&b&我是辛勤的搬运工！ O(∩_∩)O~&/b&&br&&br&+++++++++++++++++&br&&br&&b&培训&/b&&br&&br&想到就要去做，我们楼下就有一个电脑培训中心。我告诉他们，我要学C#，问要多少钱？答案让我吃了一惊，“我们教不了”。&br&&br&“你们不是电脑培训吗？”我有点迷茫。&br&“你这是程序，我们是教打字上网办公软件的”，小姑娘挺无辜。&br&“那，那，那我到哪里可以学？”&br&“吧啦吧啦……”&br&&br&我回到办公室，觉得这个问题可能和我想得有点不一样。怎么办？万能的百度啊（那时候我真不知道百度Google的区别）！结果出来了，哦，原来还是有几家培训机构的，但哪一家好呢？&br&&br&我灵机一动，挨个给这些培训机构打电话，“喂，xx中心吗？我是xxx公司，想招几个程序员，你们能不能推荐几个？”然后一水一水的年轻小伙子就来了，我怎么面试呢？没面试，就做题。题从哪里来？万能的百度呀！&br&&br&被我欺骗的程序员同学们，原谅我吧。 但你们也真得反省一下，就我一份从百度上搜到的烂大街的题目，你们都答不出来，你们究竟有没有认真准备一下面试？&br&&br&我也懒得对答案了，很多人一片一片的空白。很明显，答得最多的胜出！就这家了。&br&&br&我打电话询问，“你们学费要多少？”&br&“我们一共学完，是两万三千多的样子。”电话里妹子的声音很温柔。&br&“你们怎么不去抢啊！”我喷她一脸的口水！当然，只是在心里。这不符合我温文尔雅的形象嘛！我反应这么强烈，是因为之前我心里一直以为就应该是七八百两三千的样子。两万，已经以万为计价单位了，我装一套房子报价也才两万块！&br&整理了一下思路，再问，“要学多久呢？”&br&“两年。我们三个学期，第一个学期半年，第二个学期半年，第三学期一年……”&br&&br&我的心里的怒火熄灭了，但心也变得冰凉冰凉的一片。&br&&br&这时候，我已经毕业五年了：一事无成！更重要的是，我是输得一事无成，我是从九天之上被打落凡尘。更更重要的是，我不是被命运被别人打落凡尘，我是自己一路折腾把自己玩死的。我像一个输红了眼的赌徒，我要把所有失去的再一把赢回来。现在你告诉我，要上场，你就还得再等两年？&br&&br&短暂的失神之后，我咬了咬牙，一股子倔劲又上来了，“我认准了的事，刀山火海都得上！”&br&&br&我来到培训中心，考察了一下他们的课程，然后说了我的方案，“我就学中间这一学期”。这样我就只需要半年的时间了。接待我的老师大吃一惊，“你这样不行的！你跟不上进度怎么办？我们没办法给你文凭……”&br&&br&“我什么都不要！你就把我当成个旁听生就行了，学成学不成都不怨你！”我大手一挥，气壮山河。&br&&br&然后，我关了公司，卖掉了汽车，背起了书包，和一大帮毛头小子坐在一起，开始了我的编程之路。&br&&br&真 心坑爹啊！说起来都是泪……我一个文科生，从中间开始学编程，这是一种神马体验？是“坐飞机”的体验呀！我26年的人生中，第一次体会到什么叫“上课坐飞 机”：老师讲的每一个字我都听得懂，但连在一起我就什么都不懂，完全不懂他在说什么。上机好一点，我TM至少知道开机。当然，除了开机我其他什么都不会 了。&br&&br&怎么办？就俩字：硬啃！首先我找同学借来他们第一学期的书，从第一页开始学。中间不懂的就网上搜，向同学老师问。培训班课程是一周三天，我就一周七天的赶！&br&&br&实事求是的说，现在真的是一个非常好的时代。任何知识，只要你想学，总是能找到无数的资源——互联网带来了太多的便利。我很快就知道了csdn、cnblogs之类的网站，问的问题很快就会有答复。&br&&br&我以一种肉眼可见的速度快速成长，上课我可以举手回答所有同学都回答不了的问题，csdn上我也可以回答问题赚点积分，现在都还记得csdn上得了第一课小星星时候的兴奋和激动。&br&&br&一眨眼，我的半年培训就结束了。是该找个地方试试手了！&br&&br&&b&软考&/b&&br&&br&稍稍修饰一下简历（就不要写自己是装饰公司的老板了，就公司的网站维护吧）。为什么要转行？兴趣，完全是对代码无限的热爱驱使我走到今天！唉，不知道是不是类似的话说多了，有时候我自己都相信了。&br&&br&所以，给各位HR一个小小的建议，一些敏感问题，问一问听一听就行了，千万别当真。能力尚可，要价不高，就可以了。态度热情之类的东西，谁知道呢？&br&&br&我 很快骗到了第一份工作。一家游戏公司，要招一个人给他们公司做个网站。老板开始应该没看上我，第二天我就打了个电话，非常诚恳的表示我非常看好他们的事 业，非常的喜欢这份工作——老板心一软，就答应了。（就这么简单，面试之后打一个电话，你的求职成功率至少增加五成！可是很少有人这么做。）&br&&br&工作比较清闲，因为他们都还忙着开发游戏呢。而我，就开始了我的另一个重大工程，准备软考（详见：&a class=& wrap external& href=&//link.zhihu.com/?target=http%3A//baike.baidu.com/view/8895.htm%3Ffromtitle%3D& target=&_blank& rel=&nofollow noreferrer&&计算机技术与软件专业技术资格（水平）考试&/a&）。&br&&br&进入这家公司之后，就知道了行业内对培训毕业生的歧视。此时的我，对于歧视，没有什么太多的情绪，唯一需要弄明白的是，为什么会有这种歧视？面对这种歧视，我应该做些什么，我可以做些什么？&br&&br&同 时在实际的学习工作中也发现了自己的不足，有些资料文档自己还是看不懂，我干脆就把这个问题原原本本的扔到网上。大概是“IT培训班毕业生接下来的路怎么 走”之类的，终于网上有人告诉我，培训几乎都是以实用为目的，缺乏“基础”教育，所以我要想提高的话，最好能去参加一次软考，过了软考怎么怎么牛B之类 的。&br&&br&和司法考试一样，软考也是有指定教材的；和司法资格考试不一样的是，这个教材是根本看不懂的！我又在网上下载了视频，没用，吧啦吧啦 讲的些什么东西啊？本来热情高涨的信心被哗的泼了一瓢冷水，看着那些什么树啊、图啊、状态机之类的东西，一种无力感悄悄的从心里升起，随之而来的就是困顿 彷徨。&br&&br&公司在郊区，所以平时我们都住在公司的宿舍里。每天晚上，我都出去跑步，在没人的马路边上跑啊跑啊，眼前是昏昏沉沉的夜色，寂静的 夜里能听到我的喘息和虫儿的鸣叫，迎面而来的风似乎吹走了那些烦躁焦虑，身体的疲乏反而能让我的思路更加清明——我已经没有退路，只能向前，向前，跑步向 前。&br&&br&不就是个软考吗？别说你是块硬骨头，就是块石头，我也要把你啃下来！啃不下你，我就把我一口牙一口血给你！！！&br&&br&我真的是疯了！现在写下这段文字，我的双手都还止不住的颤抖——那种绝望和力量，就像被逼入绝境的野兽，亮起它的獠牙。&br&&br&我 慢慢的明白，我之所以看不懂软考教材，是因为这教材里的每一个章节，都是大学计算机专业里的一门课程。这个教材，更像是一个大纲一个提炼总结，是给那些已 经学过了《计算机基础和原理》、《编译原理》、《数据结构和算法》……的大学毕业生作为考前复习资料看的。所以，我要做的，就是先把这些所有的课程学一 遍。&br&&br&这家公司没有我想要的东西，我果断辞职，全身心的投入，备战软考。我来到图书馆，因为这里的书够多。比如数据结构，这本书我看不懂， 我就再找一本，还看不懂，我就再找一本……总有一本书，能用我懂的语言，告诉我这究竟是怎么一回事！一本不行就两本，两本不行就三本……空荡荡的图书馆 里，我有一种进入了金庸武侠世界，博采众长，修炼高深武学的感觉。这种感觉不断的刺激着我的肾上腺素分泌，那种日夜不止的亢奋，直到今日，我都再也没有能 体验到过。&br&&br&但人终不能胜天，虽然我尽了我最大的努力，但时间还是太紧了。“这一次肯定不成了”，我苦笑着告诉我家人，“身经百‘考’，我好歹也要‘挂’一次才是圆满啊！”但说这话时，我的心里却没有太多的情绪。或许，真的开始明白那句很俗套的话，“努力过，奋斗过，也就够了！”&br&&br&没有想到的是，这一次，老天给我开了挂！试卷泄密，考期推迟。你能感受到我知道这个消息之后的心情吗？老天都帮我，我TM不整出点响来我对得起谁？&br&&br&走出考场，我就知道，这次我肯定过了。成绩出来，我一样的冒出合格线一大截。我开了一瓶红酒，和家人一起庆祝这次胜利。&br&&br&我 是真的高兴，比高考司考过了都高兴。在没有任何基础的情况下，我用4个月的时间，完成了大学四年的教程，一次性的通过了据说很多计算机专业毕业生都通不过 的软考！我像狼一样的嚎叫，我泪流满面咬牙切齿的叫嚣，“就算我以后一辈子都是个笑话，我有这一次证明就够了！就够了！”&br&&br&十年磨一剑，重剑已经成型！&br&&br&+++++++++++++++++++++++++&br&&br&&i&不断的有同学问我究竟是怎么做到的。我想，最主要的，应该是压力，是那种强大的压力激发了我的全部潜力。当时，我已经毕业六年，创业失败公司破产，“不务正业瞎折腾”的冷言冷语变成血淋淋的现实；老婆挺着大肚子，我不想我的孩子一睁眼就看到一个落魄潦倒的父亲……&br&&br&“穷寇莫追”，因为没有退路的人是最可怕的！&br&&/i&&br&+++++++++++++++++++++++++&br&&br&&b&再战上海滩&/b&&br&&br&接 下来的日子特别忙碌而甜蜜，因为我家的小天使诞生了。这个新生命的降生，让我第一次对生命满怀敬畏。从此我就不再是为一个人而活，从此就有那么一个可爱的 小精灵，她把你当成天当成地，当成英雄当成玩伴当成牵挂。所以后来，我看YY小说，“推倒”都迅速略过，最烂俗的“下崽儿”还看得津津有味。是啊，穿越到 这个世界，直到当了爸爸，才证明你在这个世界扎下了根，这个世界才不再是一场游戏一场梦。&br&&br&“男人啊，等他娶了婆姨生了娃儿，就自然有个定性了。”这句我常常取笑的台词，原来是真的。人，真的可以一夜成熟！&br&&br&很抒情，是吧？但抒情不能当饭吃，我这个无业人员也得给孩子挣点奶粉钱表示表示啊！一转眼就过了春节，我决定再到上海去看看。&br&&br&“纸上得来终觉浅”，有了上一次创业的血泪教训，这一次我一定要脚踏实地一步一个脚印的把这门核心技术学到家。闭门造车是绝对不行的，只有大上海，才有足够多的机会让我能接触高人开阔视野。（&a href=&http://www.zhihu.com/question//answer/?group_id=373952& class=&internal&&三线城市做软件开发的与大城市的差距有多大？ - 自由飞的回答&/a&）&br&&br&所以，就像一个出门求学的游子，我告别了我三个月大的小女儿，再一次踏上了漫漫征途。&br&&br&到 上海的第一个感觉就是这里的互联网非常发达，从机场到市区的路上，我就看见了好几个大概是订餐网站之类的大幅广告牌。找工作自然也是通过网络，“海投” （就是不看招聘要求大量的投递）呗。招人的公司太多了，实在看不过来。然后就挨家挨家的面试，因为抱着见世面交朋友的想法，我一点都不急，各种各样的公司 我都去看一下，至少可以看看他们的装修风格嘛。说实话，就连装修，上海都比我们那里高出一大截。我在心里叹气，“见识啊见识啊！”&br&&br&第一份工作来得十分搞笑。去了之后，简单聊了几句，给我两页纸一支笔，做题吧！咦，这些题好眼熟？我就挨个挨个的答吧，答到第二页，面试官走过来，“哦，答了这 么多了？后面的就算了吧。”继续谈，“期望薪资多少？”我记得好像最后谈成3500。第二天入职报到，一周过后，我终于证实，面试我的人根本就不懂技术， 他就一美工，面试题都是网上随便下载的。让人不由得感概命运的神奇——要知道一年前，我就是这样挑培训机构的，哈哈哈！&br&&br&我开始了我真正意 义上的程序员工作——从切图开始。这是一个移民中介公司（不知道面试时我的准备出国留学经历有没有给我加分），我属于市场部，负责网络推广中的技术支持。 公司就我一个程序员，另外一个是美工，基本上也就能把效果图做出来而已。大概差不多切了两星期的图，陆陆续续就有一些简单的开发任务。没有人可以帮我，任 务扔过来，我就得想办法把他弄出来。经常弄起性子来就忘了下班，反正一个人在上海，晚高峰地铁挤得要死，回家还是看书。&br&&br&上海的天黑得早，走出办公室，外面已是一片灯火辉煌。忙完了一天的工作，回家的路上，塞上耳塞，百听不厌的歌声就响了起来：&br&&br&“&br&曾经多少次跌倒在路上&br&曾经多少次折断过翅膀&br&如今我已不再感到彷徨&br&我想超越这平凡的奢望&br&……&br&”&br&&br&伴着旋律的行走有一种特别的感受，仿佛在云端。&br&&br&慢慢的，对代码就有了感情。那是一种操控感，给人一种成神的幻觉——是的，在代码的世界里，你就是神。你制定这个世界的规则，你操控一切，你赋予代码生命和 灵性，一个个字母从你的指尖流出，像一个个跳跃的音符。尤其是当办公室里后排的美眉，一次聊天时有些好奇有些崇拜的问我，“看到你一天到晚就在键盘上敲呀 敲呀，完全看不懂的东西，你是怎么弄懂的？”百分之两百的爽爆了，有木有？！&br&&br&&b&炒鱿鱼&/b&&br&&br&但很快，我发现这里有 点喂不饱我了。工作虽说不是游刃有余，但也基本胜任了；关键是周围没高手没氛围啊，纯粹一手工作坊的感觉。我千里迢迢到上海，就为了这样一份工作，不值得 啊！但考虑到“频繁跳槽”好像不太好，就将就待满一年吧，自己也趁机再夯实一下基础。我这样打算着。&br&&br&但很快发生的一件事打乱了我的部署。一次部门开会，我和老大吵架了，拍了桌子摔了门。