python比较好的教程

Python是最广泛使用的语言之一。无论是Web开发，机器学习和AI，甚至是微控制器编程，Python已经发现了它的位置。

本文简要介绍了Python对于初学者的语言。该文章针对绝对的初学者，没有以前的Python经验，尽管一些以前的编程知识将有所帮助，但不一定需要。

我发现最好的学习方法是尝试理解理论，然后自己实现这个例子。记住，除非你练习，你才能会好的掌握编程！在给大家分享之前呢，小编推荐一下一个挺不错的交流宝地，里面都是一群热爱并在学习Python的小伙伴们，大几千了吧，各种各样的人群都有，特别喜欢看到这种大家一起交流解决难题的氛围，群资料也上传了好多，各种大牛解决小白的问题，这个Python群：330637182 欢迎大家进来一起交流讨论，一起进步，尽早掌握这门Python语言。

本文分为以下几个部分：

安装和设置

运行你的第一个程序

条件声明

列表，元组和字典

为什么要学习Python

问题出在这里，为什么你应该学习Python。还有很多其他的编程语言 你甚至可能会学到一些。那么为什么Python，那么特别呢？学习Python有各种各样的原因，其中最重要的已经在下面列出。

容易学习

Python被认为是最适合初学者的语言之一。Python的语法是最简单的。您不必学习复杂的变量类型，使用括号来分组代码块等等。Python建立在初学者的基本原则之上。

高度按需

据Indeed最近的一项调查显示，Python开发人员是美国第二高的付费开发人员。Python的巨大工作潜力可以通过以下事实来估计：在2014年，程序员的平均招聘率下降了5％，但Python开发人员仍然增长了8.7％。

理想的Web开发

与其他Web开发语言（如PHP和ASP.NET）相比，Python的速度更快。此外，Python拥有诸如Django，Flask和Pylons等众多惊人的框架，使Web开发更加简单。像Instagram，Pinterest和The Guardian这样的网站都是基于流行的Django框架。

用于机器学习和AI

Python是机器学习和人工智能操作中使用最广泛的语言。与MATLAB或R相比，像TensorFlow和scikit-learn这样的Python库可以使AI任务变得更简单，以前是数据科学和AI任务中使用最广泛的环境。

与Raspberry Pi合作

Python是Raspberry Pi最流行的编程语言，它是一种用于广泛应用的袖珍微型计算机，如机器人，游戏机，玩具等。简而言之，学习Python，如果你想用Raspberry Pi构建东西。

公司亲爱的

如果我们说Python是所有所有大型企业公司（如谷歌，雅虎，NASA，迪斯尼，IBM等）的宠儿，这并不夸张，这些公司已经将Python纳入其许多应用程序的核心。

大社区

Python拥有最大的在线编程社区之一，并且不断增长。Python拥有第五大Stack Overflow社区和第三大会议社区。最重要的是，它是GitHub中第四大使用的语言，这意味着有大量现有的代码可以学习。

虽然有几种方法来安装Python for Windows，但为了这篇文章，我们将使用Anaconda。这无疑是当前应用最广泛的Python环境。要下载Anaconda，

向下滚动一下，您应该会看到下载选项。选择，Python 3.6如下图所示：

这将会将Anaconda安装程序下载到您的计算机。打开安装程序，您将看到以下选项：

请按照以下步骤进行安装

点击“下一步”按钮。条款和条件将出现，您可以阅读如果您有足够的时间，但您可以单击“我同意”反正。

在下一个窗口中选择所需的安装类型。如果你是Python的绝对初学者，我建议选择“Just me”选项。

接下来，选择安装文件夹（默认是最好的）。

将出现“提前选项”对话框，不保留第一个选项，第二个选中，然后单击“安装”。这在下面的屏幕截图中显示。

现在坐下来喝点咖啡，安装可能需要一些时间。

安装完成后，您将看到消息：

单击“下一步”，然后单击随后的对话框中的“完成”按钮完成安装。

虽然您也可以通过命令行运行Python程序，但通常更适合初学者使用文本编辑器。幸运的是，安装Anaconda后，您也可以安装Jupyter Notebook。“Jupyter笔记本”是一个基于云的应用程序，允许用户创建，共享和管理他们的文档。我们将使用Jupyter在本文中编写我们的Python代码。

要打开Jupyter，您可以进入“开始菜单”，找到“Jupyter Notebook”应用程序。您也可以在应用程序中搜索它。如下所示：

打开“Jupyter Notebook”应用程序。然后，它将在默认浏览器中打开。为了兼容，我建议您将Google Chrome用作默认浏览器，但其他浏览器类型（如Firefox）也可以正常工作。

当您的浏览器中打开应用程序时，您将看到以下页面：

在页面的右侧，您将看到一个选项“新建”。单击该按钮，将出现一个下拉列表。从下拉列表中选择“Python 3”。这将为您打开一个全新的笔记本，看起来像这样：

在这里，您可以轻松地编写，保存和共享您的Python代码。

我们来测试一下，确保一切正常。为此，我们将创建一个将字符串打印到屏幕的简单程序。

在Jupyter笔记本中的文本字段中输入以下代码（如上图截图所示）：

print("Welcome to Python!")

