步驟1：設定你的機器環境

　　現在你已經決心要好好學習了，也是時候設定你的機器環境了。最簡單的方法就是從Continuum.io上下載分發包Anaconda。Anaconda將你以後可能會用到的大部分的東西進行了打包。採用這個方法的主要缺點是，即使可能已經有了可用的底層庫的更新，你仍然需要等待Continuum去更新Anaconda包。當然如果你是一個初學者，這應該沒什麼問題。

　　如果你在安裝過程中遇到任何問題，你可以在這裡找到不同作業系統下更詳細的安裝說明。

　　步驟2：學習Python語言的基礎知識

　　你應該先去了解Python語言的基礎知識、庫和資料結構。Codecademy上的Python課程是你最好的選擇之一。完成這個課程後，你就能輕鬆的利用Python寫一些小指令碼，同時也能理解Python中的類和物件。

　　具體學習內容：列表Lists，元組Tuples，字典Dictionaries，列表推導式，字典推導式。

　　任務：解決HackerRank上的一些Python教程題，這些題能讓你更好的用Python指令碼的方式去思考問題。

　　步驟3：學習Python語言中的正則表示式

　　你會經常用到正則表示式來進行資料清理，尤其是當你處理文字資料的時候。學習正則表示式的最好方法是參加谷歌的Python課程，它會讓你能更容易的使用正則表示式。

　　任務：做關於小孩名字的正則表示式練習。

　　如果你還需要更多的練習，你可以參與這個文字清理的教程。資料預處理中涉及到的各個處理步驟對你來說都會是不小的挑戰。

　　步驟4：學習Python中的科學庫—NumPy, SciPy, Matplotlib以及Pandas

　　從這步開始，學習旅程將要變得有趣了。下邊是對各個庫的簡介，你可以進行一些常用的操作：

　　根據NumPy教程進行完整的練習，特別要練習陣列arrays。這將會為下邊的學習旅程打好基礎。

　　接下來學習Scipy教程。看完Scipy介紹和基礎知識後，你可以根據自己的需要學習剩餘的內容。

　　這裡並不需要學習Matplotlib教程。對於我們這裡的需求來說，Matplotlib的內容過於廣泛。取而代之的是你可以學習這個筆記中前68行的內容。

　　最後學習Pandas。Pandas為Python提供DataFrame功能（類似於R）。這也是你應該花更多的時間練習的地方。Pandas會成為所有中等規模資料分析的最有效的工具。作為開始，你可以先看一個關於Pandas的10分鐘簡短介紹，然後學習一個更詳細的Pandas教程。

　　步驟5：學習Scikit-learn庫和機器學習的內容

　　現在，我們要開始學習整個過程的實質部分了。Scikit-learn是機器學習領域最有用的Python庫。這裡是該庫的簡要概述，這些課程包含了機器學習的概述，同時介紹了像迴歸、決策樹、整體模型等監督演算法以及聚類等非監督演算法。你可以根據各個課程的任務來完成相應的課程。

python是一個開源的，靈活的，萬能的膠水語言。實現同樣的功能，python的程式碼更加簡潔。而且有許許多多的大牛的開源模組可以學習和呼叫，還有許許多多種類齊全、功能強大的第三方介面可供呼叫。萬能膠水語言絕非虛言，它能做任何你想做的事。學習路線：1，安裝環境，請切記安裝anaconda，它可以幫助你安裝許許多多模組。2，以爬蟲做練手，透過寫爬蟲可以獲得：框架，redis/mongo/mysql等資料庫，http，xpath/正則表示式/phantomjs，字元編碼，bloom去重，代理伺服器等反反爬蟲，等等知識；爬蟲寫完，沒有入不了python的大門，許多公司的入職培訓就是寫爬蟲。最後，溫馨提示，Python版本變化很大，寫程式碼，閱讀程式碼時切記區分版本，否則踩坑無數。最後，學Python中無論什麼問題，請優先上stackflow找答案。csdn等許多博主都是從stackflow一抄了事，不求甚解，容易被誤導

