寒假python培训

「来源: ｜Python之王 ID：sen13717378202」

推荐：作者：Eastmount大神推荐的Python初学者的信 | Python初级、中级、高级学习路线

又是一年1024，祝所有程序员节日快乐，健康开心，祝CSDN越来越好。转眼，已经在CSDN分享了十多年博客，感谢大家的陪伴和祝福，在这里我与许多人成为了朋友，感恩。非常遗憾，这次没能去长沙岳麓书院见很多大佬和博友，下次有机会一定去。我也会继续加油，分享更好更系统的文章，帮助更多初学者。总之，感恩大家能一起在CSDN相遇，相见，相知，我们相约在这里分享一辈子，感恩同行！

十年，转瞬即逝，我从青葱少年成长为了中年大叔。或许，对其他人来说写博客很平淡，但对我来说，它可能是我这十年最重要的决定和坚守之一。

十年，不负遇见，不负自己，不负时光。感恩所有人的陪伴，因为有你们，人生路上我不孤单。幸好，这十年来，我可以摸着自己的良心说，每一篇博客我都在很认真的撰写，雕琢，都在用万字长文书写下我的满腔热血。

下图展示了这十年我写的博客涉及的各个方向，3600多天，这里的每篇文章，每段文字，都是我的心血和汗水，当然也离不开CSDN和你们的支持。人生又有多少个十年呢？所以能做的就是感恩，能做的就是分享更高质量的文章，帮助更多CSDN读者。

这十年，总有读者问我怎么学习Python？学习Python有什么用？跨专业的可以学习吗？有什么方向能学？我是2013年开始接触Python的，主要从事NLP、Web数据挖掘和人工智能研究，今天简单写一封给Python初学者的学习路线和总结，希望能帮助更多初学者，也欢迎大家补充，大佬勿喷~

比赛测试网站：http://lovexiaoluo.com

我们在CSDN的故事都还在续写，你们的陪伴依然继续，青春啊青春，你慢点走，带着代码走！

一.初聊Python

1.为什么要学习Python？

在学习Python之前，你不要担心自己没基础或“脑子笨”，我始终认为，只要你想学并为之努力，就能学好，就能用Python去做很多事情。在这个喧嚣的时代，很多技术或概念会不断兴起，我希望你能沉下心来去学习，不要急于求成，一步一个脚印。当你把某个技术学好、学精后，还是能做一些事情的，甚至能找到喜欢的工作或完成实践项目。

程序语言没有最好，只有最适合。作为一名初学者，我非常推荐你学习Python，为啥？一方面是因为它具有语法清晰、代码友好、易读性高的特点，同时Python拥有强大的第三方库函数，包括网络爬取、数据分析、可视化、人工智能等；另一方面Python既是一门解释性编程语言，又是面向对象的语言，其操作性和可移植性高，被广泛应用于数据挖掘、信息采集、人工智能、网络安全、自动化测试等领域。甚至，很多小学生、高中课程和计算机二级也都陆续增加了Python。

2.Python优势

Python最大的优势在于效率。有时候程序员或科研工作者的效率比机器的效率更重要，对于很多复杂性的功能，使用更加清晰的语言能给程序减少更多的负担，从而大大增强程序的质量，其易学性和扩展性也能让新手很快上手。虽然Python底层运行速度要比C语言慢，但Python清晰的结构能解放程序员的时间，同时很方便的和其他编程语言代码（如C语言）融合在一起。

所以，从来没有一种编程语言可以像Python这样同时扎根在这么多领域，并且Python支持跨平台操作，也支持开源，拥有强大的第三方库。尤其随着人工智能的持续火热，Python在IEEE近几年发布的最热门语言中多次排名第一，越来越多的程序爱好者、科技关注者也都开始学习Python。

3.Python学习建议

在Python学习过程中，不要觉得你的底子薄或者之前没接触过，就想放弃，很多人还没起跑就选择退赛。我想，只要沉下心来，肯下功夫，就能学好。在学习过程中，一定要去写代码、写代码、写代码，只写真正动手去实践，才能慢慢积累。