它print确实是什么听起来像，它只是打印一些文本到屏幕。要显示的文本是在print关键字后面的括号内的双引号内输入的。

要在“Jupyter Notebook”中运行代码，只需按“Ctrl + Enter”即可。以上代码的输出应如下所示：

在那里你有它，我们已经成功地执行了我们的第一个Python程序！在接下来的部分中，我们将继续使用Jupyter教授和讨论一些核心的Python功能，从变量开始。

Python变量

简单地说，变量是存储一些数据的内存位置。您可以使用变量来存储值，无论是数字，文本还是布尔值（true / false）值。当您需要在代码中再次使用该值时，您可以简单地使用保存该值的变量。你几乎可以把它们当成一个容器来存储，以供以后使用。

Python中有五种不同的核心数据类型：

数字

字符串

名单

元组

字典

在本节中，我们将只会看看数字和字符串，并将在本文后面的各自部分进一步介绍。

变量的数字类型存储数字数据。看下面简单的例子：

Python中有四种不同的数据类型：

整数，如真正的全价值数字：10

长整型，最后为“L”，值为1024658L

这些也可以十六进制和八进制形式使用

浮点数据，数字用小数表示：3.14159

复数数据，用于表示复数类型：2 + 3j

字符串用于在Python中存储文本数据。看下面的例子：

Python中的运算符

编程中的运算符是允许您操作操作数来执行特定功能的结构。它们与现实生活中的运算符非常相似，例如算术运算符，例如加法，减法，大于，小于，和/或运算符等。

Python中有七种类型的运算符：

算术运算符

逻辑运算符

作业经营者

比较运算符

按位运算符

身份运营商

会员运营商

在这篇文章中，我们将保持简单，仅研究前四名运营商。其他运营商超出了本文的范围。

算术运算符对操作数执行加法，减法，乘法，除法和指数函数等数学运算。算术函数的细节已在下表中给出：

您可能还记得在“数字”数据变量部分中先前看到算术加法运算符的一个例子。在Python中，加法运算符可以应用于任何类型的数字，甚至字符串。

Python支持的逻辑运算符可以帮助您执行简单的布尔代数如下：

假设o1和o2有价值观True和False分别。

操作者

功能

例

和

所有条件都返回true

(o1 and o2) 是假的

要么

如果任何条件为真，则返回true

(o1 or o2) 是真的

不

返回实际逻辑状态的相反

Not(o1) 是假的

以下代码有助于以上例解释上述操作符：

以上代码的输出是：

赋值操作符允许您给变量赋予一个值，这可能是操作的结果。下表包含一些Python中最广泛使用的赋值运算符：

分配

将右侧的值分配给左侧的变量

r = n1 + n2分配的值n1 + n2成r

添加和分配

添加操作数并将结果分配给左侧的变量

n1 += n2 是相同的n1 = n1 + n2

减去和分配

从左侧减去右侧的操作数，并将结果分配给左侧

n1 -= n2 手段 n1 = n1 - n2

乘以分配

将两个操作数相乘并将结果分配给左边的一个

n1 *= n2 手段 n1 = n1 * n2

划分和分配

划分两个操作数，并将结果分配给左边的一个

n1 /= n2 手段 n1 = n1 / n2

模数和分配

通过将左操作数除以右边来获取模数，并将结果分配给左边的操作数

n1 %= n2 手段 n1 = n1 % n2

指数和分配

将右操作数指向左侧，并将值分配给左侧

n1 **= n2 手段 n1 = n1 ** n2

看看下面的例子来看看一些赋值操作符的操作：

以上代码的输出将是：

6 2 8 2 .0

意在最后一个操作中我们得到一个浮点数作为结果，而在所有prevoius操作中我们得到整数numberes。这是因为这是我们示例中唯一可以将两个整数转换为浮点数的数学运算。