有的。

請檢視我們的騰訊課堂：https://ke.qq.com/course/2868063?tuin=181747d4

Python全棧開發學習路線圖，禁止盜用。

階段目標：

1. 熟練掌握Python的開發環境與程式設計核心知識

2. 熟練運用Python面向物件知識進行程式開發

3. 對Python的核心庫和元件有深入理解

4. 熟練應用SQL語句進行資料庫常用操作

5. 熟練運用Linux作業系統命令及環境配置

6. 熟練使用MySQL，掌握資料庫高階操作

7. 能綜合運用所學知識完成專案

知識點：

Python程式設計基礎、Python面向物件、Python高階進階、MySQL資料庫、Linux作業系統。

1、Python程式設計基礎，語法規則，函式與引數，資料型別，模組與包，檔案IO，培養紮實的Python程式設計基本功，同時對Python核心物件和庫的程式設計有熟練的運用。

2、Python面向物件，核心物件，異常處理，多執行緒，網路程式設計，深入理解面向物件程式設計，異常處理機制，多執行緒原理，網路協議知識，並熟練運用於專案中。

3、類的原理，MetaClass，下劃線的特殊方法，遞迴，魔術方法，反射，迭代器，裝飾器，UnitTest，Mock。深入理解面向物件底層原理，掌握Python開發高階進階技術，理解單元測試技術。

4、資料庫知識，正規化，MySQL配置，命令，建庫建表，資料的增刪改查，約束，檢視，儲存過程，函式，觸發器，事務，遊標，PDBC，深入理解資料庫管理系統通用知識及MySQL資料庫的使用與管理。為Python後臺開發打下堅實基礎。

5、Linux安裝配置，檔案目錄操作，VI命令，管理，使用者與許可權，環境配置，Docker，Shell程式設計Linux作為一個主流的伺服器作業系統，是每一個開發工程師必須掌握的重點技術，並且能夠熟練運用。

階段目標：

1. 熟練掌握Web前端開發技術，HTML，CSS，JavaScript及前端框架

2. 深入理解Web系統中的前後端互動過程與通訊協議

3. 熟練運用Web前端和Django和Flask等主流框架完成Web系統開發

4. 深入理解網路協議，分散式，PDBC，AJAX，JSON等知識

5. 能夠運用所學知識開發一個MiniWeb框架，掌握框架實現原理

6. 使用Web開發框架實現貫穿專案

知識點：

Web前端程式設計、Web前端高階、Django開發框架、Flask開發框架、Web開發專案實戰。

1、Web頁面元素，佈局，CSS樣式，盒模型，JavaScript，JQuery與Bootstrap掌握前端開發技術，掌握JQuery與BootStrap前端開發框架，完成頁面佈局與美化。

2、前端開發框架Vue，JSON資料，網路通訊協議，Web伺服器與前端互動熟練使用Vue框架，深入理解HTTP網路協議，熟練使用Swagger，AJAX技術實現前後端互動。

3、自定義Web開發框架，Django框架的基本使用，Model屬性及後端配置，Cookie與Session，模板Templates，ORM資料模型，Redis二級快取，RESTful，MVC模型掌握Django框架常用API，整合前端技術，開發完整的WEB系統和框架。

4、Flask安裝配置，App物件的初始化和配置，檢視函式的路由，Request物件，Abort函式，自定義錯誤，檢視函式的返回值，Flask上下文和請求鉤子，模板，資料庫擴充套件包Flask-Sqlalchemy，資料庫遷移擴充套件包Flask-Migrate，郵件擴充套件包Flask-Mail。掌握Flask框架的常用API，與Django框架的異同，並能獨立開發完整的WEB系統開發。

