie de développement front-end des éléments de page Web, la mise en page, le style CSS, le modèle de boîte, JavaScript, JQuery et Bootstrap, maîtriser le framework de développement front-end JQuery et BootStrap et compléter la mise en page. et l'embellissement.

2. Cadre de développement front-end Vue, données JSON, protocole de communication réseau, serveur Web et interaction front-end, maîtrise de l'utilisation du framework Vue, compréhension approfondie du protocole réseau HTTP, maîtrise de l'utilisation de Swagger, Technologie AJAX pour réaliser une interaction front-end et back-end.

3. Personnaliser le framework de développement Web, utilisation de base du framework Django, attributs du modèle et configuration du backend, cookie et session, modèles, modèle de données ORM, cache Redis de deuxième niveau, RESTful, modèle MVC Maîtriser le framework Django couramment utilisé des API, intégré la technologie front-end et développé des systèmes et des frameworks WEB complets.

4. Configuration de l'installation de Flask, initialisation et configuration de l'objet d'application, routage de la fonction d'affichage, objet de requête, fonction d'abandon, erreurs personnalisées, valeur de retour de la fonction d'affichage, contexte Flask et hook de requête, modèle, extension de base de données Package Flask- Sqlalchemy, le package d'extension de migration de base de données Flask-Migrate et le package d'extension de messagerie Flask-Mail. Maîtriser les API communes du framework Flask, les similitudes et différences avec le framework Django, et être capable de développer en toute autonomie un développement système WEB complet.

La troisième étape : robot d'exploration et analyse des données

Objectifs de la phase :

1. Maîtriser les principes de fonctionnement des robots d'exploration et l'utilisation des outils communs. Outils de capture de paquets réseau. Capable de capturer et d'analyser les protocoles HTTP et HTTPS

2. Maîtrise de diverses bibliothèques d'analyse de structure de pages Web courantes pour analyser et extraire les résultats d'analyse

3. Les mécanismes d'exploration et les contre-mesures peuvent gérer les mesures anti-exploration courantes

4. Maîtrise de l'utilisation du cadre d'exploration commercial Scrapy pour écrire des robots d'exploration Web à grande échelle pour l'exploration de contenu distribué

5. Concepts et flux de travail liés à l'analyse

6. Maîtrise de l'utilisation des outils d'analyse de données traditionnels Numpy, Pandas et Matplotlib

7. Maîtrise du nettoyage, de l'organisation, de la conversion de format et du rapport d'analyse des données. écriture

8. Être capable d'utiliser de manière exhaustive les robots d'exploration pour explorer les données des critiques de films Douban et terminer l'ensemble du processus de pratique du projet d'analyse des données

Points de connaissances :

Développement de robots d'exploration Web, Numpy pour l'analyse des données et Pandas pour l'analyse des données.

1. Principes d'exploration des pages du robot, processus d'exploration, outils d'analyse de page LXML, Beautifulfoup, expressions régulières, écriture et architecture du pool de proxy, mesures et solutions anti-exploration courantes, structure du cadre du robot, cadre du robot commercial Scrapy, basé sur sur l'analyse et la compréhension des principes d'exploration des robots, des processus d'exploration des données de sites Web et des protocoles réseau, maîtrise l'utilisation des outils d'analyse de pages Web, peut répondre de manière flexible aux stratégies anti-exploration de la plupart des sites Web et a la capacité et la compétence pour compléter de manière indépendante le framework de robots d'exploration. Capacité à écrire des robots d'exploration distribués à l'aide de frameworks de robots d'exploration commerciaux à grande échelle.

2. Caractéristiques de la structure de données ndarray dans Numpy, types de données pris en charge par numpy, méthodes de création de tableaux intégrées, opérateurs arithmétiques, produits matriciels, auto-incrémentation et auto-décrémentation, fonctions générales et fonctions d'agrégation, découpage. Mécanismes d'indexation, de vectorisation et de diffusion ndarray, familier avec l'utilisation courante de Numpy, l'un des trois outils d'analyse de données les plus puissants, familier avec les caractéristiques et les opérations courantes des structures de données ndarray, maîtrisant les opérations telles que le découpage, l'indexation et les opérations matricielles pour les tableaux ndarray de différentes dimensions.