老大涵养很好，后来找我谈了次话，反正意思传达到，误会误会冰释前嫌；我其实没把这当回事，就顺驴下坡，赶紧认错道歉。老大还自掏腰包，请大家吃了个饭，把酒言欢，其乐融融啊！&br&&br&差不多十来天过后，老大的屠刀亮出来了。就在我试用期快满的前几天，“劝退”（这我当时学会的新名称，还挺委婉）。“哈哈哈哈”，我在心里仰天大笑，“小样儿，还挺阴险！”但脸上还要表现出正常的惊讶愤慨不甘悔恨羞愧的复杂表情，让他爽一把嘛！&br&&br&接下来办离职，人事的姐姐看着我就忍不住的笑，笑了一下午。“你有点同情心好不好？我被开了好不好？你笑得这么happy，让我情何以堪？”她笑得更欢了，“我实在忍不住，是你的表情太搞笑了！”咦，难道我装得不像？演员的自我修养还得要提高啊！&br&&br&些许蝇营狗苟魑魅魍魉，不值一提。但我比较心虚的是，我老婆过两天就要来上海了；她刚到上海，我就告诉她我被炒鱿鱼了？&br&&br&去 机场接她的时候买了一束花，老弟在旁边笑死了，“哥还挺浪漫！”其实我的心里，是一份愧疚和感动。很久很久以前，我追她的时候，她就很担心，“我们现在都 还在读书，以后毕业了找工作，谁知道能不能在一起？”我不以为然，“你担心这个干嘛？就这样，我一句话撂这里了，‘以后你去哪我就去哪！’”少女的心里满 满的踏实和安稳，一脸羞涩的让我握着她软软的小手。我牵着她的手，这些年却是东奔西走，我走到哪她就跟到哪，从来没有一句怨言。就像这一次，我知道她不想 来上海，但她知道我想来，于是她就来了。不知道她是否还记得我当年的承诺，但我记得，一辈子都会记得！&br&&br&作者：自由飞&br&链接：&a href=&https://www.zhihu.com/question//answer/& class=&internal&&《折腾》三卷：孕育 （初稿）哪里可以看到？ - 自由飞的回答&/a&&br&来源：知乎&br&著作权归作者所有，转载请联系作者获得授权。&br&&br&+++++++++++++++++&br&&br&又一次重温这些滚烫的文字，想起那往昔的峥嵘岁月，心潮涌动；&br&再一次的踏上漫漫征程，仿佛看到旌旗飞扬地动山摇，壮怀激烈！&br&愿所有过去的痛苦和光荣，赐予我前行的智慧和力量。&br&&br&—— 日夜&br&&br&&br&唉！没想到还是“转行做程序员”这一部分火爆。&br&知乎真的是码农一统江湖啊。&br&要干货的同学：&br&&br&自学入门：&br&&ul&&li&&a class=&internal& href=&https://www.zhihu.com/question//answer/&&如何转行（自学/培训）到IT/编程/互联网/软件开发/？&/a&&br&&/li&&li&&a class=&internal& href=&https://www.zhihu.com/question//answer/&&自学编程需要注意什么？&/a&&br&&/li&&li&&a class=&internal& href=&https://www.zhihu.com/question//answer/&&如何自学成为程序猿？&/a&&br&&/li&&/ul&对自学/培训程序员的看法：&br&&ul&&li&&a href=&//link.zhihu.com/?target=http%3A//www.cnblogs.com/freeflying/p/4796369.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&野生程序员：优先招聘&/a&&br&&/li&&li&&a class=&internal& href=&https://www.zhihu.com/question//answer/&&程序员歧视培训出身的（是不是这样？），那么同样歧视自学出身的人吗？&/a&&/li&&/ul&如果入门了，有兴趣提高：（其实现在就可以看，大部分是外行都能看得懂的）&br&&ul&&li&&a href=&https://zhuanlan.zhihu.com/project& class=&internal&&项目管理和架构之路 - 知乎专栏&/a&&br&&/li&&/ul&关心我所有过往的：&br&&ul&&li&&a href=&https://zhuanlan.zhihu.com/zheteng& class=&internal&&《折腾》 - 知乎专栏&/a&&/li&&/ul&
我是辛勤的搬运工！ O(∩_∩)O~ +++++++++++++++++ 培训 想到就要去做，我们楼下就有一个电脑培训中心。我告诉他们，我要学C#，问要多少钱？答案让我吃了一惊，“我们教不了”。 “你们不是电脑培训吗？”我有点迷茫。 “你这是程序，我们是教打字上网办公…
&figure&&img src=&https://pic3.zhimg.com/50/70ef384e2db9bbf1863c2_b.jpg& data-rawheight=&348& data-rawwidth=&580& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&https://pic3.zhimg.com/50/70ef384e2db9bbf1863c2_r.jpg&&&/figure&&br&为什么知乎不支持markdown语言&br&---&br&破百了就更新&br&---&br&&br&这货叫做 &strong&树莓派镜子&/strong&&br&他其实是由原子镜+LCD屏幕+树莓派+木头盒子 组成的&br&&figure&&img src=&https://pic2.zhimg.com/50/971a22a2_b.jpg& data-rawheight=&966& data-rawwidth=&580& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&https://pic2.zhimg.com/50/971a22a2_r.jpg&&&/figure&&br&我们先来说原子镜&br&&figure&&img src=&https://pic3.zhimg.com/50/c61ea80d0444_b.jpg& data-rawheight=&960& data-rawwidth=&576& class=&origin_image zh-lightbox-thumb& width=&576& data-original=&https://pic3.zhimg.com/50/c61ea80d0444_r.jpg&&&/figure&&br&&p&原子镜的学名其实叫做 &strong&单向透视玻璃&/strong&，但是在淘宝上搜 原子镜 这个关键词会好些&/p&&blockquote&&p&单面镜其实是“双面镜”，单面镜前后两面的光学性质根本没有分别，它之所以能产生单面反光的效果，完全是因为镜的两面处于不同光度的环境所造成的。我们先比较普通镜子和单面镜的结构。普通镜子是把银镀在玻璃上制成的。单面镜也一样，可是在镀银时就只会镀“一半”。怎样可以镀“一半”呢？方法倒是有点巧妙：镀上去的银(不是真银，是其他金属）十分薄，使一半的光可以通过，另一半就被反射回去。在实际使用时，犯人会面向镜面，而且身处有强光的房间。因为光线充足，反射的光较多，犯人便会在镜中看见自己的影象。此时证人站在镜的另一边，一个光线很微弱的房间里。虽然证人房间里部分的光线也可以穿过单面反光镜，但由于光度很低，所以犯人便看不到证人，只能看到自己的影像。情形就好像在街灯的强光下，我们不能看见萤火虫一样，因为来自萤火虫的微弱光线被街灯的光所盖过了。因此所谓单面反光的现象，只是视觉上的错觉罢了！ (摘自百度百科)&/p&&/blockquote&&p&原子镜广泛应用于监狱、公检法机构审讯室、精神病医院、大学科研机构研究室、大型会议室等，可达到里面看不到外面，外面可看到里面的效果。&/p&&br&比如 审讯室&br&&figure&&img src=&https://pic2.zhimg.com/50/9a6d208fd1cbde30c0df669e_b.jpg& data-rawheight=&474& data-rawwidth=&800& class=&origin_image zh-lightbox-thumb& width=&800& data-original=&https://pic2.zhimg.com/50/9a6d208fd1cbde30c0df669e_r.jpg&&&/figure&&br&还有外国人的街头公厕&br&&figure&&img src=&https://pic4.zhimg.com/50/dd10dbbdbb16ac67a8c5_b.jpg& data-rawheight=&374& data-rawwidth=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic4.zhimg.com/50/dd10dbbdbb16ac67a8c5_r.jpg&&&/figure&&br&&p&这种厕所上起来感受应该比较刺激&/p&&p&当然还有应用于酒(tou)店(pai)的，所以在网上也有很多卖小尺寸的原子镜，一般是10x10cm的一块10块钱，我这个是12x14cm的也是10块钱，但是邮费就要20，所以很划不来，据说现在有种单透膜，可以达到同样的效果，没有研究过。&/p&&p&接下来说 LCD屏幕&/p&&p&我使用的是&a href=&//link.zhihu.com/?target=http%3A//www.waveshare.net/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深圳微雪公司&/a&出的4英寸LCD屏，这个屏幕用起来很方便，直接插起来就可以用&/p&&br&正面&br&&figure&&img src=&https://pic2.zhimg.com/50/2d7e7c97ccecaf2c2251c_b.jpg& data-rawheight=&768& data-rawwidth=&1024& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&https://pic2.zhimg.com/50/2d7e7c97ccecaf2c2251c_r.jpg&&&/figure&&br&反面&br&&figure&&img src=&https://pic2.zhimg.com/50/fa58257eaeaf_b.jpg& data-rawheight=&768& data-rawwidth=&1024& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&https://pic2.zhimg.com/50/fa58257eaeaf_r.jpg&&&/figure&&br&和树莓派合体&br&&figure&&img src=&https://pic2.zhimg.com/50/db666ce6706723bbf18eb92_b.jpg& data-rawheight=&768& data-rawwidth=&1024& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&https://pic2.zhimg.com/50/db666ce6706723bbf18eb92_r.jpg&&&/figure&&br&效果&br&&figure&&img src=&https://pic3.zhimg.com/50/fa165b668e1b7e45309c87e_b.jpg& data-rawheight=&710& data-rawwidth=&946& class=&origin_image zh-lightbox-thumb& width=&946& data-original=&https://pic3.zhimg.com/50/fa165b668e1b7e45309c87e_r.jpg&&&/figure&&br&&p&&a href=&//link.zhihu.com/?target=http%3A//www.waveshare.net/shop/4inch-RPi-LCD-A.htm& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这块屏幕更详尽的介绍&/a&&/p&&p&然后树莓派&/p&&p&感觉这货没什么好说的，大家应该都知道，稍微说一下&/p&&blockquote&&p&这是一个迷人有趣的Linux电脑&/p&&/blockquote&&br&&blockquote&&p&树莓派（为学生计算机编程教育设计的一种卡片式电脑）编辑 Raspberry Pi(中文名为“树莓派”,简写为RPi，或者RasPi/RPi)是为学生计算机编程教育而设计，只有信用卡大小的卡片式电脑，其系统基于Linux。 随着Windows 10 IoT的发布，我们也将可以用上运行Windows的树莓派。 自问世以来，受众多计算机发烧友和创客的追捧，曾经一“派”难求。别看其外表“娇小”，内“心”却很强大，视频、音频等功能通通皆有，可谓是“麻雀虽小，五脏俱全”。&/p&&/blockquote&&br&&blockquote&&p&树莓派由注册于英国的慈善组织“Raspberry Pi 基金会”开发，Eben·Upton/埃·厄普顿为项目带头人。