同时，编写代码过程中出错也是家常便饭，我现在写Python代码每天不出点错，心里都躁得慌，所以遇到错误，学会百度、谷歌去解决真的非常重要，它也是你学习能力的一种提升，实在找不到错误，可以去开源论坛、社区、学习群里提问，也欢迎来公众号或CSDN找我。

接下来我给出前辈许向武老师推荐的Python程序员成长路线图，包括：基础语法–>语感训练–>课题练习–>分方向继续学习–>中级程序员–>拓展深度和广度–>高级程序员。

这里，给出我学习Python的一些历程和技巧。我最早接触Python是2013年，主要是因为研究生方向是自然语言处理，需要通过Python抓取数据并进行分析，所以就选择了它。那些年Python的资料很少，也没这么火热，但也一直坚持着，具体建议如下：

先把环境安装，开始编写第一个Python代码，别再去等明天了学习过程中切勿看视频（书籍），喝着奶茶，就是一天，一定要动手敲代码啊通常先了解Python基础语法，推荐MOOC北理工嵩天老师的视频和runoob语法，当然B站和CSDN上也有很多免费资料，大家可以去选择 – https://www.icourse163.org/course/BIT-268001 – https://www.runoob.com/python/python-intro.html基础语法大致掌握后可以尝试学习Python网络爬虫，因为不论是数据分析、机器学习、渗透测试等，都会涉及到爬虫技术，只有拥有自己的语料，才能处理更多问题。爬虫方面不用太深入，掌握两门技术即可 Urllib、Requests、BeautifulSoup、XPath、Selenium、Scrapy、分布式爬虫接下来学习Python可视化分析（词云）、微信操作、邮箱发送等功能，这些知识能有效提高你的编程兴趣人工智能方向：包括机器学习（回归 | 聚类 | 分类）、深度学习（TensorFlow | Keras | Pytorch）学习，建议结合实际科研或项目进行深入研究图像识别方向：包括图像处理、OpenCV、模式识别、机器学习、深度学习、目标检测学习，也建议结合实际科研或项目进行深入研究其他方向学习：Web网站开发、网络安全、自动化测试、应用程序编写

学习路上没有捷径，只有坚持，但你却能通过Python不断提升你的学习兴趣，做一些喜欢的事，喜欢上这门语言。最后给出当年大三学习Python时激励自己的话：

If not now, when? If not me, who?如果不是为了自己奋斗，又是为谁；如果不是现在奋斗，什么时候开始呢？4.给初学者的鼓励

自认为我不是一个很聪明的人，但肯努力，肯下功夫。Python对新手非常友好，各种扩展包可以供我们实现想要的工作，因此一定不要胆怯，干就对了，从零开始一点点实战，你肯定会成长的。如果你还是一位初学者，就放手去拼搏，看看你能学到什么程度；如果你还是一名学生，请牢记“真正的大神都是寒暑假练成的”，珍惜每一个假期，多写代码完成想要的某个作品。

曾记否，我本科和高中好友在乘火车上回家的路上说到：

我们其实还是很优秀的，至少能从家乡考过出来读大学，在生活中我们会遇到很多人有困难需要帮助，很可能这个对你来说只是举手之劳，而对他却为难整个家庭。这时你要帮助，你帮助他又不会少块肉，尤其是对陌生人的那种无偿帮助！因此，在学习和编程过程中，我们也会遇到各种各样的困难，而且很可能这种困难对你来说非常的简单，但是别人确实百思不得其解！这种感觉我也经常遇到，怎么都不会的别人一点就通。所以当别人不会的问你时，你也应该去帮助，这也是对你的提高。