比较运算符用于比较两个或多个操作数。Python支持以下比较运算符：

假设n1是10，n2在下表中是5。

==

True如果两个操作数彼此相等，则返回

(n1 == n2) 不是真的

！=

返回true的两个操作数不相等

(n1 != n2) 是真的

>

如果左操作数大于右操作数，则返回true

(n1 > n2) 是真的

<

如果左操作数小于右操作数，则返回true

(n1< n2) 不是真的

>=

如果左操作数等于或大于右操作数，则返回true

(n1 >= n2) 是真的

<=

如果左操作数等于或小于右操作数，则返回true

(n1 =< n2) 不是真的

考虑下面比较运算符的简单例子：

条件语句用于根据特定条件选择要执行的代码块。假设在医院管理系统中，您想要实施一项检查，65岁以上的患者可以接受优先治疗，而其他患者则不能接受有条件的陈述。

有四种类型的条件语句：

“if”语句

“if / else”语句

“if / elif”语句

嵌套“if / else”语句

基本上，第二类和第三类只是第一种语句类型的扩展。

如果声明

密切注意条件语句的语法。在大多数其他编程语言中，如果“if”条件返回为真，则要执行的代码块被括在括号内。在Python中，您必须在“if”条件之后使用冒号，然后如果条件为true，则必须缩进要执行的代码。

由于没有括号，Python被广泛认为是比许多其他语言更清晰的语言。使用缩进来指定范围，它有自己的利弊。

在上面的例子中，我们有一个age值为67 的变量。我们检查是否age大于65，如果这个条件返回true，那么我们打印一个消息告诉用户他/她有资格获得优先处理。请注意，此消息是缩进的，它告诉我们，在真实条件后执行的代码。最后，我们只需在屏幕上打印感谢信息。此代码的输出将是：

您有资格获得 优先处理。 感谢您对您的光临

现在让我们将age变量的值设置为55，看看差异。

上面的输出如下所示：

感谢您对您的光临

请注意，这一次病情没有恢复正常，因此告诉患者他有资格获得优先治疗的声明不会印在屏幕上。只有问候才出现，因为它们不在“if”语句的内部（缩进）内。

如果/ Else声明

如果“if”语句返回false，则使用“if / else”语句来指定执行的替代路径。看下面的例子：

使用这种方法我刚才描述过，我们可以重写前面的例子，看起来像这样：

该代码将产生与上一个示例相同的输出。

嵌套如果Else声明

嵌套的“if / else”语句用于实现嵌套条件（即另一条件下的条件）。请考虑以下示例：

在这里，我们有一个外部条件，如果age大于或等于65，那么检查病人是否有保险。如果患者有保险，保险公司将在以后付款，否则患者必须提前支付。

循环

迭代语句或更常见的循环用于重复执行一段代码。考虑是否必须在屏幕上打印100人的名字。您将需要编写100个打印语句，或者您必须在一个打印语句中使用数百个转义字符。如果你必须重复执行这个任务，你必须编写数十万繁琐的代码行。更好的方法是使用循环。

Python中有两种主要的循环类型：

而循环

请记住，您可以像我们对条件语句一样嵌套循环，但是我们不会在这里进行。

For循环

“for循环”用于遍历元素集合。循环继续执行，直到集合中的所有元素都被遍历为止。看一下for循环的简单例子：

上面的例子简单地打印了每个项目的产品nums和5.这里我们有一个nums包含1到10的整数的列表。不用担心，我们将在后面的部分详细研究。现在，只要将其视为一个元素的集合，在这种情况下就是数字。

要注意上面的代码。它遵循以下语法：

While循环

“while循环”与“for循环”不同，因为它在一定条件保持返回true的同时继续执行。在while循环的每次迭代之后，重新评估该条件。当条件最终返回false时，while循环停止执行并退出。

看下面的例子：

这里循环将继续执行，直到值x变为负值。该x变量的初始值50，并通过我们5.递减它在每次迭代期间于是，经过10次迭代的值将变为负，然后循环将停止执行。

输出将如下所示：

虽然循环对于您还不知道需要多少次迭代的时间有好处。For循环迭...

本文英文出处：Robbie Allen

翻译/雷锋网字幕组 吴楚

校对/ 雷锋网 田晋阳

机器学习的发展可以追溯到1959年，有着丰富的历史。这个领域也正在以前所未有的速度进化。在之前的一篇文章（https://unsupervisedmethods/why-artificial-intelligence-is-different-from-previous-technology-waves-764d7710df8b）中，我们讨论过为什么通用人工智能领域即将要爆发。有兴趣入坑ML的小伙伴不要拖延了，时不我待！

在今年秋季开始准备博士项目的时候，我已经精选了一些有关机器学习和NLP的优质网络资源。一般我会找一个有意思的教程或者视频，再由此找到三四个，甚至更多的教程或者视频。猛回头，发现标收藏夹又多了20个资源待我学习（推荐提升效率工具Tab Bundler）。