2012年3月，英国剑桥大学埃本·阿普顿（Eben Epton）正式发售世界上最小的台式机，又称卡片式电脑，外形只有信用卡大小，却具有电脑的所有基本功能，这就是Raspberry Pi电脑板，中文译名&树莓派&。这一基金会以提升学校计算机科学及相关学科的教育，让计算机变得有趣为宗旨。基金会期望这 一款电脑无论是在发展中国家还是在发达国家，会有更多的其它应用不断被开发出来，并应用到更多领域。在2006年树莓派早期概念是基于Atmel的 ATmega644单片机，首批上市的10000“台”树莓派的“板子”，由中国台湾和大陆厂家制造。&/p&&/blockquote&&p&树莓派名字中的pi其实指的就是 &strong&python&/strong&&/p&所以我选择了 &strong&python&/strong& 作为 镜子的编程语言&p&那么说说我用python在这上面干了些什么&/p&&p&事实上最开始我的策略使用一个全屏的网页浏览器显示一个 &strong&黑底白字&/strong& 的网站&/p&&p&可是坑爹的是 我更不不会web技术&/p&&p&然后我就打算要不试试python吧，本来还觉得不爽又要新学一门语言&/p&但是&p&python给我很大的惊喜&/p&&p&我并没有学习python的语法，而是看了两个例子就直接使用tkinter库开始编程&/p&&p&这就是python的优势： &strong&简单&/strong&&/p&&p&接触python到用tk写出第一个的界面，只用了1个小时的时间&/p&&p&就是一开始那个环形显示时间那个&/p&&p&对于准大一新生来说，不管是python的语法还是库的使用都很容易，所以python很适合用来入门&/p&&p&我甚至打算教我的女朋友(nue)(gou)&/p&&br&接着我结合百度的天气API，pm2.5API等开发了一些其他界面&br&&figure&&img src=&https://pic2.zhimg.com/50/7e00f7c59c121fd667d8b1d73105db25_b.jpg& data-rawheight=&362& data-rawwidth=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic2.zhimg.com/50/7e00f7c59c121fd667d8b1d73105db25_r.jpg&&&/figure&&br&&p&所有的界面都是黑底白字。&/p&&br&我觉得镜子展现的内容就应该简洁，所以界面上只有 数字 文字 线条 3个元素&br&&figure&&img src=&https://pic4.zhimg.com/50/9b05cbfdd8a78f137c57b1a_b.jpg& data-rawheight=&773& data-rawwidth=&580& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&https://pic4.zhimg.com/50/9b05cbfdd8a78f137c57b1a_r.jpg&&&/figure&&br&后来我觉得只是这样太死气了&br&&figure&&img src=&https://pic1.zhimg.com/50/3cffbe7bd77a9db3fd09433_b.jpg& data-rawheight=&435& data-rawwidth=&580& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&https://pic1.zhimg.com/50/3cffbe7bd77a9db3fd09433_r.jpg&&&/figure&&br&&p&所以我开发了一个类，能让这些元素拥有动画效果，并且能让 Pm2.5 天气 时间 我和女朋友在一起了多少秒 等等 这些信息能够随机的在镜子上淡入淡出&/p&&br&最后我想，如果一定要跟镜子交互，那么语音应该是最好的选择，不然就是用智能手机链接镜子&br&&figure&&img src=&https://pic2.zhimg.com/50/c9f692d69_b.jpg& data-rawheight=&966& data-rawwidth=&580& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&https://pic2.zhimg.com/50/c9f692d69_r.jpg&&&/figure&&br&&p&我是比较偏向语音这个选择，因为这将会是一种新式的交互体验，就跟童话里的魔镜一样，我对这个镜子的定位是一个外形比较骚的公众信息聚合平台，所以语音相对于手机来说，更方便，而对于这样一个定位来讲，方便很重要，试想你在酒店想要找厕所，然后你问魔镜 ’魔镜魔镜，厕所在哪‘ 是不是比掏出手机链结魔镜，然后再用某种低效的输入进行交互方便的多？&/p&&p&再说百度等都有开放的API可以用何乐而不为？&/p&&p&所以下一步的目标就是把语音的功能开发出来，目前卡在了语音采集这个问题上。&/p&&p&还希望大神多指教&/p&&p&停更&/p&
为什么知乎不支持markdown语言 --- 破百了就更新 --- 这货叫做 树莓派镜子 他其实是由原子镜+LCD屏幕+树莓派+木头盒子 组成的 我们先来说原子镜 原子镜的学名其实叫做 单向透视玻璃，但是在淘宝上搜 原子镜 这个关键词会好些单面镜其实是“双面镜”，单面镜…
&figure&&img src=&https://pic2.zhimg.com/v2-c9bec095e743a736fbb9afb_b.jpg& data-rawwidth=&600& data-rawheight=&600& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic2.zhimg.com/v2-c9bec095e743a736fbb9afb_r.jpg&&&/figure&&p&&b&书籍名称：&/b&精通Python网络爬虫&/p&&p&&b&书籍定位：&/b&Python网络爬虫初学者&/p&&figure&&img src=&https://pic1.zhimg.com/v2-af7e7ee7c0eb35d13a271a_b.jpg& data-rawwidth=&990& data-rawheight=&1638& class=&origin_image zh-lightbox-thumb& width=&990& data-original=&https://pic1.zhimg.com/v2-af7e7ee7c0eb35d13a271a_r.jpg&&&/figure&&p&&b&书籍简介：&/b&&/p&&p&　本书从技术、工具与实战3个维度讲解了Python网络爬虫： &br&　技术维度：详细讲解了Python网络爬虫实现的核心技术，包括网络爬虫的工作原理、如何用urllib库编写网络爬虫、爬虫的异常处理、正则表达式、爬虫中Cookie的使用、爬虫的浏览器伪装技术、定向爬取技术、反爬虫技术，以及如何自己动手编写网络爬虫； &br&　工具维度：以流行的Python网络爬虫框架Scrapy为对象，详细讲解了Scrapy的功能使用、高级技巧、架构设计、实现原理，以及如何通过Scrapy来更便捷、高效地编写网络爬虫； &br&　实战维度：以实战为导向，是本书的主旨，除了完全通过手动编程实现网络爬虫和通过Scrapy框架实现网络爬虫的实战案例以外，本书还有博客爬取、图片爬取、模拟登录等多个综合性的网络爬虫实践案例。 &br&　作者在Python领域有非常深厚的积累，不仅精通Python网络爬虫，在Python机器学习、Python数据分析与挖掘、Python Web开发等多个领域都有丰富的实战经验。&/p&&p&&b&作者简介：&/b&&/p&&p&韦玮，资深网络爬虫技术专家、大数据专家和软件开发工程师，从事大型软件开发与技术服务多年，现任重庆韬翔网络科技有限公司创始人兼CEO，国家专利发明人。 &br&精通Python技术，在Python网络爬虫、Python机器学习、Python数据分析与挖掘、Python Web开发等多个领域都有丰富的实战经验。 &br&CSDN、51CTO、天善智能等科技类社区和媒体的特邀专家和讲师，输出了大量的高质量课程和文章，深受用户喜爱。&/p&&p&&b&书籍目录：&/b&&/p&&p&前　言 &br&第一篇　理论基础篇 &br&第1章　什么是网络爬虫 3 &br&1.1　初识网络爬虫 3 &br&1.2　为什么要学网络爬虫 4 &br&1.3　网络爬虫的组成 5 &br&1.4　网络爬虫的类型 6 &br&1.5　爬虫扩展——聚焦爬虫 7 &br&1.6　小结 8 &br&第2章　网络爬虫技能总览 9 &br&2.1　网络爬虫技能总览图 9 &br&2.2　搜索引擎核心 10 &br&2.3　用户爬虫的那些事儿 11 &br&2.4　小结 12 &br&第二篇　核心技术篇 &br&第3章　网络爬虫实现原理与实现技术 15 &br&3.1　网络爬虫实现原理详解 15 &br&3.2　爬行策略 17 &br&3.3　网页更新策略 18 &br&3.4　网页分析算法 20 &br&3.5　身份识别 21 &br&3.6　网络爬虫实现技术 21 &br&3.7　实例——metaseeker 22 &br&3.8　小结 27 &br&第4章　Urllib库与URLError异常处理 29 &br&4.1　什么是Urllib库 29 &br&4.2　快速使用Urllib爬取网页 30 &br&4.3　浏览器的模拟——Headers属性 34 &br&4.4　超时设置 37 &br&4.5　HTTP协议请求实战 39 &br&4.6　代理服务器的设置 44 &br&4.7　DebugLog实战 45 &br&4.8　异常处理神器——URLError实战 46 &br&4.9　小结 51 &br&第5章　正则表达式与Cookie的使用 52 &br&5.1　什么是正则表达式 52 &br&5.2　正则表达式基础知识 52 &br&5.3　正则表达式常见函数 61 &br&5.4　常见实例解析 64 &br&5.5　什么是Cookie 66 &br&5.6　Cookiejar实战精析 66 &br&5.7　小结 71 &br&第6章　手写Python爬虫 73 &br&6.1　图片爬虫实战 73 &br&6.2　链接爬虫实战 78 &br&6.3　糗事百科爬虫实战 80 &br&6.4　微信爬虫实战 82 &br&6.5　什么是多线程爬虫 89 &br&6.6　多线程爬虫实战 90 &br&6.7　小结 98 &br&第7章　学会使用Fiddler 99 &br&7.1　什么是Fiddler 99 &br&7.2　爬虫与Fiddler的关系 100 &br&7.3　Fiddler的基本原理与基本界面 100 &br&7.4　Fiddler捕获会话功能 102 &br&7.5　使用QuickExec命令行 104 &br&7.6　Fiddler断点功能 106 &br&7.7　Fiddler会话查找功能 111 &br&7.8　Fiddler的其他功能 111 &br&7.9　小结 113 &br&第8章　爬虫的浏览器伪装技术 114 &br&8.1　什么是浏览器伪装技术 114 &br&8.2　浏览器伪装技术准备工作 115 &br&8.3　爬虫的浏览器伪装技术实战 117 &br&8.4　小结 121 &br&第9章　爬虫的定向爬取技术 122 &br&9.1　什么是爬虫的定向爬取技术 122 &br&9.2　定向爬取的相关步骤与策略 123 &br&9.3　定向爬取实战 124 &br&9.4　小结 130 &br&第三篇　框架实现篇 &br&第10章　了解Python爬虫框架 133 &br&10.1　什么是Python爬虫框架 133 &br&10.2　常见的Python爬虫框架 133 &br&10.3　认识Scrapy框架 134 &br&10.4　认识Crawley框架 135 &br&10.5　认识Portia框架 136 &br&10.6　认识newspaper框架 138 &br&10.7　认识Python-goose框架 139 &br&10.8　小结 140 &br&第11章　爬虫利器——Scrapy安装与配置 141 &br&11.1　在Windows7下安装及配置Scrapy实战详解 141 &br&11.2　在Linux（Centos）下安装及配置Scrapy实战详解 147 &br&11.3　在MAC下安装及配置Scrapy实战详解 158 &br&11.4　小结 161 &br&第12章　开启Scrapy爬虫项目之旅 162 &br&12.1　认识Scrapy项目的目录结构 162 &br&12.2　用Scrapy进行爬虫项目管理 163 &br&12.3　常用工具命令 166 &br&12.4　实战：Items的编写 181 &br&12.5　实战：Spider的编写 183 &br&12.6　XPath基础 187 &br&12.7　Spider类参数传递 188 &br&12.8　用XMLFeedSpider来分析XML源 191 &br&12.9　学会使用CSVFeedSpider 197 &br&12.10　Scrapy爬虫多开技能 