蓦然回首，自己读了十多年的书，作为学生，我又在大学学到了什么呢？你也可以思考下你学到了什么，以及接下来你需要去学什么？我的收获或许是：

当我拿到一个东西，自己能独立的查阅资料完成，这种独立搜索问题、思考问题、解决问题的能力是我更愿意与您分享的，也是你我大学应该学习的。当我分享了一篇文章、教同学完成一个项目、阅读到一些更美妙的东西时,，心灵都会为之颤抖，这或许就是分享的魅力，知识的魅力，写博客的魅力。在学校、CSDN和家园认识了一帮很好的朋友，认识到更多比自己更优秀的人，大学不仅仅是学习，还有更重要的生活。理科生不仅仅是工科，还有更重要的文学素养需要提升，还需要一辈子学会做人。在大学自己全身心投入完成了自己感兴趣的几个东西，这种感觉我无法描述，不亚于游戏里的一次超神，反正就是十分美妙！它们不仅仅有分享知识博客后的自豪、尽自己最大努力去从零开始完成自己感兴趣的项目的兴奋、还有寒暑假自己深夜孤独的学习自己感兴趣的知识等。认识了女神，有了小珞，娜璋珞一家开心生活。如果你也是一个大学生，你也应该去享受一下自己独立完成一个自己感兴趣东西的过程。在这期间，你需要自己查阅资料、调动自己的积极性，尽自己的最大努力去完成它，最后这种感觉真的很享受。短暂的激情是不值钱的，只有长久的激情才是值钱的，不论未来如何变化，我希望自己能始终坚持自己的为人做事原则，怀抱一颗感恩的心坚持着去实现心中的梦想，去学会享受生活！

最后用我在CSDN看到云南的一位读者专程注册CSDN的评论，我备受鼓舞，也希望分享与更多的人，一起去拼搏，一起去战斗，感恩同行，感谢CSDN！

“我不在意别人的眼光，别人的评价，我只想学到更多的东西，农村孩子下雨没伞只有拼命奔跑才有未来，如果可能，我也想成为一名高校老师，呆在云南”。啊，真喜欢这种素未谋面的云鼓励，面对这些伙伴，我有什么理由不继续分享，不继续奋斗呢？

二.Python成长路线

接下来分享我和CSDN许老师在CSDN完成的《Python成长路线图》，许老师是非常谦逊又有才华的前辈，值得我们每个人学习。很愉快的一次合作，同时感谢CSDN和周老师，也欢迎大家继续补充和指正。

https://codechina.gitcode.host/developer-roadmap/python/intro/

1.Python初阶

Python初阶主要包括预备知识、基础语法、进阶语法和面向对象编程。

(1) 预备知识

Python简介程序设计思想安装Python – Windows安装Python – Linux安装Python – MacOS安装Python运行方式 – 以交互方式运行 – 以脚本方式运行常用开发工具编码规范模块管理 –pip

(2) 基础语法

缩进规则基础知识 – 注释 – 变量 – 语句 – 标识符 – 命名规则 – 运算与表达式 – 代码风格函数 – 函数定义def – 参数var – 返回值return – 参数传递 – 函数调用 – 函数递归 – 函数编写风格类 – 类定义class – 作用域和命名空间 – 对象 – 实例 – 属性和方法 – 类编程风格顺序语句结构分支语句结构 – if – elif – else – 条件判断循环语句结构 – for – while – break – continue – 循环判断数据类型 – 整型 – 浮点型 – 布尔型 – 字符串内置类 – 列表list – 字典dict – 元组tuple – 集合set – 整型int – 字符串str常用内置函数 – help – input – print – range – format – len – sorted – open – dir – enumerate/zip – type/isinstance – min/max/sum – abs/round/pow/divmod(3) 进阶语法

列表推导式三元表达式断言with-as异常捕获预处理 – try-catch-finally – 异常捕获字符串方法 – find – index – join – lower – replace – split – strip – translate – upperlambda函数迭代器生成器装饰器闭包文件 – 打开文件 – 文件基本方法 – 文件内容迭代常用标准库 – datetime – json – math – os – random – re(regular expression) – sys – time – urllib字符编码与解码 – 理解内码和字节码的概念(4) 面向对象编程