找到超过25个有关ML的“小抄”后，我写一篇博文（https://unsupervisedmethods/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6），里面的资源都有超链接。

为了帮助也在经历类似探索过程的童鞋，我把至今发现的最好的教程汇总了一个列表。当然这不是网络上有关ML的最全集合，而且其中有一部分内容很普通。我的目标是要找到最好的有关机器学习子方向和NLP的教程。

我引用了能简洁介绍概念的基础内容。我已经回避包含一些大部头书的章节，和对理解概念没有帮助的科研论文。那为什么不买一本书呢？ 因为教程能更好地帮助你学一技之长或者打开新视野。

我把这博文分成四个部分，机器学习，NLP，Python，和数学基础。在每一小节我会随机引入一些问题。由于这方面学习材料太丰富了，本文并未涵括所有内容。

机器学习

1、机器学习就是这么好玩！(medium/@ageitgey)

机器学习速成课程（Berkeley的ML）：

Part I：https://ml.berkeley.edu/blog/2016/11/06/tutorial-1/

Part II：https://ml.berkeley.edu/blog/2016/12/24/tutorial-2/

Part III：https://ml.berkeley.edu/blog/2017/02/04/tutorial-3/

机器学习入门与应用：实例图解(toptal)

https://toptal/machine-learning/machine-learning-theory-an-introductory-primer

机器学习的简易指南 (monkeylearn)

https://monkeylearn/blog/a-gentle-guide-to-machine-learning/

如何选择机器学习算法？(sas)

https://blogs.sas/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/

2、Activation and Loss Functions

激活函数与损失函数

sigmoid 神经元 (neuralnetworksanddeeplearning)

http://neuralnetworksanddeeplearning/chap1.html#sigmoid_neurons

激活函数在神经网络中有什么作用？(quora)

https://quora/What-is-the-role-of-the-activation-function-in-a-neural-network

神经网络的激活函数大全及其优劣 (stats.stackexchange)

https://stats.stackexchange/questions/115258/comprehensive-list-of-activation-functions-in-neural-networks-with-pros-cons

激活函数及其分类比较(medium)

https://medium/towards-data-science/activation-functions-and-its-types-which-is-better-a9a5310cc8f

理解对数损失 (exegetic.biz)

http://exegetic.biz/blog/2015/12/making-sense-logarithmic-loss/

损失函数(Stanford CS231n)

http://cs231n.github.io/neural-networks-2/#losses

损失函数L1 与L2 比较(rishy.github.io)

http://rishy.github.io/ml/2015/07/28/l1-vs-l2-loss/

交叉熵损失函数(neuralnetworksanddeeplearning)

http://neuralnetworksanddeeplearning/chap3.html#the_cross-entropy_cost_function

3、偏差（Bias）

神经网络中的偏差的作用(stackoverflow)

https://stackoverflow/questions/2480650/role-of-bias-in-neural-networks/2499936#2499936

神经网络中的偏差节点(makeyourownneuralnetwork.blogspot)

http://makeyourownneuralnetwork.blogspot/2016/06/bias-nodes-in-neural-networks.html

什么是人工神经网络中的偏差 (quora)

https://quora/What-is-bias-in-artificial-neural-network

4、感知器（Perceptron）

感知器模型(neuralnetworksanddeeplearning)

http://neuralnetworksanddeeplearning/chap1.html#perceptrons

感知器(natureofcode)

http://natureofcode/book/chapter-10-neural-networks/#chapter10_figure3

一层的神经网络（感知器模型）(dcu.ie)

http://computing.dcu.ie/~humphrys/Notes/Neural/single.neural.html

从感知器模型到深度网络(toptal)

https://toptal/machine-learning/an-introduction-to-deep-learning-from-perceptrons-to-deep-networks

5、回归算法

线性回归分析简介(duke.edu)

http://people.duke.edu/~rnau/regintro.htm

线性回归 (ufldl.stanford.edu)

http://ufldl.stanford.edu/tutorial/supervised/LinearRegression/

线性回归 (readthedocs.io)

http://ml-cheatsheet.readthedocs.io/en/latest/linear_regression.html

逻辑斯特回归 (readthedocs.io)

http://ml-cheatsheet.readthedocs.io/en/latest/logistic_regression.html

机器学习之简单线性回归教程(machinelearningmastery)

http://machinelearningmastery/simple-linear-regression-tutorial-for-machine-learning/