200 &br&12.11　避免被禁止 206 &br&12.12　小结 212 &br&第13章　Scrapy核心架构 214 &br&13.1　初识Scrapy架构 214 &br&13.2　常用的Scrapy组件详解 215 &br&13.3　Scrapy工作流 217 &br&13.4　小结 219 &br&第14章　Scrapy中文输出与存储 220 &br&14.1　Scrapy的中文输出 220 &br&14.2　Scrapy的中文存储 223 &br&14.3　输出中文到JSON文件 225 &br&14.4　小结 230 &br&第15章　编写自动爬取网页的爬虫 231 &br&15.1　实战：items的编写 231 &br&15.2　实战：pipelines的编写 233 &br&15.3　实战：settings的编写 234 &br&15.4　自动爬虫编写实战 234 &br&15.5　调试与运行 239 &br&15.6　小结 242 &br&第16章　CrawlSpider 243 &br&16.1　初识CrawlSpider 243 &br&16.2　链接提取器 244 &br&16.3　实战：CrawlSpider实例 245 &br&16.4　小结 249 &br&第17章　Scrapy高级应用 250 &br&17.1　如何在Python3中操作数据库 250 &br&17.2　爬取内容写进MySQL 254 &br&17.3　小结 259 &br&第四篇　项目实战篇 &br&第18章　博客类爬虫项目 263 &br&18.1　博客类爬虫项目功能分析 263 &br&18.2　博客类爬虫项目实现思路 264 &br&18.3　博客类爬虫项目编写实战 264 &br&18.4　调试与运行 274 &br&18.5　小结 275 &br&第19章　图片类爬虫项目 276 &br&19.1　图片类爬虫项目功能分析 276 &br&19.2　图片类爬虫项目实现思路 277 &br&19.3　图片类爬虫项目编写实战 277 &br&19.4　调试与运行 281 &br&19.5　小结 282 &br&第20章　模拟登录爬虫项目 283 &br&20.1　模拟登录爬虫项目功能分析 283 &br&20.2　模拟登录爬虫项目实现思路 283 &br&20.3　模拟登录爬虫项目编写实战 284 &br&20.4　调试与运行 292 &br&20.5　小结 294 &/p&&p&&b&京东正版购买入口：&a href=&https://link.zhihu.com/?target=https%3A//item.jd.com/.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&点击进入&/a&&/b&&/p&&p&======================================================================&/p&&blockquote&&p&作者：&b&韦玮&/b&&/p&&p&博客：&a href=&https://link.zhihu.com/?target=https%3A//ask.hellobi.com/blog/weiwei& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&韦玮 &/a&&/p&&/blockquote&
书籍名称：精通Python网络爬虫书籍定位：Python网络爬虫初学者书籍简介： 本书从技术、工具与实战3个维度讲解了Python网络爬虫： 技术维度：详细讲解了Python网络爬虫实现的核心技术，包括网络爬虫的工作原理、如何用urllib库编写网络爬虫、爬虫的异常处理…
&figure&&img src=&https://pic4.zhimg.com/v2-e190ac8ed1c8d32f1cc2deb48971ad0e_b.jpg& data-rawwidth=&596& data-rawheight=&405& class=&origin_image zh-lightbox-thumb& width=&596& data-original=&https://pic4.zhimg.com/v2-e190ac8ed1c8d32f1cc2deb48971ad0e_r.jpg&&&/figure&&blockquote&你一定能看懂的算法基础书 &br&代码示例基于Python &br&400多个示意图，生动介绍算法执行过程 &br&展示不同算法在性能方面的优缺点 &br&教会你用常见算法解决每天面临的实际编程问题 &/blockquote&&figure&&img src=&https://pic3.zhimg.com/v2-54cab21aa576c_b.png& data-rawwidth=&229& data-rawheight=&312& class=&content_image& width=&229&&&/figure&&p&本书易于理解，没有大跨度的思维跳跃，每次引入新概念时，都立即进行诠释，或者指出将在什么地方进行诠释。核心概念都通过练习和反复诠释进行强化，以便你检验假设，跟上步伐。&/p&&p&书中使用示例来帮助理解。我的目标是让你轻松地理解这些概念，而不是让正文充&/p&&h2&&strong&阅读路线图&/strong&&/h2&&p&本书前三章将帮助你打好基础。&/p&&ul&&li&&p&第1章：你将学习第一种实用算法——二分查找；还将学习使用大O表示法分析算法的速度。本书从始至终都将使用大O表示法来分析算法的速度。&/p&&/li&&li&&p&第2章：你将学习两种基本的数据结构——数组和链表。这两种数据结构贯穿本书，它们还被用来创建更高级的数据结构，如第5章介绍的散列表。&/p&&/li&&li&&p&第3章：你将学习递归，一种被众多算法（如第4章介绍的快速排序）采用的实用技巧。&/p&&/li&&/ul&&p&根据我的经验，大O表示法和递归对初学者来说颇具挑战性，因此介绍这些内容时我放慢了脚步，花费的篇幅也较长。&/p&&p&余下的篇幅将介绍应用广泛的算法。&/p&&ul&&li&&p&问题解决技巧：将在第4、8和9章介绍。遇到问题时，如果不确定该如何高效地解决，可尝试分而治之（第4章）或动态规划（第9章）；如果认识到根本就没有高效的解决方案，可转而使用贪婪算法（第8章）来得到近似答案。&/p&&/li&&li&&p&散列表：将在第5章介绍。散列表是一种很有用的数据结构，由键值对组成，如人名和电子邮件地址或者用户名和密码。散列表的用途之大，再怎么强调都不过分。每当我需要解决问题时，首先想到的两种方法是：可以使用散列表吗？可以使用图来建立模型吗？&/p&&/li&&li&&p&图算法：将在第6、7章介绍。图是一种模拟网络的方法，这种网络包括人际关系网、公路网、神经元网络或者任何一组连接。广度优先搜索（第6章）和狄克斯特拉算法（第7章）计算网络中两点之间的最短距离，可用来计算两人之间的分隔度或前往目的地的最短路径。&/p&&/li&&li&&p&K最近邻算法（KNN）：将在第10章介绍。这是一种简单的机器学习算法，可用于创建推荐系统、OCR引擎、预测股价或其他值（如“我们认为Adit会给这部电影打4星”）的系统，以及对物件进行分类（如“这个字母是Q”）。&/p&&/li&&li&&p&接下来如何做：第11章概述了适合你进一步学习的10种算法。&/p&&/li&&/ul&&p&各种符号。我还认为，如果能够回忆起熟悉的情形，学习效果将达到最佳，而示例有助于唤醒记忆。因此，如果你要记住数组和链表（第2章）之间的差别，只要想想在电影院找座位就坐的情形。另外，不怕你说我啰嗦，我是视觉型学习者，因此本书包含大量的图示。&/p&&p&本书内容是精挑细选的。没必要在一本书中介绍所有的排序算法，不然还要维基百科和可汗学院做什么。书中介绍的所有算法都非常实用，对我从事的软件工程师的工作大有帮助，还可为阅读更复杂的主题打下坚实的基础。祝你阅读愉快！&/p&&h2&目录&/h2&&a href=&http://link.zhihu.com/?target=http%3A//www.ituring.com.cn/tupubarticle/13074& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&第 1 章　算法简介&/a&&br&第 2 章　选择排序&br&第 3 章　递归&br&第 4 章　快速排序&br&第 5 章　散列表&br&第 6 章　广度优先搜索&br&第 7 章　狄克斯特拉算法&br&第 8 章　贪婪算法&br&第 9 章　动态规划&br&第 10 章　K最近邻算法&br&第 11 章　接下来如何做&br&练习答案
你一定能看懂的算法基础书 代码示例基于Python 400多个示意图，生动介绍算法执行过程 展示不同算法在性能方面的优缺点 教会你用常见算法解决每天面临的实际编程问题 本书易于理解，没有大跨度的思维跳跃，每次引入新概念时，都立即进行诠释，或者指出将在什…
&figure&&img src=&https://pic2.zhimg.com/v2-40ed962a451ad9cb862edb7bf525a931_b.jpg& data-rawwidth=&346& data-rawheight=&207& class=&content_image& width=&346&&&/figure&&p&大家好哈，我呢最近在学习Python爬虫，感觉非常有意思，真的让生活可以方便很多。学习过程中我把一些学习的笔记总结下来，还记录了一些自己实际写的一些小爬虫，在这里跟大家一同分享，希望对Python爬虫感兴趣的童鞋有帮助，如果有机会期待与大家的交流。&/p&&p&&strong&Python版本：2.7&/strong&&/p&&h2&一、爬虫入门&/h2&&p&1. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/927.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫入门一之综述&/a&&/p&&p&2. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/942.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫入门二之爬虫基础了解&/a&&/p&&p&3. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/947.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫入门三之Urllib库的基本使用&/a&&/p&&p&4. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/954.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫入门四之Urllib库的高级用法&/a&&/p&&p&5. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/961.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫入门五之URLError异常处理&/a&&/p&&p&6. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/968.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫入门六之Cookie的使用&/a&&/p&&p&7. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/977.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫入门七之正则表达式&/a&&/p&&h2&二、爬虫实战&/h2&&p&1. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/990.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战一之爬取糗事百科段子&/a&&/p&&p&2. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/993.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战二之爬取百度贴吧帖子&/a&&/p&&p&3. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2083.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战三之实现山东大学无线网络掉线自动重连&/a&&/p&&p&4. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/1001.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战四之抓取淘宝MM照片&/a&&/p&&p&5. