這類問題，我看到過不是第一個也不是總結那一個；

怎麼說了； 愛好 需求 這兩個少了學啥都難，愛好吧！一個是一個努力值。需求是一個結果值 怎麼解釋了？比如說：我要開發一個小軟體讓我的資料夾裡面的圖片、歌曲、影片、文件等……自動分類整理起來。或者說我要這一個輔助軟體幫助我減少工作量。這裡就是需求 中間這個過程就是愛好和需求吧少一個都不能完成 這個愛好和需求 總結的意思就是他們說的"興趣"我只是喜歡用個人的方式解釋！以上個人理解，有錯字或者別的也對勿怪！其實嘛！學習能力有限可以學習 易語言(全中文程式設計)手機上沒有啥圖，全是簡單的一個程式設計呢！以後學習多了就能轉別的

2017年9月4日23:41從新加入新圖

還有一個顏值測試介面

手機忘了截核心圖片

剛開始學習的程式設計的時候，看影片的效果會更好一些，自己不明白的地方，別人幾句話就給你講明白了，更加高效 ；

目前企業用的最多的就是Java了，Java面向物件的思想，也更符合人們的邏輯思維習慣，薪資和附加值在各個行業中也是最高的；

以前學習Java的時候看的是“如鵬網”的影片教程——《這樣學Java不枯燥》，透過開發小遊戲，開發網站的方式來講解Java的知識點，特別的有意思，沒想到Java還可以這麼學，有趣不枯燥，蠻有成就感的，具體的可以到如鵬網官網上去看一下；

這是做的其中一個小專案：

自學的話最好先看網上的影片。慕課網就挺不錯，看看自己對什麼感興趣，建議首先選擇一門語言學習java和python現在不錯，c/c++語言很經典。然後慢慢學習其他的，比如框架。差不多就去實習，學習具體的專案技能。這樣提升比較快。

跟你分享一個透過自學成為AI大牛，並引起谷歌注意的高中生的故事。連結如下：

《這個高中生僅靠線上學習成為Kaggle AI大牛，引起Google注意》

http://www.toutiao.com/i6449876886028829198/

另外我們智慧觀曾介紹了很多關於學習程式設計的資源，你可以去找找看。

我 17 年自學半年，從旅遊行業轉至後臺開發。

大致來分的話程式設計可以分為前端和後端，前端你可以理解為凡是使用者看到的皆是，後端就是為前端提供資料支撐的。暫且把 android 以及 ios 開發也歸屬至前端開發。

有了這個概念之後就要看你的興趣點了，前端反饋比較及時，所見即所得；後端比較枯燥些，沒有華麗的介面，沒有好玩的互動，有的就是接收資料，計算資料，儲存資料，對外提供資料等。

有了方向之後，就是要腳踏實地的堅持學習了。這個沒有捷徑，每個人都是這麼過來的，唯有多多練習。給你幾點建議。

1. 前期可以看影片，等找到方法之後就把不要看影片了，看影片太好費時間。

2. 多動手，一定要多動手，哪怕在簡單的功能點 ，你自己寫的過程中也有可能會遇到各種各樣的問題。

3. 從頭到尾做一個完整的專案。因為自學的時候都是比較零碎的知識點，但完整的專案可以讓你把這些零碎的知識點拼接起來。知道他們是怎麼運用到真實的專案中的，同時這個專案也為你下一步找工作做準備。