階段目標：

1. 熟練掌握爬蟲執行原理及常見網路抓包工具使用，能夠對HTTP及HTTPS協議進行抓包分析

2. 熟練掌握各種常見的網頁結構解析庫對抓取結果進行解析和提取

3. 熟練掌握各種常見反爬機制及應對策略，能夠針對常見的反爬措施進行處理

4. 熟練使用商業爬蟲框架Scrapy編寫大型網路爬蟲進行分散式內容爬取

5. 熟練掌握資料分析相關概念及工作流程

6. 熟練掌握主流資料分析工具Numpy、Pandas和Matplotlib的使用

7. 熟練掌握資料清洗、整理、格式轉換、資料分析報告編寫

知識點：

網路爬蟲開發、資料分析之Numpy、資料分析之Pandas。

1、爬蟲頁面爬取原理、爬取流程、頁面解析工具LXML，Beautifulfoup，正則表示式，代理池編寫和架構、常見反爬措施及解決方案、爬蟲框架結構、商業爬蟲框架Scrapy，基於對爬蟲爬取原理、網站資料爬取流程及網路協議的分析和了解，掌握網頁解析工具的使用，能夠靈活應對大部分網站的反爬策略，具備獨立完成爬蟲框架的編寫能力和熟練應用大型商業爬蟲框架編寫分散式爬蟲的能力。

2、Numpy中的ndarray資料結構特點、numpy所支援的資料型別、自帶的陣列建立方法、算術運算子、矩陣積、自增和自減、通用函式和聚合函式、切片索引、ndarray的向量化和廣播機制，熟悉資料分析三大利器之一Numpy的常見使用，熟悉ndarray資料結構的特點和常見操作，掌握針對不同維度的ndarray陣列的分片、索引、矩陣運算等操作。

3、Pandas裡面的三大資料結構，包括Dataframe、Series和Index物件的基本概念和使用，索引物件的更換及刪除索引、算術和資料對齊方法，資料清洗和資料規整、結構轉換，熟悉資料分析三大利器之一Pandas的常見使用，熟悉Pandas中三大資料物件的使用方法，能夠使用Pandas完成資料分析中最重要的資料清洗、格式轉換和資料規整工作、Pandas對檔案的讀取和操作方法。

4、matplotlib三層結構體系、各種常見圖表型別折線圖、柱狀圖、堆積柱狀圖、餅圖的繪製、圖例、文字、標線的新增、視覺化檔案的儲存，熟悉資料分析三大利器之一Matplotlib的常見使用，熟悉Matplotlib的三層結構，能夠熟練使用Matplotlib繪製各種常見的資料分析圖表。能夠綜合利用課程中所講的各種資料分析和視覺化工具完成股票市場資料分析和預測、共享單車使用者群裡資料分析、全球幸福指數資料分析等專案的全程實戰。

階段目標：

1. 理解機器學習相關的基本概念及系統處理流程

2. 能夠熟練應用各種常見的機器學習模型解決監督學習和非監督學習訓練和測試問題，解決迴歸、分類問題

3. 熟練掌握常見的分類演算法和迴歸演算法模型，如KNN、決策樹、隨機森林、K-Means等

4. 掌握卷積神經網路對影象識別、自然語言識別問題的處理方式，熟悉深度學習框架TF裡面的張量、會話、梯度最佳化模型等

5. 掌握深度學習卷積神經網路執行機制，能夠自定義卷積層、池化層、FC層完成影象識別、手寫字型識別、驗證碼識別等常規深度學習實戰專案

知識點：

1、機器學習常見演算法、sklearn資料集的使用、字典特徵抽取、文字特徵抽取、歸一化、標準化、資料主成分分析PCA、KNN演算法、決策樹模型、隨機森林、線性迴歸及邏輯迴歸模型和演算法。熟悉機器學習相關基礎概念，熟練掌握機器學習基本工作流程，熟悉特徵工程、能夠使用各種常見機器學習演算法模型解決分類、迴歸、聚類等問題。

2、Tensorflow相關的基本概念，TF資料流圖、會話、張量、tensorboard視覺化、張量修改、TF檔案讀取、tensorflow playround使用、神經網路結構、卷積計算、啟用函式計算、池化層設計，掌握機器學習和深度學習之前的區別和練習，熟練掌握深度學習基本工作流程，熟練掌握神經網路的結構層次及特點，掌握張量、圖結構、OP物件等的使用，熟悉輸入層、卷積層、池化層和全連線層的設計，完成驗證碼識別、影象識別、手寫輸入識別等常見深度學習專案全程實戰。

對應每個階段和知識點的免費學習影片正在收集整理中，敬請期待後續分享更新……