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/1076.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战五之模拟登录淘宝并获取所有订单&/a&&/p&&p&6. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/1972.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战六之抓取爱问知识人问题并保存至数据库&/a&&/p&&p&7. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/997.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战七之计算大学本学期绩点&/a&&/p&&ol&&li&&a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2852.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战八之利用Selenium抓取淘宝匿名旺旺&/a&&/li&&/ol&&h2&三、爬虫利器&/h2&&p&1. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2556.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫利器一之Requests库的用法&/a&&/p&&p&2. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/1319.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫利器二之Beautiful Soup的用法&/a&&/p&&p&3. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2621.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫利器三之Xpath语法与lxml库的用法&/a&&/p&&p&4. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2577.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫利器四之PhantomJS的用法&/a&&/p&&p&5. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2599.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫利器五之Selenium的用法&/a&&/p&&p&6. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2636.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫利器六之PyQuery的用法&/a&&/p&&h2&四、爬虫进阶&/h2&&p&1. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2433.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫进阶一之爬虫框架概述&/a&&/p&&p&2. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2443.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫进阶二之PySpider框架安装配置&/a&&/p&&p&3. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/912.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫进阶三之爬虫框架Scrapy安装配置&/a&&/p&&p&4. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/2652.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫进阶四之PySpider的用法&/a&&/p&&p&5. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/3325.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫进阶五之多线程的用法&/a&&/p&&p&6. &a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/3335.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫进阶六之多进程的用法&/a&&/p&&ol&&li&&a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/3443.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫进阶七之设置ADSL拨号服务器代理&/a&&/li&&/ol&&p&目前暂时是这些文章，随着学习的进行，会不断更新哒，敬请期待~&/p&&p&希望对大家有所帮助，谢谢！&/p&&br&&p&------------------------&/p&&blockquote&&p&作者：崔庆才&/p&&p&个人博客：&a href=&https://link.zhihu.com/?target=http%3A//cuiqingcai.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&静觅丨崔庆才的个人博客&/a&&/p&&/blockquote&&p&崔老师视频教程推荐&/p&&p&Python3爬虫三大案例实战分享 &a href=&https://link.zhihu.com/?target=https%3A//edu.hellobi.com/course/156& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python3爬虫三大案例实战分享&/a&&/p&&p&微课录播 | 03月17日 爬取知乎所有用户详细信息 &a href=&https://link.zhihu.com/?target=https%3A//edu.hellobi.com/course/163& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&微课录播 | 03月17日 爬取知乎所有用户详细信息&/a&&/p&&p&课程源码：&/p&&p&今日头条：&a href=&https://link.zhihu.com/?target=https%3A//github.com/Germey/TouTiao& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Germey/TouTiao&/a&&/p&&p&淘宝美食：&a href=&https://link.zhihu.com/?target=https%3A//github.com/Germey/TaobaoProduct& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Germey/TaobaoProduct&/a&&/p&&p&猫眼电影：&a href=&https://link.zhihu.com/?target=https%3A//github.com/Germey/MaoYan& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Germey/MaoYan&/a&&/p&&p&知乎：&a href=&https://link.zhihu.com/?target=https%3A//github.com/Germey/Zhihu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Germey/Zhihu&/a&&/p&
大家好哈，我呢最近在学习Python爬虫，感觉非常有意思，真的让生活可以方便很多。学习过程中我把一些学习的笔记总结下来，还记录了一些自己实际写的一些小爬虫，在这里跟大家一同分享，希望对Python爬虫感兴趣的童鞋有帮助，如果有机会期待与大家的交流。Py…
&figure&&img src=&https://pic4.zhimg.com/v2-0a37cdd86578_b.jpg& data-rawwidth=&1176& data-rawheight=&664& class=&origin_image zh-lightbox-thumb& width=&1176& data-original=&https://pic4.zhimg.com/v2-0a37cdd86578_r.jpg&&&/figure&&blockquote&&p&&em&Python 可以说是现在最流行的机器学习语言，而且你也能在网上找到大量的资源。你现在也在考虑从 Python 入门机器学习吗？本教程或许能帮你成功上手，从 0 到 1 掌握 Python 机器学习，至于后面再从 1 到 100 变成机器学习专家，就要看你自己的努力了。本教程原文分为两个部分，机器之心在本文中将其进行了整合，原文可参阅：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/KUWgl& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&7 Steps to Mastering Machine Learning With Python&/a& 和 &a href=&https://link.zhihu.com/?target=http%3A//suo.im/96wD3& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&7 More Steps to Mastering Machine Learning With Python&/a&。本教程的作者为 KDnuggets 副主编兼数据科学家 Matthew Mayo。&/em&&br&&/p&&/blockquote&&p&「开始」往往是最难的，尤其是当选择太多的时候，一个人往往很难下定决定做出选择。本教程的目的是帮助几乎没有 Python 机器学习背景的新手成长为知识渊博的实践者，而且这个过程中仅需要使用免费的材料和资源即可。这个大纲的主要目标是带你了解那些数量繁多的可用资源。毫无疑问，资源确实有很多，但哪些才是最好的呢？哪些是互补的呢？以怎样的顺序学习这些资源才是最合适的呢？&br&&/p&&p&首先，我假设你并不是以下方面的专家：&br&&/p&&ul&&li&&p&机器学习&/p&&/li&&li&&p&Python&/p&&/li&&li&&p&任何 Python 的机器学习、科学计算或数据分析库&br&&/p&&/li&&/ul&&p&当然，如果你对前两个主题有一定程度的基本了解就更好了，但那并不是必要的，在早期阶段多花一点点时间了解一下就行了。&br&&/p&&p&&strong&基础篇&/strong&&br&&/p&&p&&strong&第一步：基本 Python 技能&/strong&&br&&/p&&p&如果我们打算利用 Python 来执行机器学习，那么对 Python 有一些基本的了解就是至关重要的。幸运的是，因为 Python 是一种得到了广泛使用的通用编程语言，加上其在科学计算和机器学习领域的应用，所以找到一个初学者教程并不十分困难。你在 Python 和编程上的经验水平对于起步而言是至关重要的。&br&&/p&&p&首先，你需要安装 Python。因为我们后面会用到科学计算和机器学习软件包，所以我建议你安装 Anaconda。这是一个可用于 Linux、OS X 和 Windows 上的工业级的 Python 实现，完整包含了机器学习所需的软件包，包括 numpy、scikit-learn 和 matplotlib。其也包含了 iPython Notebook，这是一个用在我们许多教程中的交互式环境。我推荐安装 Python 2.7。