机器学习之逻辑斯特回归教程(machinelearningmastery)

http://machinelearningmastery/logistic-regression-tutorial-for-machine-learning/

softmax 回归(ufldl.stanford.edu)

http://ufldl.stanford.edu/tutorial/supervised/SoftmaxRegression/

6、梯度下降

基于梯度下降的学习 (neuralnetworksanddeeplearning)

http://neuralnetworksanddeeplearning/chap1.html#learning_with_gradient_descent

梯度下降(iamtrask.github.io)

http://iamtrask.github.io/2015/07/27/python-network-part2/

如何理解梯度下降算法？(kdnuggets)

http://kdnuggets/2017/04/simple-understand-gradient-descent-algorithm.html

梯度下降优化算法概览(sebastianruder)

http://sebastianruder/optimizing-gradient-descent/

优化算法：随机梯度下降算法 (Stanford CS231n)

http://cs231n.github.io/optimization-1/

7、生成学习

生成学习算法 (Stanford CS229)

http://cs229.stanford.edu/notes/cs229-notes2.pdf

贝叶斯分类算法之实例解析(monkeylearn)

https://monkeylearn/blog/practical-explanation-naive-bayes-classifier/

8、支持向量机

支持向量机（SVM）入门(monkeylearn)

https://monkeylearn/blog/introduction-to-support-vector-machines-svm/

支持向量机(Stanford CS229)

http://cs229.stanford.edu/notes/cs229-notes3.pdf

线性分类：支持向量机，Softmax (Stanford 231n)

http://cs231n.github.io/linear-classify/

9、后向传播算法（Backpropagation）

后向传播算法必知(medium/@karpathy)

https://medium/@karpathy/yes-you-should-understand-backprop-e2f06eab496b

来，给我图解一下神经网络后向传播算法？(github/rasbt)

https://github/rasbt/python-machine-learning-book/blob/master/faq/visual-backpropagation.md

后向传播算法是如何运行的？(neuralnetworksanddeeplearning)

http://neuralnetworksanddeeplearning/chap2.html

沿时后向传播算法与梯度消失(wildml)

http://wildml/2015/10/recurrent-neural-networks-tutorial-part-3-backpropagation-through-time-and-vanishing-gradients/

简易入门沿时后向传播算法(machinelearningmastery)

http://machinelearningmastery/gentle-introduction-backpropagation-time/

奔跑吧，后向传播算法！(Stanford CS231n)

http://cs231n.github.io/optimization-2/

10、深度学习

果壳里的深度学习(nikhilbuduma)

http://nikhilbuduma/2014/12/29/deep-learning-in-a-nutshell/

深度学习教程 (Quoc V. Le)

http://ai.stanford.edu/~quocle/tutorial1.pdf

深度学习，什么鬼？(machinelearningmastery)

http://machinelearningmastery/what-is-deep-learning/

什么是人工智能，机器学习，深度学习之间的区别？ (nvidia)

https://blogs.nvidia/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

11、优化算法与降维算法

数据降维的七招炼金术(knime.org)

https://knime.org/blog/seven-techniques-for-data-dimensionality-reduction

主成分分析(Stanford CS229)

http://cs229.stanford.edu/notes/cs229-notes10.pdf

Dropout: 改进神经网络的一个简单方法(Hinton @ NIPS 2012)

http://videolectures/site/normal_dl/tag=741100/nips2012_hinton_networks_01.pdf

如何溜你们家的深度神经网络？(rishy.github.io)

http://rishy.github.io/ml/2017/01/05/how-to-train-your-dnn/

12、长短期记忆(LSTM)

老司机带你简易入门长短期神经网络(machinelearningmastery)

http://machinelearningmastery/gentle-introduction-long-short-term-memory-networks-experts/

理解LSTM网络(colah.github.io)

http://colah.github.io/posts/2015-08-Understanding-LSTMs/

漫谈LSTM模型(echen.me)

http://blog.echen.me/2017/05/30/exploring-lstms/

小学生看完这教程都可以用Python实现一个LSTM-RNN (iamtrask.github.io)

http://iamtrask.github.io/2015/11/15/anyone-can-code-lstm/

13、卷积神经网络（CNNs）

卷积网络入门(neuralnetworksanddeeplearning)

http://neuralnetworksanddeeplearning/chap6.html#introducing_convolutional_networks

深度学习与卷积神经网络模型(medium/@ageitgey)

https://medium/@ageitgey/machine-learning-is-fun-part-3-deep-learning-and-convolutional-neural-networks-f40359318721

拆解卷积网络模型(colah.github.io)

http://colah.github.io/posts/2014-07-Conv-Nets-Modular/

理解卷积网络(colah.github.io)

http://colah.github.io/posts/2014-07-Understanding-Convolutions/

14、递归神经网络(RNNs)

