giả dụ bạn đang nghĩ đến khóa học lập trình việc học Python - hoặc là mới bắt đầu học nó, sở hữu thể bạn tự hỏi: chính xác thì tôi sở hữu thể sử dụng Python để làm gì? Vâng ấy là một nghi vấn khó trả lời, bởi vì mang số đông vận dụng dùng Python Nhưng theo thời gian, tôi nhận thấy với 3 vận dụng phổ thông tiêu dùng Python: Web Development Data Science - bao gồm machine learning, data analysis và data visualization Scripting Chúng ta sẽ đi tuần tự từng thứ một nha ) Web Development các web frameworks xây dựng dùng Python như Django và Flask gần đây đã trở nên rất nhiều cho việc lớn mạnh web. Những web frameworks này giúp bạn tạo ra serve-side code (backend code) bằng Python. Ấy là các đoạn mã chạy trên phía máy chủ của bạn, trái ngược mang trên các trang bị và trình ưng chuẩn của người dùng (front-end code). Nhưng đợi đã, tại sao tôi cần 1 web framework? ấy là vì một web framework giúp ta dễ dàng hơn trong việc vun đắp logic backend chung (common backed logic). Bao gồm ánh xạ những URLs khác nhau đến những đoạn code Python, xử lý cơ sở vật chất dữ liệu và tạo các tệp HTML mà người dùng thấy trên trình phê duyệt của họ. Tôi nên dùng lập trình android web framework Python nào? Django và Flask là hai trong số các web framework sử dụng Python phổ thông nhất. Bạn nên tiêu dùng một trong 2 giả dụ bạn mới bắt đầu. Điều khác biệt giữa Django và Flask là gì vậy? Flask sản xuất sự đơn thuần, linh hoạt và kiểm soát chi tiết. Nó cho phép bạn quyết định Anh chị em muốn thực hành mọi thứ. Django phân phối trải nghiệm hầu hết hơn: bạn có bảng quản trị (admin panel), giao diện CSDL (database interfaces), ORM và cấu trúc thư mục cho những áp dụng của bạn. Bạn nên chọn: Flask, ví như bạn tụ hội vào trải nghiệm và cơ hội học tập hoặc nếu như bạn muốn kiểm soát nhiều hơn về các thành phần cần sử dụng (chẳng hạn như CSDL bạn muốn dùng và Anh chị em muốn tương tác mang chúng). Django, ví như bạn tập hợp và sản phẩm cuối cùng. Đặc thù giả dụ bạn đang làm việc trên 1 vận dụng đơn giản như trang web tin tức, shop điện tử hoặc blog và bạn muốn ở đó luôn luôn là 1 cách thức đơn giản, rõ ràng để làm mọi thứ. nói bí quyết khác, nếu bạn là người mới bắt đầu, Flask có nhẽ là sự chọn lọc rẻ hơn vì nó mang ít thành phần hơn để giải quyết. Ngoài ra, Flask là một sự tuyển lựa rẻ hơn nếu bạn muốn tùy biến hơn. bên cạnh đó, Flask phù hợp hơn cho việc tạo ra REST API hơn là Django do tính linh hoạt của nó. Mặt khác, ví như bạn đang tậu cách thức xây dựng thứ gì đấy tiến xa hơn, Django có thể sẽ cho phép bạn tới đó tốc độ hơn. Tham khảo =>>https://mindx.edu.vn/blog/post/kinh-nghiem-hoc-lap-trinh lâm thời vậy thôi, ta chuyển sang chủ đề tiếp theo nào! Data Science - bao gồm machine learning, data analysis và data visualization trước tiên, hãy xem Machine learning là gì? có nhẽ phương pháp thấp nhất để giảng giải học máy là gì là lấy 1 ví dụ đơn giản. giả thử bạn muốn tăng