类和对象的概念类成员静态变量和实例变量面向对象三要素 – 封装 – 继承 – 多态创建类实例化抽象类单实例模式

Python初级学习路线完整如下图所示：

2.Python中阶

Python中阶主要从基本技能、Web应用开发、网络爬虫和桌面应用开发四个方向介绍。

(1) 基本技能

时间日期处理 – time – datetime数据文件读写 – excel/csv/hdf/netCDF数据库操作 – 数据库概述 – 数据库安装配置 – SQL语句 – SQLite – MySQL – MongoDB操作系统和环境 – os/sys线程进程和协程 – 基础概念 – 加锁和解锁 – threading – multiprocessing – queue – gevent源码打包 – pyinstaller网络编程 – socket发送邮件 – smtplib

(2) Web应用开发

Web开发基础知识 – HTML/HTML5/CSS – 前端、数据库和后台 – MVC架构 – REST和AjaxDjango – Django简介 – Django安装配置 – DTL(Django Template Language) – Django路由定义 – Django请求数据解析 – Django数据库操作 – Django提交表单 – Django Rest Framework – 部署、日志与安全 – Django开发案例Tornado – Tornado简介 – Tornado安装配置 – Tornado提交表单 – Tornado模板 – Tornado数据库操作 – Tornado异步Web服务 – 外部服务认证（auth） – 部署、日志与安全 – Tornado开发案例Flask – Flask简介 – Flask安装配置 – Flask实现HTTP请求与响应 – Flask cookie与session – Flask模板 – Flask提交表单 – Flask数据库操作 – Bootstrap-Flask – Flask开发REST Web服务 – 部署、日志与安全 – Flask开发案例网站可视化 – ECharts网站高并发处理(3) 网络爬虫

基础概念 – 什么是网络爬虫 – HTML与DOM树分析 – 常用网络爬虫工具 – 相关法律及注意事项urllib正则表达式 – RE(Regular Expression ) – 基础语法 – 标签匹配常用规则BeautifulSoup – BeautifulSoup简介 – 安装配置 – BeautifulSoup对象 – 元素定位 – 文档树遍历与搜索lxml – 安装配置 – lxml.etree – XPath选择器 – find/findall – CSS选择器 – 解析HTMLrequests – 安装配置 – 发送请求与HTTP请求类型 – 传递URL参数 – 响应内容 – 定制请求头 – 响应状态码 – Cookie – POST请求 – 身份认证Selenium – Selenium简介 – 安装配置 – 单元素定位（find_element_id/name/xpath） – 多元素定位（find_elements_id/name/xpath） – 常用方法和属性 – 键盘和鼠标操作 – WebDriver API – 表单交互Scrapy框架 – Scrapy简介 – 安装配置 – Scrapy框架组成 – Item Pipeline – Downloader – Spiders – Scheduler数据存储 – 文件存储 – 数据库存储渲染动态网页 – WebKit/Selenium/headless/PhantomJS表单交互处理超时异常处理 – timeout验证码处理 – 自动输入/OCR字符识别高并发处理多线程爬虫 – 多线程爬虫(4) 桌面应用开发

Tkinter – Tkinter简介 – 安装配置 – Tkinter模块 – Tkinter控件 – 标准属性 – 几何管理PyQT – PyQT简介 – 安装配置 – PyQT模块 – PyQT布局管理 – PyQT菜单和工具栏 – 事件和信号 – PyQT对话框 – PyQT控件 – PyQT拖拽与绘图WxPython – WxPython简介 – 安装配置 – WxPython常用类 – WxPython布局管理 – WxPython事件处理 – WxPython对话框 – WxPython组件 – WxPython拖拽处理 – WxPython绘图API