递归神经网络教程 (wildml)

http://wildml/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/

注意力模型与增强型递归神经网络(distill.pub)

http://distill.pub/2016/augmented-rnns/

这么不科学的递归神经网络模型(karpathy.github.io)

http://karpathy.github.io/2015/05/21/rnn-effectiveness/

深入递归神经网络模型(nikhilbuduma)

http://nikhilbuduma/2015/01/11/a-deep-pe-into-recurrent-neural-networks/

15、强化学习

给小白看的强化学习及其实现指南 (analyticsvidhya)

https://analyticsvidhya/blog/2017/01/introduction-to-reinforcement-learning-implementation/

强化学习教程(mst.edu)

https://web.mst.edu/~gosavia/tutorial.pdf

强化学习，你学了么？(wildml)

http://wildml/2016/10/learning-reinforcement-learning/

深度强化学习：开挂玩Pong (karpathy.github.io)

http://karpathy.github.io/2016/05/31/rl/

16、对抗式生成网络模型(GANs)

什么是对抗式生成网络模型？(nvidia)

https://blogs.nvidia/blog/2017/05/17/generative-adversarial-network/

用对抗式生成网络创造8个像素的艺术(medium/@ageitgey)

https://medium/@ageitgey/abusing-generative-adversarial-networks-to-make-8-bit-pixel-art-e45d9b96cee7

对抗式生成网络入门（TensorFlow）(aylien)

http://blog.aylien/introduction-generative-adversarial-networks-code-tensorflow/

《对抗式生成网络》（小学一年级~上册）(oreilly)

https://oreilly/learning/generative-adversarial-networks-for-beginners

17、多任务学习

深度神经网络中的多任务学习概述(sebastianruder)

http://sebastianruder/multi-task/index.html

NLP

1、NLP

《基于神经网络模型的自然语言处理》（小学一年级~上册）(Yoav Goldberg)

http://u.cs.biu.ac.il/~yogo/nnlp.pdf

自然语言处理权威指南(monkeylearn)

https://monkeylearn/blog/the-definitive-guide-to-natural-language-processing/

自然语言处理入门(algorithmia)

https://blog.algorithmia/introduction-natural-language-processing-nlp/

自然语言处理教程 (vikparuchuri)

http://vikparuchuri/blog/natural-language-processing-tutorial/

Natural Language Processing (almost) from Scratch (arxiv.org)

初高中生课程：自然语言处理 (arxiv.org)

https://arxiv.org/pdf/1103.0398.pdf

2、深度学习和 NLP

基于深度学习的NLP应用(arxiv.org)

https://arxiv.org/pdf/1703.03091.pdf

基于深度学习的NLP(Richard Socher)

https://nlp.stanford.edu/courses/NAACL2013/NAACL2013-Socher-Manning-DeepLearning.pdf

理解卷积神经网络在NLP中的应用(wildml)

http://wildml/2015/11/understanding-convolutional-neural-networks-for-nlp/

深度学习，NLP，表示学习(colah.github.io)

http://colah.github.io/posts/2014-07-NLP-RNNs-Representations/

嵌入表示，编码，注意力，预测 : 新一代深度学习因NLP的精妙而存在(explosion.ai)

https://explosion.ai/blog/deep-learning-formula-nlp

理解基于神经网络的自然语言处理(Torch实现) (nvidia)

https://devblogs.nvidia/parallelforall/understanding-natural-language-deep-neural-networks-using-torch/

深度学习在NLP中的应用(Pytorch实现) (pytorich.org)

http://pytorch.org/tutorials/beginner/deep_learning_nlp_tutorial.html

3、词向量（Word Vectors）

词袋法遇到感知器装袋法(kaggle)

https://kaggle/c/word2vec-nlp-tutorial

学习单词嵌入表示法(sebastianruder)

Part I：http://sebastianruder/word-embeddings-1/index.html

Part II：http://sebastianruder/word-embeddings-softmax/index.html

Part III：http://sebastianruder/secret-word2vec/index.html

单词嵌入表示的神奇力量(acolyer.org)

https://blog.acolyer.org/2016/04/21/the-amazing-power-of-word-vectors/

解释word2vec 的参数学习(arxiv.org)

https://arxiv.org/pdf/1411.2738.pdf

word2vec教...