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-6d45f5f5913793cfef6bd72_b.jpg& data-rawwidth=&250& data-rawheight=&260& class=&content_image& width=&250&&&/figure&&p&如果你不懂编程，我建议你从下面的免费在线书籍开始学习，然后再进入后续的材料：&br&&/p&&ul&&li&&p&Learn Python the Hard Way，作者 Zed A. Shaw：&a href=&https://link.zhihu.com/?target=https%3A//learnpythonthehardway.org/book/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Learn Python the Hard Way&/a&&br&&/p&&/li&&/ul&&p&如果你有编程经验，但不懂 Python 或还很初级，我建议你学习下面两个课程：&br&&/p&&ul&&li&&p&谷歌开发者 Python 课程（强烈推荐视觉学习者学习）：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/toMzq& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&suo.im/toMzq&/span&&span class=&invisible&&&/span&&/a&&/p&&/li&&li&&p&Python 科学计算入门（来自 UCSB Engineering 的 M. Scott Shell）（一个不错的入门，大约有 60 页）：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2cXycM& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&suo.im/2cXycM&/span&&span class=&invisible&&&/span&&/a&&br&&/p&&/li&&/ul&&p&如果你要 30 分钟上手 Python 的快速课程，看下面：&br&&/p&&ul&&li&&p&在 Y 分钟内学会 X（X=Python）：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/zm6qX& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Learn python in Y Minutes&/a&&br&&/p&&/li&&/ul&&p&当然，如果你已经是一位经验丰富的 Python 程序员了，这一步就可以跳过了。即便如此，我也建议你常使用 Python 文档：&a href=&https://link.zhihu.com/?target=https%3A//www.python.org/doc/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Welcome to Python.org&/a&&br&&/p&&p&&strong&第二步：机器学习基础技巧&/strong&&/p&&p&KDnuggets 的 Zachary Lipton 已经指出：现在，人们评价一个「数据科学家」已经有很多不同标准了。这实际上是机器学习领域领域的一个写照，因为数据科学家大部分时间干的事情都牵涉到不同程度地使用机器学习算法。为了有效地创造和获得来自支持向量机的洞见，非常熟悉核方法（kernel methods）是否必要呢？当然不是。就像几乎生活中的所有事情一样，掌握理论的深度是与实践应用相关的。对机器学习算法的深度了解超过了本文探讨的范围，它通常需要你将非常大量的时间投入到更加学术的课程中去，或者至少是你自己要进行高强度的自学训练。&br&&/p&&p&好消息是，对实践来说，你并不需要获得机器学习博士般的理论理解——就想要成为一个高效的程序员并不必要进行计算机科学理论的学习。&br&&/p&&p&人们对吴恩达在 Coursera 上的机器学习课程内容往往好评如潮；然而，我的建议是浏览前一个学生在线记录的课堂笔记。跳过特定于 Octave（一个类似于 Matlab 的与你 Python 学习无关的语言）的笔记。一定要明白这些都不是官方笔记，但是可以从它们中把握到吴恩达课程材料中相关的内容。当然如果你有时间和兴趣，你现在就可以去 Coursera 上学习吴恩达的机器学习课程：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2o1uD& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning - Stanford University | Coursera&/a&&br&&/p&&ul&&li&&p&吴恩达课程的非官方笔记：&a href=&https://link.zhihu.com/?target=http%3A//www.holehouse.org/mlclass/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning - complete course notes&/a&&br&&/p&&/li&&/ul&&p&除了上面提到的吴恩达课程，如果你还需要需要其它的，网上还有很多各类课程供你选择。比如我就很喜欢 Tom Mitchell，这里是他最近演讲的视频（一起的还有 Maria-Florina Balcan），非常平易近人。&br&&/p&&ul&&li&&p&Tom Mitchell 的机器学习课程：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/497arw& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning&/a&&br&&/p&&/li&&/ul&&p&目前你不需要所有的笔记和视频。一个有效地方法是当你觉得合适时，直接去看下面特定的练习题，参考上述备注和视频恰当的部分，&br&&/p&&p&&strong&第三步：科学计算 Python 软件包概述&/strong&&br&&/p&&p&好了，我们已经掌握了 Python 编程并对机器学习有了一定的了解。而在 Python 之外，还有一些常用于执行实际机器学习的开源软件库。广义上讲，有很多所谓的科学 Python 库（scientific Python libraries）可用于执行基本的机器学习任务（这方面的判断肯定有些主观性）：&br&&/p&&ul&&li&&p&numpy——主要对其 N 维数组对象有用 &a href=&https://link.zhihu.com/?target=http%3A//www.numpy.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&NumPy - NumPy&/a&&/p&&/li&&li&&p&pandas——Python 数据分析库，包括数据框架（dataframes）等结构 &a href=&https://link.zhihu.com/?target=http%3A//pandas.pydata.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python Data Analysis Library&/a&&/p&&/li&&li&&p&matplotlib——一个 2D 绘图库，可产生出版物质量的图表 &a href=&https://link.zhihu.com/?target=http%3A//matplotlib.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python plotting - Matplotlib 2.0.0 documentation&/a&&/p&&/li&&li&&p&scikit-learn——用于数据分析和数据挖掘人物的机器学习算法 &a href=&https://link.zhihu.com/?target=http%3A//scikit-learn.org/stable/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&scikit-learn: machine learning in Python&/a&&br&&/p&&/li&&/ul&&p&学习这些库的一个好方法是学习下面的材料：&br&&/p&&ul&&li&&p&Scipy Lecture Notes，来自 Ga?l Varoquaux、Emmanuelle Gouillart 和 Olav Vahtras：&a href=&https://link.zhihu.com/?target=http%3A//www.scipy-lectures.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Scipy Lecture Notes&/a&&br&&/p&&/li&&br&&li&&p&这个 pandas 教程也很不错：10 Minutes to Pandas：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/4an6gY& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&10 Minutes to pandas&/a&&br&&/p&&/li&&/ul&&p&在本教程的后面你还会看到一些其它的软件包，比如基于 matplotlib 的数据可视化库 Seaborn。前面提到的软件包只是 Python 机器学习中常用的一些核心库的一部分，但是理解它们应该能让你在后面遇到其它软件包时不至于感到困惑。&br&&/p&&p&下面就开始动手吧！&br&&/p&&p&&strong&第四步：使用 Python 学习机器学习&/strong&&br&&/p&&p&首先检查一下准备情况&br&&/p&&ul&&li&&p&Python：就绪&/p&&/li&&li&&p&机器学习基本材料：就绪&/p&&/li&&li&&p&Numpy：就绪&/p&&/li&&li&&p&Pandas：就绪&/p&&/li&&li&&p&Matplotlib：就绪&br&&/p&&/li&&/ul&&p&现在是时候使用 Python 机器学习标准库 scikit-learn 来实现机器学习算法了。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-2a704ea94b_b.jpg& data-rawwidth=&600& data-rawheight=&240& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic3.zhimg.com/v2-2a704ea94b_r.jpg&&&/figure&&p&&em&scikit-learn 流程图&/em&&br&&/p&&p&下面许多的教程和训练都是使用 iPython (Jupyter) Notebook 完成的，iPython Notebook 是执行 Python 语句的交互式环境。iPython Notebook 可以很方便地在网上找到或下载到你的本地计算机。&br&&/p&&ul&&li&&p&来自斯坦福的 iPython Notebook 概览：&a href=&https://link.zhihu.com/?target=http%3A//cs231n.github.io/ipython-tutorial/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&IPython Tutorial&/a&&br&&/p&&/li&&/ul&&p&同样也请注意，以下的教程是由一系列在线资源所组成。如果你感觉课程有什么不合适的，可以和作者交流。我们第一个教程就是从 scikit-learn 开始的，我建议你们在继续完成教程前可以按顺序看一看以下的文章。&br&&/p&&p&下面是一篇是对 scikit-learn 简介的文章，scikit-learn 是 Python 最常用的通用机器学习库，其覆盖了 K 近邻算法：&br&&/p&&ul&&li&&p&Jake VanderPlas 写的 scikit-learn 简介：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/3bMdEd& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Jupyter Notebook Viewer&/a&&br&&/p&&/li&&/ul&&p&下面的会更加深入、扩展的一篇简介，包括了从著名的数据库开始完成一个项目：&br&&/p&&ul&&li&&p&Randal Olson 的机器学习案例笔记：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/RcPR6& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Jupyter Notebook Viewer&/a&&br&&/p&&/li&&/ul&&p&下一篇关注于在 scikit-learn 上评估不同模型的策略，包括训练集/测试集的分割方法：&br&&/p&&ul&&li&&p&Kevin Markham 的模型评估：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2HIXDD& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&justmarkham/scikit-learn-videos&/a&&br&&/p&&/li&&/ul&&p&&strong&第五步：Python 上实现机器学习的基本算法&/strong&&br&&/p&&p&在有了 scikit-learn 的基本知识后，我们可以进一步探索那些更加通用和实用的算法。我们从非常出名的 K 均值聚类（k-means clustering）算法开始，它是一种非常简单和高效的方法，能很好地解决非监督学习问题：&br&&/p&&ul&&li&&p&K-均值聚类：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/40R8zf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&jakevdp/sklearn_pycon2015&/a&&br&&/p&&/li&&/ul&&p&接下来我们可以回到分类问题，并学习曾经最流行的分类算法：&br&&/p&&ul&&li&&p&决策树：&a href=&https://link.zhihu.com/?target=http%3A//thegrimmscientist.com/tutorial-decision-trees/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Tutorial:
Decision Trees&/a&&br&&/p&&/li&&/ul&&p&在了解分类问题后，我们可以继续看看连续型数值预测：&br&&/p&&ul&&li&&p&线性回归：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/3EV4Qn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Jupyter Notebook Viewer&/a&&br&&/p&&/li&&/ul&&p&我们也可以利用回归的思想应用到分类问题中，即 logistic 回归：&br&&/p&&ul&&li&&p&logistic 回归：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/S2beL& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&justmarkham/gadsdc&/a&&br&&/p&&/li&&/ul&&p&&strong&第六步：Python 上实现进阶机器学习算法&/strong&&br&&/p&&p&我们已经熟悉了 scikit-learn，现在我们可以了解一下更高级的算法了。首先就是支持向量机，它是一种依赖于将数据转换映射到高维空间的非线性分类器。&br&&/p&&ul&&li&&p&支持向量机：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2iZLLa& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&jakevdp/sklearn_pycon2015&/a&&br&&/p&&/li&&/ul&&p&随后，我们可以通过 Kaggle Titanic 竞赛检查学习作为集成分类器的随机森林：&br&&/p&&ul&&li&&p&Kaggle Titanic 竞赛（使用随机森林）：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/1o7ofe& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Jupyter Notebook Viewer&/a&&br&&/p&&/li&&/ul&&p&降维算法经常用于减少在问题中所使用的变量。主成份分析法就是非监督降维算法的一个特殊形式：&br&&/p&&ul&&li&&p&降维算法：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2k5y2E& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&jakevdp/sklearn_pycon2015&/a&&br&&/p&&/li&&/ul&&p&在进入第七步之前，我们可以花一点时间考虑在相对较短的时间内取得的一些进展。&br&&/p&&p&首先使用 Python 及其机器学习库，我们不仅已经了解了一些最常见和知名的机器学习算法（k 近邻、k 均值聚类、支持向量机等），还研究了强大的集成技术（随机森林）和一些额外的机器学习任务（降维算法和模型验证技术）。除了一些基本的机器学习技巧，我们已经开始寻找一些有用的工具包。&br&&/p&&p&我们会进一步学习新的必要工具。&br&&/p&&p&&strong&第七步：Python 深度学习&/strong&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-a0f4bea20ffc7f_b.jpg& data-rawwidth=&490& data-rawheight=&294& class=&origin_image zh-lightbox-thumb& width=&490& data-original=&https://pic2.zhimg.com/v2-a0f4bea20ffc7f_r.jpg&&&/figure&&p&&em&神经网络包含很多层&/em&&br&&/p&&p&深度学习无处不在。深度学习建立在几十年前的神经网络的基础上，但是最近的进步始于几年前，并极大地提高了深度神经网络的认知能力，引起了人们的广泛兴趣。如果你对神经网络还不熟悉，KDnuggets 有很多文章详细介绍了最近深度学习大量的创新、成就和赞许。&br&&/p&&p&最后一步并不打算把所有类型的深度学习评论一遍，而是在 2 个先进的当代 Python 深度学习库中探究几个简单的网络实现。对于有兴趣深挖深度学习的读者，我建议从下面这些免费的在线书籍开始：&br&&/p&&ul&&li&&p&神经网络与深度学习，作者 Michael Nielsen：&a href=&https://link.zhihu.com/?target=http%3A//neuralnetworksanddeeplearning.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural networks and deep learning&/a&&br&&/p&&/li&&/ul&&p&1.Theano&br&&/p&&p&链接：&a href=&https://link.zhihu.com/?target=http%3A//deeplearning.net/software/theano/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Welcome - Theano 0.8.2 documentation&/a&&br&&/p&&p&Theano 是我们讲到的第一个 Python 深度学习库。看看 Theano 作者怎么说：&br&&/p&&blockquote&&p&&em&Theano 是一个 Python 库，它可以使你有效地定义、优化和评估包含多维数组的数学表达式。&/em&&br&&/p&&/blockquote&&p&下面关于运用 Theano 学习深度学习的入门教程有点长，但是足够好，描述生动，评价很高：&br&&/p&&ul&&li&&p&Theano 深度学习教程，作者 Colin Raffel：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/1mPGHe& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Jupyter Notebook Viewer&/a&&br&&/p&&/li&&/ul&&p&2.Caffe &br&&/p&&p&链接：&a href=&https://link.zhihu.com/?target=http%3A//caffe.berkeleyvision.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Caffe | Deep Learning Framework&/a&&br&&/p&&p&另一个我们将测试驱动的库是 Caffe。再一次，让我们从作者开始：&br&&/p&&blockquote&&p&&em&Caffe 是一个深度学习框架，由表达、速度和模块性建构，Bwekeley 视觉与学习中心和社区工作者共同开发了 Caf fe。&/em&&br&&/p&&/blockquote&&p&这个教程是本篇文章中最好的一个。我们已经学习了上面几个有趣的样例，但没有一个可与下面这个样例相竞争，其可通过 Caffe 实现谷歌的 DeepDream。这个相当精彩！掌握教程之后，可以尝试使你的处理器自如运行，就当作是娱乐。&br&&/p&&ul&&li&&p&通过 Caffe 实现谷歌 DeepDream：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2cUSXS& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&google/deepdream&/a&&br&&/p&&/li&&/ul&&p&我并没有保证说这会很快或容易，但是如果你投入了时间并完成了上面的 7 个步骤，你将在理解大量机器学习算法以及通过流行的库（包括一些在目前深度学习研究领域最前沿的库）在 Python 中实现算法方面变得很擅长。&br&&/p&&p&&strong&进阶篇&/strong&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-7a4f6d3a3fb151df265247_b.jpg& data-rawwidth=&700& data-rawheight=&376& class=&origin_image zh-lightbox-thumb& width=&700& data-original=&https://pic4.zhimg.com/v2-7a4f6d3a3fb151df265247_r.jpg&&&/figure&&p&&em&机器学习算法&/em&&br&&/p&&p&本篇是使用 Python 掌握机器学习的 7 个步骤系列文章的下篇，如果你已经学习了该系列的上篇，那么应该达到了令人满意的学习速度和熟练技能；如果没有的话，你也许应该回顾一下上篇，具体花费多少时间，取决于你当前的理解水平。我保证这样做是值得的。快速回顾之后，本篇文章会更明确地集中于几个机器学习相关的任务集上。由于安全地跳过了一些基础模块——Python 基础、机器学习基础等等——我们可以直接进入到不同的机器学习算法之中。这次我们可以根据功能更好地分类教程。&br&&/p&&p&&strong&第1步：机器学习基础回顾&一个新视角&/strong&&br&&/p&&p&上篇中包括以下几步：&br&&/p&&p&1. Python 基础技能&/p&&p&2. 机器学习基础技能&/p&&p&3. Python 包概述&/p&&p&4. 运用 Python 开始机器学习：介绍&模型评估&/p&&p&5. 关于 Python 的机器学习主题：k-均值聚类、决策树、线性回归&逻辑回归&/p&&p&6. 关于 Python 的高阶机器学习主题：支持向量机、随机森林、PCA 降维&/p&&p&7. Python 中的深度学习&br&&/p&&p&如上所述，如果你正准备从头开始，我建议你按顺序读完上篇。我也会列出所有适合新手的入门材料，安装说明包含在上篇文章中。&br&&/p&&p&然而，如果你已经读过，我会从下面最基础的开始：&br&&/p&&ul&&li&&p&机器学习关键术语解释，作者 Matthew Mayo。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2URQGm& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning Key Terms, Explained&/a&&/p&&/li&&li&&p&维基百科条目：统计学分类。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/mquen& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Statistical classification&/a&&/p&&/li&&li&&p&机器学习：一个完整而详细的概述，作者 Alex Castrounis。