3.Python高阶

高阶主要包括科学计算基础软件包NumPy、结构化数据分析工具Pandas、绘图库Matplotlib、科学计算工具包SciPy、机器学习工具包Scikit-learn、深度学习、计算机视觉和自然语言处理。

(1) 科学计算基础软件包NumPy

NumPy概述 – NumPy的前世今生 – NumPy数组 vs Python列表 – NumPy数组类型和属性 – 维、轴、秩 – 广播和矢量化安装配置创建数组操作数组 – 索引 – 切片 – 改变数组结构 – 合并和拆分 – 复制 – 排序 – 查找 – 筛选 – 数组I/O常用函数 – np.nan和np.inf – 函数命名空间 – 数学函数 – 统计函数 – 插值函数 – 多项式拟合函数 – 自定义广播函数掩码数组 – 创建掩码数组 – 访问掩码数组矩阵对象 – 创建矩阵 – 矩阵特有属性 – 矩阵乘法随机抽样子模块 – 随机数 – 随机抽样 – 正态分布 – 伪随机数的深度思考(2) 结构化数据分析工具Pandas

Pandas概览 – Panda的特点 – 安装和使用数据结构 – 索引数组Index – 带标签的一维同构数组Series – 带标签的二维异构表格DataFrame基本操作 – 数据预览 – 数据选择 – 改变数据结构 – 改变数据类型 – 广播与矢量化运算 – 行列级广播函数高级应用 – 分组 – 聚合 – 层次化索引 – 表级广播函数 – 日期时间索引对象 – 透视表 – 数据可视化 – 数据I/O(3) 绘图库Matplotlib

安装配置Matplotlib快速入门 – 画布 – 子图与子图布局 – 坐标轴与刻度的名称 – 图例和文本标注 – 显示和保存图形绘制 – 曲线图 – 散点图 – 直方图 – 饼图 – 箱线图 – 绘制图像 – 极坐标绘图风格和样式 – 画布设置 – 子图布局 – 颜色 – 线条和点的样式 – 坐标轴 – 刻度 – 文本 – 图例 – 网格设置Matplotlib扩展 – 使用BaseMap绘制地图 –3D绘图工具包(4) 科学计算工具包SciPy

SciPy概览安装配置数据插值 – 一维插值 – 二维插值 – 离散数据插值到网格曲线拟合 – 最小二乘法拟合 – 使用curve_fit()函数拟合 – 多项式拟合函数傅里叶变换 – 时域到频域的转换 – 一维傅里叶变换的应用 – 二维傅里叶变换的应用图像处理 – 图像卷积 – 边缘检测 – 侵蚀和膨胀 – 图像测量积分 – 对给定函数的定积分 – 对给定样本的定积分 – 二重定积分非线性方程求解 – 非线性方程 – 非线性方程组线性代数 – 计算矩阵的行列式 – 求解逆矩阵 – 计算特征向量和特征值 – 矩阵的奇异值分解 – 求解线性方程组聚类 – k-means聚类 – 层次聚类空间计算 – 空间旋转的表述 – 三维旋转(5) 机器学习工具包Scikit-learn

Scikit-learn概览安装配置数据集 – Scikit-learn自带的数据集 – 样本生成器 – 加载其他数据集数据预处理（Preprocessing） – 标准化 – 归一化 – 正则化 – 离散化 – 特征编码 – 缺失值补全分类（Classification） – K-近邻分类 – 贝叶斯分类 – 决策树分类 – 支持向量机分类 – 随机森林分类 – 集成学习Bagging/Boosting – 神经网络模型回归（Regression） – 线性回归 – Lasso回归 – 支持向量机回归 – K-近邻回归 – 决策树回归 – 随机森林回归 – 逻辑回归聚类（Clustering） – K-Means聚类 – 均值漂移聚类 – 基于密度的空间聚类 – 谱聚类 – 层次聚类成分分解与降维 – 主成分分析 – 因子分析 – 截断奇异值分解 – 独立成分分析ICA（Independent Component Analysis）模型评估与参数调优 – 估计器得分 – 交叉验证 – 评价指标 – 参数调优 – 模型持久化(6) 深度学习