4. 學了一段時間之後就可以出去找工作了。面試下，看看市場需要什麼樣的人才，有什麼要求。然後再根據反饋調整自己的知識架構即可。

其實最重要的一點就是要堅持下去，不要半途而廢。不然一切都是白扯。

學習重要是選對方法！！！

python之所以火是因為人工智慧的發展，個人整理學習經驗僅供參考！

感覺有本書《Python3破冰人工智慧從入門到實戰》你學的差不多了就基本具備了一名合格的python程式設計工程師,不過可惜的是這本書沒有電子版，只有紙質的。

第 1章　從數學建模到人工智慧

1.1　數學建模1.1.1　數學建模與人工智慧1.1.2　數學建模中的常見問題1.2　人工智慧下的數學1.2.1　統計量1.2.2　矩陣概念及運算1.2.3　機率論與數理統計1.2.4　高等數學——導數、微分、不定積分、定積分第2章 Python快速入門2.1　安裝Python2.1.1　Python安裝步驟2.1.2　IDE的選擇2.2　Python基本操作2.2.1　第 一個小程式2.2.2　註釋與格式化輸出2.2.3　列表、元組、字典2.2.4　條件語句與迴圈語句2.2.5　break、continue、pass2.3　Python高階操作2.3.1　lambda2.3.2　map2.3.3　filter第3章　Python科學計算庫NumPy3.1　NumPy簡介與安裝3.1.1　NumPy簡介3.1.2　NumPy安裝3.2　基本操作3.2.1　初識NumPy3.2.2　NumPy陣列型別3.2.3　NumPy建立陣列3.2.4　索引與切片3.2.5　矩陣合併與分割3.2.6　矩陣運算與線性代數3.2.7　NumPy的廣播機制3.2.8　NumPy統計函式3.2.9　NumPy排序、搜尋3.2.10　NumPy資料的儲存第4章　常用科學計算模組快速入門4.1　Pandas科學計算庫4.1.1　初識Pandas4.1.2　Pandas基本操作4.2　Matplotlib視覺化相簿4.2.1　初識Matplotlib4.2.2　Matplotlib基本操作4.2.3　Matplotlib繪圖案例4.3　SciPy科學計算庫4.3.1　初識SciPy4.3.2　SciPy基本操作4.3.3　SciPy影象處理案例第5章　Python網路爬蟲5.1　爬蟲基礎5.1.1　初識爬蟲5.1.2　網路爬蟲的演算法5.2　爬蟲入門實戰5.2.1　呼叫API5.2.2　爬蟲實戰5.3　爬蟲進階—高效率爬蟲5.3.1　多程序5.3.2　多執行緒5.3.3　協程5.3.4　小結第6章　Python資料儲存6.1　關係型資料庫MySQL6.1.1　初識MySQL6.1.2　Python操作MySQL6.2　NoSQL之MongoDB6.2.1　初識NoSQL6.2.2　Python操作MongoDB6.3　本章小結6.3.1　資料庫基本理論6.3.2　資料庫結合6.3.3　結束語第7章　Python資料分析7.1　資料獲取7.1.1　從鍵盤獲取資料7.1.2　檔案的讀取與寫入7.1.3　Pandas讀寫操作7.2　資料分析案例7.2.1　普查資料統計分析案例7.2.2　小結第8章　自然語言處理8.1　Jieba分詞基礎8.1.1　Jieba中文分詞8.1.2　Jieba分詞的3種模式8.1.3　標註詞性與新增定義詞8.2　關鍵詞提取8.2.1　TF-IDF關鍵詞提取8.2.2　TextRank關鍵詞提取8.3　word2vec介紹8.3.1　word2vec基礎原理簡介8.3.2　word2vec訓練模型8.3.3　基於gensim的word2vec實戰第9章　從迴歸分析到演算法基礎9.1　迴歸分析簡介9.1.1　“迴歸”一詞的來源9.1.2　迴歸與相關9.1.3　迴歸模型的劃分與應用9.2　線性迴歸分析實戰9.2.1　線性迴歸的建立與求解9.2.2　Python求解迴歸模型案例9.2.3　檢驗、預測與控制第10章 從K-Means聚類看演算法調參10.1　K-Means基本概述10.1.1　K-Means簡介10.1.2　目標函式10.1.3　演算法流程10.1.4　演算法優缺點分析10.2　K-Means實戰第11章 從決策樹看演算法升級11.1　決策樹基本簡介11.2　經典演算法介紹11.2.1　資訊熵11.2.2　資訊增益11.2.3　資訊增益率11.2.4　基尼係數11.2.5　小結11.3　決策樹實戰11.3.1　決策樹迴歸11.3.2　決策樹的分類第12章 從樸素貝葉斯看演算法多變　19312.1　樸素貝葉斯簡介12.1.1　認識樸素貝葉斯12.1.2　樸素貝葉斯分類的工作過程12.1.3　樸素貝葉斯演算法的優缺點12.2　3種樸素貝葉斯實戰第13章 從推薦系統看演算法場景13.1　推薦系統簡介13.1.1　推薦系統的發展13.1.2　協同過濾13.2　基於文字的推薦13.2.1　標籤與知識圖譜推薦案例13.2.2　小結第14章 從TensorFlow開啟深度學習之旅14.1　初識TensorFlow14.1.1　什麼是TensorFlow14.1.2　安裝TensorFlow14.1.3　TensorFlow基本概念與原理14.2　TensorFlow資料結構14.2.1　階14.2.2　形狀14.2.3　資料型別14.3　生成資料十二法14.3.1　生成Tensor14.3.2　生成序列14.3.3　生成隨機數14.4　TensorFlow實戰

希望對你有幫助！！！

貴在堅持，自己掌握一些，在工作中不斷打磨，高薪不是夢！！！