最近在看《Python教程》，所以把一些记录一下，以后自己看的话，复习会比较快。你照葫芦画瓢是没什么多大的作用的。我不会直接告诉你答案也不是我不想告诉你，而是希望你能跟着思路，自己找到答案，这才是真的学会了，掌握了这其中的知识点，下次在遇到就会了，而不是到处去问。如果你还在迷茫，不知道该往哪个方向走，如果你还找不到Python的入门，如果你还在为碰到各种知识点不会而苦恼，那就加小编自己弄的一个交流学习基地吧。大家可以加入交流基地：58937142，里面新手入门资料，可以说从零到项目实战，都是可以免费获取的，还有热心肠的答疑小伙伴为各位免费解答问题，热心肠的小伙伴也是蛮多的。不失为是一个交流的的好地方，小编在这里邀请大家加入我的大家庭。欢迎你的到来。一起交流学习！共同进步！小编等你！

print("我是***","你呢？",1,2,True)#逗号会换成空格，然后拼接name=input("你的名字：")#输入字符串数值：整数、浮点数、字符串、空值、布尔

list和tuple

#list 其中元素可以不同names=['Bob','Mary','Jack']print(len(names))print(names[0])print(names[-1])

条件判断和循环

#条件判断cl=5ifcl<=6: print('小学')

dict和set

#dict 字典，键值对形式，查找速度快，key不可变，所以key不能为listd={'1':1,'2':2}print(d['1'])

内置函数、函数、参数

#python内置函数abs(100)

切片

#切片 list、tuple、str可用names=['Bob','Mary','Jack']print(names[0:2])print(names[:2])print(names[-2:])#print(names[:3:2])#每两个取一个

迭代

#迭代 from collections import Iterable

列表生成式、生成器

#列表生成式print(list(range(1,33)))

map、reduce、filter

#map map(fun,Iterable) 将传入的函数依次作用到序列的每个元素，并把结果作为新的Iterator返回def f(x):

排序小例子

#=============排序问题=================================================================

匿名函数、闭包

#匿名函数print(list(map(lambda x:x*x,[1,2,3])))#闭包def count():

装饰器小例子

#装饰器 运行看看import functoolsdef logger(text):

偏函数

#偏函数 可以降低函数调用的难度import functools

类和实例

#类和实例 #变量名类似__xxx__的，也就是以双下划线开头，并且以双下划线结尾的，是特殊变量，特殊变量是可以直接访问的，不是private变量，classStudent(object):

@property使用

# =============================================================================# #@property# class Student(object):#birth是可读写属性，而age就是一个只读属性，# @property# def birth(self):# return self._birth# # @birth.setter# def birth(self, value):# self._birth = value# # @property# def age(self):# return 2015 - self._birth# # #多重继承# class Object1(Object2,Object3....):# pass# =============================================================================

为实例添加一个打印，相当于java中重写toString

# =============================================================================# #为实例添加一个打印显示# class Student(object):# def __init__(self, name):# self.name = name# def __str__(self):# return 'Student object (name=%s)' % self.name# __repr__ = __str__# # print(Student("123"))# =============================================================================

将对象可以使用for循环

# =============================================================================# #如果一个类想被用于for ... in循环，类似list或tuple那样，就必须实现一个__iter__()方法，该方法返回一个迭代对象# class Fib(object):# def __init__(self):# self.a, self.b = 0, 1 # 初始化两个计数器a，b# # def __iter__(self):# return self # 实例本身就是迭代对象，故返回自己# # def __getitem__(self, n):#直接f[]显示# if isinstance(n, int): # n是索引# a, b = 1, 1# for x in range(n):# a, b = b, a + b# return a# if isinstance(n, slice): # n是切片# start = n.start# stop = n.stop# if start is None:# start = 0# a, b = 1, 1# L = []# for x in range(stop):# if x >= start:# L.append(a)# a, b = b, a + b# return L# def __getattr__(self, attr):#防止不存在的属性，报错# if attr=='score':# return 99# def __call__(self):#可以直接对实例进行调用 s()# print('My name is %s.' % self.name)# def __next__(self):# self.a, self.b = self.b, self.a + self.b # 计算下一个值# if self.a > 100000: # 退出循环的条件# raise StopIteration()# return self.a # 返回下一个值# =============================================================================

枚举

错误处理

# =============================================================================# #错误处理# try:# r=10/0# except Exception as e:# print(e)# finally:# print('finally...')# # print('end')# =============================================================================

读写文件

# =============================================================================

StringIO和BytesIO

#StringIO 内存中读写strfrom io importStringIO

操作目录和文件

#操作文件和目录

序列化和JSON

#序列化 ：把变量从内存中变成可存储或传输的过程称之为序列化import pickle

线程

#线程 python的os模块封装了常见的系统调用，import osfrom multiprocessing import Process#子线程要执行的代码defrun_proc(name):