神经网络基础知识 – 人工智能发展历史 – 神经元 – BP神经网络 – 梯度下降 – 激励函数 – 过拟合、欠拟合 – 优化器Optimizer – 常用开发工具环境配置 – Windows搭建深度学习环境 – Linux搭建深度学习环境 – MacOS搭建深度学习环境 – CPU/GPU环境搭建Theano – Theano基础知识 – 定义Layer – CNN – RNN(GRU/LSTM) – Autoencoder – 神经网络参数保存 – 神经网络性能评价TensorFlow – TensorFlow基础知识 – Tensor – Session – Variable – Placeholder – Dropout – Tensorboard – CNN – RNN(GRU/LSTM) – Autoencoder – GNN – 神经网络参数保存 – 神经网络性能评价Keras – Keras基础语法 – 兼容Backend – 函数模型和序列模型 – 定义Layer – CNN – RNN(GRU/LSTM) – Autoencoder – GNN – 迁移学习 – BiLSTM-Attention – 生成对抗网络GAN – 神经网络参数保存 – 神经网络性能评价PyTorch – PyTorch基础知识 Tensor Variable 定义Layer 可视化 CNN(TextCNN) RNN(GRU/LSTM) Autoencoder GNN/GCN 迁移学习 生成对抗网络GAN 神经网络参数保存 神经网络性能评价强化学习 – 强化学习概念 – Q-Learning – Sarsa – DQN(Deep Q Network) – Policy Gradients – Actor Critic(7) 计算机视觉

数字图像处理基础 – 数字图像处理 – 图像三要素 – 像素及图像处理分类 – 图像信号数字换处理OpenCV基础 – 安装配置 – OpenCV基础语法 – 几何图形绘制图像处理入门 – 读取显示图像 – 读取修改像素 – 创建复制保存图像 – 获取图像属性及通道图像算数与逻辑运算 – 图像加法运算 – 图像减法运算 – 图像与运算 – 图像或运算 – 图像异或运算 – 图像非运算图像几何变换 – 平移变换 – 缩放变换 – 旋转变换 – 镜像变换 – 仿射变换 – 透视变换图像量化与采样 – 图像量化处理 – 图像采样处理 – 图像金字塔 – 局部马赛克处理直方图统计 – 直方图概述 – 直方图绘制 – 掩膜直方图 – H-S直方图 – 直方图对比图像增强 – 图像增强 – 直方图均衡化 – 局部直方图均衡化 – 自动色彩均衡化 – 图像去雾图像平滑 – 图像平滑概述 – 均值滤波 – 方框滤波 – 高斯滤波 – 中值滤波 – 双边滤波图像锐化及边缘检测 – 一阶微分算法、二阶微分算子 – Roberts算子 – Prewitt算子 – Sobel算子 – Laplacian算子 – Scharr算子 – Canny算子 – LOG算子图像形态学处理 – 图像腐蚀 – 图像膨胀 – 图像开运算 – 图像闭运算 – 图像梯度运算 – 图像顶帽运算 – 图像底帽运算图像分割 – 基于阈值的图像分割 – 基于边缘检测的图像分割 – 基于纹理背景的图像分割 – 基于K-Means聚类的区域分割 – 基于均值漂移算法的图像分割 – 基于分水岭算法的图像分割 – 图像漫水填充分割 – 文字区域分割及定位傅里叶变换 – 傅里叶变换 – 傅里叶逆变换 – 高通滤波器 – 低通滤波器霍夫变换 – 霍夫变换 – 霍夫线变换 – 霍夫圆变换图像特效处理 – 图像毛玻璃特效 – 图像浮雕特效 – 图像素描特效 – 图像怀旧特效 – 图像流年特效 – 图像滤镜特效 – 图像水波特效 – 图像卡通特效图像分类 – 图像分类概述 – 基于机器学习的图像分类 – 基于深度学习的图像分类 – LeNet – VGG – AlexNet – ResNet人脸识别目标检测 – 目标检测概述 – RCNN – Fast-RCNN – SPPNet – Mask-RCNN – SSD – YOLO系列算法(8) 自然语言处理