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/1yjSSq& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning: A Complete and Detailed Overview&/a&&br&&/p&&/li&&/ul&&p&如果你正在寻找学习机器学习基础的替代或补充性方法，恰好我可以把正在看的 Shai Ben-David 的视频讲座和 Shai Shalev-Shwartz 的教科书推荐给你：&br&&/p&&ul&&li&&p&Shai Ben-David 的机器学习介绍视频讲座，滑铁卢大学。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/1TFlK6& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&suo.im/1TFlK6&/span&&span class=&invisible&&&/span&&/a&&/p&&/li&&li&&p&理解机器学习：从理论到算法，作者 Shai Ben-David & Shai Shalev-Shwartz。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/1NL0ix& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&suo.im/1NL0ix&/span&&span class=&invisible&&&/span&&/a&&br&&/p&&/li&&/ul&&p&记住，这些介绍性资料并不需要全部看完才能开始我写的系列文章。视频讲座、教科书及其他资源可在以下情况查阅：当使用机器学习算法实现模型时或者当合适的概念被实际应用在后续步骤之中时。具体情况自己判断。&br&&/p&&p&&strong&第2步：更多的分类&/strong&&br&&/p&&p&我们从新材料开始，首先巩固一下我们的分类技术并引入一些额外的算法。虽然本篇文章的第一部分涵盖决策树、支持向量机、逻辑回归以及合成分类随机森林，我们还是会添加 k-最近邻、朴素贝叶斯分类器和多层感知器。&figure&&img src=&https://pic1.zhimg.com/v2-a70e3a8af7f41c02d6f3a1_b.jpg& data-rawwidth=&800& data-rawheight=&266& class=&origin_image zh-lightbox-thumb& width=&800& data-original=&https://pic1.zhimg.com/v2-a70e3a8af7f41c02d6f3a1_r.jpg&&&/figure&&/p&&p&&em&Scikit-learn 分类器&/em&&br&&/p&&p& k-最近邻（kNN）是一个简单分类器和懒惰学习者的示例，其中所有计算都发生在分类时间上（而不是提前在训练步骤期间发生）。kNN 是非参数的，通过比较数据实例和 k 最近实例来决定如何分类。&br&&/p&&ul&&li&&p&使用 Python 进行 k-最近邻分类。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2zqW0t& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&K-Nearest Neighbor classification using python&/a&&br&&/p&&/li&&/ul&&p&朴素贝叶斯是基于贝叶斯定理的分类器。它假定特征之间存在独立性，并且一个类中任何特定特征的存在与任何其它特征在同一类中的存在无关。&br&&/p&&ul&&li&&p&使用 Scikit-learn 进行文档分类，作者 Zac Stewart。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2uwBm3& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Document Classification with scikit-learn&/a&&br&&/p&&/li&&/ul&&p&多层感知器（MLP）是一个简单的前馈神经网络，由多层节点组成，其中每个层与随后的层完全连接。多层感知器在 Scikit-learn 版本 0.18 中作了介绍。&br&&/p&&p&首先从 Scikit-learn 文档中阅读 MLP 分类器的概述，然后使用教程练习实现。&br&&/p&&ul&&li&&p&神经网络模型（监督式），Scikit-learn 文档。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/3oR76l& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&1.17. Neural network models (supervised)&/a&&/p&&/li&&li&&p&Python 和 Scikit-learn 的神经网络初学者指南 0.18！作者 Jose Portilla。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/2tX6rG& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&A Beginner’s Guide to Neural Networks with Python and SciKit Learn 0.18!&/a&&br&&/p&&/li&&/ul&&p&&strong&第3步：更多聚类&/strong&&br&&/p&&p&我们现在接着讲聚类，一种无监督学习形式。上篇中，我们讨论了 k-means 算法; 我们在此介绍 DBSCAN 和期望最大化（EM）。&figure&&img src=&https://pic1.zhimg.com/v2-a2f4b0ceb5c10f01c5207_b.jpg& data-rawwidth=&600& data-rawheight=&300& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic1.zhimg.com/v2-a2f4b0ceb5c10f01c5207_r.jpg&&&/figure&&/p&&p&&em&Scikit-learn聚类算法&/em&&br&&/p&&p&首先，阅读这些介绍性文章; 第一个是 k 均值和 EM 聚类技术的快速比较，是对新聚类形式的一个很好的继续，第二个是对 Scikit-learn 中可用的聚类技术的概述：&br&&/p&&ul&&li&&p&聚类技术比较：简明技术概述，作者 Matthew Mayo。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/4ctIvI& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Comparing Clustering Techniques: A Concise Technical Overview&/a&&/p&&/li&&li&&p&在玩具数据集中比较不同的聚类算法，Scikit-learn 文档。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/4uvbbM& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Comparing different clustering algorithms on toy datasets&/a&&br&&/p&&/li&&/ul&&p&期望最大化（EM）是概率聚类算法，并因此涉及确定实例属于特定聚类的概率。EM 接近统计模型中参数的最大似然性或最大后验估计（Han、Kamber 和 Pei）。EM 过程从一组参数开始迭代直到相对于 k 聚类的聚类最大化。&br&&/p&&p&首先阅读关于 EM 算法的教程。接下来，看看相关的 Scikit-learn 文档。最后，按照教程使用 Python 自己实现 EM 聚类。&br&&/p&&ul&&li&&p&期望最大化（EM）算法教程，作者 Elena Sharova。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/33ukYd& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&A Tutorial on the Expectation Maximization (EM) Algorithm&/a&&/p&&/li&&li&&p&高斯混合模型，Scikit-learn 文档。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/20C2tZ& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&2.1. Gaussian mixture models&/a&。&/p&&/li&&li&&p&使用 Python 构建高斯混合模型的快速介绍，作者 Tiago Ramalho。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/4oxFsj& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Quick introduction to gaussian mixture models with python&/a&&br&&/p&&/li&&/ul&&p&如果高斯混合模型初看起来令人困惑，那么来自 Scikit-learn 文档的这一相关部分应该可以减轻任何多余的担心：&br&&/p&&blockquote&&p&&em&高斯混合对象实现期望最大化（EM）算法以拟合高斯模型混合。&/em&&br&&/p&&/blockquote&&p&基于密度且具有噪声的空间聚类应用（DBSCAN）通过将密集数据点分组在一起，并将低密度数据点指定为异常值来进行操作。&/p&&p&首先从 Scikit-learn 的文档中阅读并遵循 DBSCAN 的示例实现，然后按照简明的教程学习：&br&&/p&&ul&&li&&p&DBSCAN 聚类算法演示，Scikit-learn 文档。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/1l9tvX& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Demo of DBSCAN clustering algorithm&/a&&/p&&/li&&li&&p&基于密度的聚类算法（DBSCAN）和实现。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/1LEoXC& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&suo.im/1LEoXC&/span&&span class=&invisible&&&/span&&/a&&br&&/p&&/li&&/ul&&p&&strong&第4步：更多的集成方法&/strong&&br&&/p&&p&上篇只涉及一个单一的集成方法：随机森林（RF）。RF 作为一个顶级的分类器，在过去几年中取得了巨大的成功，但它肯定不是唯一的集成分类器。我们将看看包装、提升和投票。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-f8b52a4a7bf476a61a4dd6d3d97ae2ba_b.jpg& data-rawwidth=&500& data-rawheight=&257& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic3.zhimg.com/v2-f8b52a4a7bf476a61a4dd6d3d97ae2ba_r.jpg&&&/figure&&p&&em&给我一个提升&/em&&br&&/p&&p&首先，阅读这些集成学习器的概述，第一个是通用性的；第二个是它们与 Scikit-learn 有关：&br&&/p&&ul&&li&&p&集成学习器介绍，作者 Matthew Mayo。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/cLESw& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Data Science Basics: An Introduction to Ensemble Learners&/a&&/p&&/li&&li&&p&Scikit-learn 中的集成方法，Scikit-learn 文档。地址：&a href=&https://link.zhihu.com/?target=http%3A//suo.im/yFuY9& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&1.11. Ensemble methods&/a&&br&&/p&&/li&&/ul&&p&然后，在继