trưởng một chương lớp lang động phát hiện nội dung trong ảnh. vì thế, có hình ảnh dưới đây, bạn muốn chương trình nhìn thấy rằng đây là một con chó Bạn mang thể đề cập, phải chăng, tôi với thể chỉ cần viết một vài đoạn mã để khiến điều đó. Ví dụ, mang thể giả dụ có phổ biến điểm ảnh màu nâu trong hình, thì chúng ta sở hữu thể đề cập đó là một con chó. Hoặc, bạn có thể mua ra phương pháp phát hiện những cạnh trong hình. Sau ấy, bạn mang thể đề cập, nếu như sở hữu phổ thông cạnh thẳng, thì đấy là một mẫu bàn. không những thế, phương pháp tiếp cận này khá phức tạp. Điều gì sẽ xảy ra ví như có một chú chó màu trằng trong ảnh không mang quả đầu màu nâu? Điều gì xảy ra nếu hình ảnh chỉ hiển thị những phần của mẫu bàn. Đây là nơi mà học máy ứng dụng vào. Học máy thường thực hành một thuật toán tự động phát hiện 1 chiếc trong đầu vào đã cho. Bạn sở hữu thể đưa ra, tỉ dụ, 1000 hình ảnh của 1 chú chó và 1000 hình ảnh của 1 loại bàn cho 1 thuật toán học máy. Sau đó, nó sẽ Đánh giá sự dị biệt giữa 1 con chó và 1 dòng bàn. Khi bạn đưa đào vào là 1 hình ảnh mới của 1 con chó hoặc một dòng bàn, nó sẽ với thể nhìn thấy hình ảnh đấy là dòng gì. Tôi nghĩ điều này với phần tương tự như bí quyết 1 đứa trẻ học các điều mới. Khiến cho thế nào để 1 đứa trẻ biết rằng một thứ trông giống như 1 con chó hay mẫu bàn? Có lẽ từ một loạt những tỉ dụ. Bạn có thể không đề cập rõ cho 1 đứa trẻ, "Nếu thứ gì ấy mang lông và có quả đầu màu nâu, thì đấy mang thể là một con chó." mang thể bạn sẽ chỉ cần kể, "Đó là một con chó. Đây cũng là 1 con chó. Và cái này là một chiếc bàn. Chiếc ấy cũng là một dòng bàn." các thuật tóan học máy cũng hoạt động theo cộng một bí quyết. Bạn có thể vận dụng cộng 1 ý tưởng cho: Hệ thống gợi ý (recommendation systems) nhận diện khuôn mặt (face recognition) nhận diện giọng kể (voice recognition) trong phổ quát áp dụng khác nhau. những thuật toán học máy rộng rãi mà bạn với thể đã nghe đề cập về bao gồm: Neural Networks Deep Learning Support Vector Machines Random forest Bạn mang thể dùng bất kì thuật toán nào ở trên để khắc phục vấn đề đánh nhãn hình ảnh mà tôi đã giảng giải ở trên. Python cho học máy có những thư viện và những frameworks học máy rộng rãi cho Python. 2 trong số đó là scikit-learn và TensorFlow. scikit-learn đi kèm sở hữu 1 số thuật toán học máy rộng rãi được tích hợp sẵn (đã đề cập bên trên). TensorFlow là một thư viện cấp thấp hơn cho phép bạn xây dựng các thuật toán học máy tùy chỉnh. nếu như bạn chỉ mới bắt đầu sở hữu 1 Công trình học máy, tôi khuyên bạn nên khởi đầu có scikit-learn. Ví như bạn khởi đầu chạy và những vấn đề hiệu năng (efficiency issues), bạn với thể để ý tới TensorFlow. Tôi nên học machine learning như thế nào? Để Đánh giá các nguyên tắc căn bản về học máy, tôi khuyên bạn nên học các khóa học máy của Stanford hoặc Caltech. Lưu ý rằng, bạn cần tri thức cơ bản về tính toán và đại số tuyến tính để Tìm hiểu 