自然语言处理概览 – 自然语言处理的基本概念 – 自然语言处理的面临困难 – 自然语言处理的研究现状预备知识 – 概率论基础知识 – 最大似然估计 – 隐马尔可夫模型 – 贝叶斯网络 – 条件概率分布 – 信息论基础知识 – 熵 – 困惑度 – 互信息 – 神经网络基础知识 – CRF – BiLSTM+Attention – 迁移学习 – 常用语料库和知识库jieba – jieba概述 – jieba分词 – jieba添加自定义词典 – jieba词性标注 – jieba关键词抽取nltk – nltk概述 – nltk字符串处理 – nltk词性标注 – nltk词干提取 – nltk命名实体识别 – nltk分块处理 – nltk文本分类 – nltk情感分析Genism – TF-IDF – similarities – LSA – LDA – Word2vec词法分析 – 分词(英文分词/中文分词) – 词干提取 – 词形还原 – 词性标注 – 命名实体识别句法分析 – 短语结构分析 – 依存句法分析 – 命名实体消歧语义分析 – 指代消解 – 语义角色标注 – 语义关系抽取 – 语义依存分析 – 抽象语义表示词嵌入 – Word2Vec – GloVe – fastText – ELMo – BERT – XLNet文本挖掘 – 文本相似度计算 – 文本聚类 – 文本分类 – 文本摘要情感分析 – 基于情感词典的情感分析 – 基于深度学习的情感分析主题模型 – LSA – LDA机器翻译 – IBM统计翻译模型 – 短语抽取 – 语言模型 – GNMT – Seq2Seq – Transformer语言模型 – -- n-gram – Pitman-Yor过程模型 – AWD-LSTM – Transformer-XL – Gated CNN智能问答 – 基于知识的问答 – 基于检索的问答 – 阅读理解 – 完形填空智能对话 – 对话行为分类 – 对话状态跟踪 – 检索式聊天机器人 – 生成式聊天机器人 – 意图识别 – 槽填充(Slot Filling)语音识别 – 傅里叶变换 – 声学模型 – 隐马尔可夫模型 – CNN – LSTM-HMM – 神经网络语言模型 – MFCC知识图谱 – 知识图谱构建 – 知识计算 – 知识存储 – 知识服务与应用

三.总结

写到这里，这篇文章就介绍结束了，祝大家程序员节日快乐，也希望文章对Python初学者有所帮助，欢迎大家从我给出的方向中选择自己感兴趣的点去做研究。重要的是多实践，多编程，加油！

最后用我的博客签名结束这篇文章，“无知·乐观·低调·谦逊·生活”，时刻告诉自己：无知的我需要乐观的去求知，低调的底色是谦逊，而谦逊是源于对生活的通透，我们不止有工作、学习、编程，还要学会享受生活，人生何必走得这么匆忙，做几件开心的事，写几篇系统的文，携一位心爱的人，就很好！感恩CSDN，感谢你我的坚守和分享，这又何止是十年。

Python“宝藏级”公众号【Python之王】专注于Python领域，会爬虫，数分，C++，tensorflow和Pytorch等等。

近 2年共原创 100+ 篇技术文章。创作的精品文章系列有：

Python从入门到大师Python爬虫专栏数据分析机器学习AI基础

日常收集整理了一批不错的 Python学习资料，有需要的小伙可以自行免费领取。

获取方式如下：公众号回复资料。领取Python等系列笔记，项目，书籍，直接套上模板就可以用了。资料包含算法、python、算法小抄、力扣刷题手册和 C++ 等学习资料！