3. Les trois principales structures de données dans Pandas, y compris les concepts et utilisations de base des objets Dataframe, Series et Index, le remplacement et la suppression des objets d'index, les méthodes arithmétiques et d'alignement des données, le nettoyage des données et la régularisation et la structure des données. Conversion, familier avec l'utilisation courante de Pandas, l'un des trois principaux outils d'analyse de données, familier avec l'utilisation des trois principaux objets de données dans Pandas et capable d'utiliser Pandas pour effectuer le nettoyage des données, la conversion de format et les données les plus importantes. travail de régularisation dans l'analyse des données et Pandas pour le traitement des fichiers Méthodes de lecture et d'exploitation.

4. Système de structure à trois couches Matplotlib, dessin de divers types de graphiques courants tels que des graphiques linéaires, des graphiques à barres, des graphiques à barres empilés, des diagrammes circulaires, ajout de légendes, de texte et de marquages, enregistrement de fichiers visuels et devenir Familiarisé avec les données Analysez les utilisations courantes de Matplotlib, l'un des trois principaux outils, familiarisez-vous avec la structure à trois couches de Matplotlib et soyez capable d'utiliser habilement Matplotlib pour dessiner divers graphiques d'analyse de données courants. Être capable d'utiliser de manière exhaustive divers outils d'analyse et de visualisation de données enseignés dans le cours pour réaliser des projets pratiques à grande échelle tels que l'analyse et la prévision des données boursières, l'analyse des données des groupes d'utilisateurs de vélos partagés et l'analyse des données de l'indice mondial de bonheur.

Phase 4 : Apprentissage automatique et intelligence artificielle

Objectifs de la phase :

1. Comprendre les concepts de base et les procédures de traitement du système liés à l'apprentissage automatique<.>

2. Être capable d'appliquer habilement divers modèles d'apprentissage automatique courants pour résoudre des problèmes de formation et de test d'apprentissage supervisé et d'apprentissage non supervisé, et résoudre des problèmes de régression et de classification

3. Modèles d'algorithmes de régression, tels que KNN, arbre de décision, forêt aléatoire, K-Means, etc.

4. Maîtrisez la façon dont les réseaux de neurones convolutifs gèrent les problèmes de reconnaissance d'images et de langage naturel, et familiarisez-vous avec les tenseurs en profondeur cadre d'apprentissage TF, session, modèle d'optimisation de gradient, etc.

5. Maîtriser le mécanisme de fonctionnement du réseau neuronal convolutif d'apprentissage profond et être capable de personnaliser la couche de convolution, la couche de pooling et la couche FC pour compléter la reconnaissance d'image , reconnaissance des polices manuscrites, reconnaissance du code de vérification, etc. Projets pratiques d'apprentissage en profondeur réguliers

Points de connaissance :

1. Algorithmes d'apprentissage automatique courants, utilisation d'ensembles de données Sklearn, extraction de fonctionnalités de dictionnaire, fonctionnalité de texte. extraction, normalisation, standardisation, composants principaux des données Analyser l'ACP, l'algorithme KNN, le modèle d'arbre de décision, la forêt aléatoire, la régression linéaire et les modèles et algorithmes de régression logistique. Être familier avec les concepts de base liés à l'apprentissage automatique, maîtriser le flux de travail de base de l'apprentissage automatique, être familier avec l'ingénierie des fonctionnalités et être capable d'utiliser divers modèles d'algorithmes d'apprentissage automatique courants pour résoudre des problèmes tels que la classification, la régression et le clustering.

2. Concepts de base liés à Tensorflow, graphique de flux de données TF, session, tenseur, visualisation du tensorboard, modification du tenseur, lecture de fichiers TF, utilisation du playround Tensorflow, structure du réseau neuronal, calcul de convolution, fonction d'activation Calcul et couche de pooling concevoir, maîtriser les différences et les exercices avant le machine learning et le deep learning, maîtriser le workflow de base du deep learning, maîtriser les niveaux structurels et les caractéristiques des réseaux de neurones, maîtriser l'utilisation des tenseurs, des structures graphiques, des objets OP, etc. Familier avec le design de la couche d'entrée, de la couche de convolution, de la couche de pooling et de la couche entièrement connectée, et a complété l'ensemble du processus de projets d'apprentissage en profondeur courants tels que la reconnaissance de code de vérification, la reconnaissance d'image et la reconnaissance d'entrée d'écriture manuscrite.