1 số tài liệu trong những khóa học đấy. Sau đó, bạn với thể thực hiện những gì bạn đã học được từ một trong các khóa học ấy sở hữu Kaggle. Đấy là trang web, nơi mà mọi người mang thể sử dụng nhau đua tranh để vun đắp thuật toán học máy tốt nhất cho 1 vấn đề cố định. Họ với những tutorials tuyệt vời cho những người khởi đầu. Data analysis và data visualization Để giúp bạn hiểu những điều này với thể trông như thế nào, tôi sẽ cung cấp cho bạn một thí dụ đơn thuần tại đây. giả thử bạn đang khiến việc cho 1 công ty bán hàng online. Sau đấy, với tư cách là nhà phân tích dữ liệu, bạn với thể vẽ 1 biểu đồ dạng như thế này trong khoảng biểu đồ này, chúng ta mang thể nhắc rằng, nam giới đã tìm hơn 400 sản phẩm và đàn bà tìm khoảng 350 sản phẩm vào Chủ Nhật. Là nhà phân tích dữ liệu, bạn sở hữu thể đưa ra một số giải thích cho sự khác biệt này. 1 lời giảng giải rõ ràng có thể là sản phẩm này nhiều hơn sở hữu đàn ông hơn là mang nữ giới. 1 Lời giảng giải khác mang thể là kích thước loại quá nhỏ và sự dị biệt này chỉ gây ra bởi sự bỗng nhiên. Và một lời giảng giải khác có thể là đàn ông sở hữu thiên hướng sắm sản phẩm này phổ thông hơn vào Chủ Nhật vì 1 lý do nào đấy. Để hiều được lời giải thích nào là đúng, bạn sở hữu thể vẽ 1 biểu đồ như thế này. Thay vì chỉ hiển thị dữ liệu cho ngày Chủ Nhật, chúng tôi phân tách dữ liệu trong 1 tuần. Như bạn sở hữu thể thấy, từ biểu đồ này, chúng ta có thể thấy sự khác biệt này khá nhất quán trong các ngày khác nhau. trong khoảng phân tách nhỏ này, bạn mang thể kết luận rằng giảng giải nhất cho sự dị biệt này là sản phẩm này đơn thuần là phổ quát hơn sở hữu đàn ông hơn là cho nữ giới. Mặt khác, giả dụ bạn thấy biểu đồ như thế này thì sao? Sau đó, điều gì giải thích sự khác biệt vào ngày Chủ Nhật? Bạn sở hữu thể nói, có lẽ đàn ông có thiên hướng mua rộng rãi sản phẩm này chỉ vào Chủ Nhật vì 1 số lý do. Hoặc, có nhẽ nó chỉ là một sự trùng hợp tình cờ mà đàn ông đã mua rộng rãi hơn vào ngày Chủ Nhật. thành ra, đầy là 1 thí dụ thuần tuý về phân tích dữ liệu sở hữu thể trông như thế nào trong toàn cầu thực. công việc phần tích dữ liệu của tác giả lúc khiến cho việc tại Google và Microsoft rất giống mang ví dụ này - chỉ phức tạp hơn thôi. Tác kém chất lượng đã sử dụng Python tại Google cho chiếc phân tích này và Javascript tại Microsoft. Tác giả đã dùng SQL ở cả 2 tổ chức đấy để lấy dự liệu trong khoảng cơ sở vật chất dữ liệu của họ. Sau đấy, tiêu dùng Python và Matplotlib (tại Google) hoặc JavaScript và D3.js (tại Microsoft) để trực giác hóa (visualize) và phân tích (analyze) dữ liệu này. Data analysis / visualization mang Python một trong các thư viện phổ quát nhất để hiển thị hóa dữ liệu (data visualization) là Matplotlib ấy là 1 thư viện thấp để bắt đầu vì: tiện dụng để khởi đầu 1 số thư viện khác như seaborn được dựa trên base của nó. Do vậy, việc học Matplotlib sẽ giúp bạn Nhận định các thư viện này sau này.