最近在看《Python教程》，所以把一些记录一下，以后自己看的话，复习会比较快。你照葫芦画瓢是没什么多大的作用的。我不会直接告诉你答案也不是我不想告诉你，而是希望你能跟着思路，自己找到答案，这才是真的学会了，掌握了这其中的知识点，下次在遇到就会了，而不是到处去问。如果你还在迷茫，不知道该往哪个方向走，如果你还找不到Python的入门，如果你还在为碰到各种知识点不会而苦恼，那就加小编自己弄的一个交流学习基地吧。大家可以加入交流基地：58937142，里面新手入门资料，可以说从零到项目实战，都是可以免费获取的，还有热心肠的答疑小伙伴为各位免费解答问题，热心肠的小伙伴也是蛮多的。不失为是一个交流的的好地方，小编在这里邀请大家加入我的大家庭。欢迎你的到来。一起交流学习！共同进步！小编等你！

print("我是***","你呢？",1,2,True)#逗号会换成空格，然后拼接name=input("你的名字：")#输入字符串数值：整数、浮点数、字符串、空值、布尔

list和tuple

#list 其中元素可以不同names=['Bob','Mary','Jack']print(len(names))print(names[0])print(names[-1])

条件判断和循环

#条件判断cl=5ifcl<=6: print('小学')

dict和set

#dict 字典，键值对形式，查找速度快，key不可变，所以key不能为listd={'1':1,'2':2}print(d['1'])

内置函数、函数、参数

#python内置函数abs(100)

切片

#切片 list、tuple、str可用names=['Bob','Mary','Jack']print(names[0:2])print(names[:2])print(names[-2:])#print(names[:3:2])#每两个取一个

迭代

#迭代 from collections import Iterable

列表生成式、生成器

#列表生成式print(list(range(1,33)))

map、reduce、filter

#map map(fun,Iterable) 将传入的函数依次作用到序列的每个元素，并把结果作为新的Iterator返回def f(x):

排序小例子

#=============排序问题=================================================================

匿名函数、闭包

#匿名函数print(list(map(lambda x:x*x,[1,2,3])))#闭包def count():

装饰器小例子

#装饰器 运行看看import functoolsdef logger(text):

偏函数

#偏函数 可以降低函数调用的难度import functools

类和实例

#类和实例 #变量名类似__xxx__的，也就是以双下划线开头，并且以双下划线结尾的，是特殊变量，特殊变量是可以直接访问的，不是private变量，classStudent(object):

@property使用

# =============================================================================# #@property# class Student(object):#birth是可读写属性，而age就是一个只读属性，# @property# def birth(self):# return self._birth# # @birth.setter# def birth(self, value):# self._birth = value# # @property# def age(self):# return 2015 - self._birth# # #多重继承# class Object1(Object2,Object3....):# pass# =============================================================================

为实例添加一个打印，相当于java中重写toString

# =============================================================================# #为实例添加一个打印显示# class Student(object):# def __init__(self, name):# self.name = name# def __str__(self):# return 'Student object (name=%s)' % self.name# __repr__ = __str__# # print(Student("123"))# =============================================================================

将对象可以使用for循环

# =============================================================================# #如果一个类想被用于for ... in循环，类似list或tuple那样，就必须实现一个__iter__()方法，该方法返回一个迭代对象# class Fib(object):# def __init__(self):# self.a, self.b = 0, 1 # 初始化两个计数器a，b# # def __iter__(self):# return self # 实例本身就是迭代对象，故返回自己# # def __getitem__(self, n):#直接f[]显示# if isinstance(n, int): # n是索引# a, b = 1, 1# for x in range(n):# a, b = b, a + b# return a# if isinstance(n, slice): # n是切片# start = n.start# stop = n.stop# if start is None:# start = 0# a, b = 1, 1# L = []# for x in range(stop):# if x >= start:# L.append(a)# a, b = b, a + b# return L# def __getattr__(self, attr):#防止不存在的属性，报错# if attr=='score':# return 99# def __call__(self):#可以直接对实例进行调用 s()# print('My name is %s.' % self.name)# def __next__(self):# self.a, self.b = self.b, self.a + self.b # 计算下一个值# if self.a > 100000: # 退出循环的条件# raise StopIteration()# return self.a # 返回下一个值# =============================================================================

枚举

错误处理

# =============================================================================# #错误处理# try:# r=10/0# except Exception as e:# print(e)# finally:# print('finally...')# # print('end')# =============================================================================

读写文件

# =============================================================================

StringIO和BytesIO

#StringIO 内存中读写strfrom io importStringIO

操作目录和文件

#操作文件和目录

序列化和JSON

#序列化 ：把变量从内存中变成可存储或传输的过程称之为序列化import pickle

线程

#线程 python的os模块封装了常见的系统调用，import osfrom multiprocessing import Process#子线程要执行的代码defrun_proc(name):