Python在資料分析中應用

　　近年來分析學在資料、網路、金融等領域獲得了突出的地位。應用各種軟體組合起來進行資料收集，資料管理，以及資料分析，得出的結論用作商業決策，業務需求分析等等。分析學用於研究一個產品的市場效應，銀行的貸款決定，這些都只是分析學的冰山一角。它在大資料，安全，數字和軟體分析等領域有很深遠的影響，下面是Python在分析學中的主要作用的一個延續：

　　在這個資訊過載的世界，只有那些可以利用解析資料的優勢來得出見解的人會獲益。Python對於大資料的解釋和分析具有很重要的作用。分析公司開發的很多工具都是基於Python來約束大資料塊。分析師們會發現Python並不難學，它是一個強有力的資料管理和業務支援的媒介。

　　使用單一的語言來處理資料有它的好處。如果你以前曾經使用過C++或者Java，那麼對你來說，Python應該很簡單。資料分析可以使用Python實現，有足夠的Python庫來支援資料分析。 Pandas是一個很好的資料分析工具，因為它的工具和結構很容易被使用者掌握。對於大資料來說它無疑是一個最合適的選擇。即使是在資料科學領域，Python也因為它的“開發人員友好性”而使其他語言相形見絀。一個數據科學家熟悉Python的可能性要比熟悉其他語言的可能性高得多。

　　除了Python在資料分析中那些很明顯的優點(易學，大量的線上社群等等)之外，在資料科學中的廣泛使用，以及我們今天看到的大多數基於網路的分析，是Python在資料分析領域得以廣泛傳播的主要原因。

　　不論是金融衍生品還時大資料分析，Python都發揮了重要的作用。就前者而言，Python能夠很好地和其它系統，軟體工具以及資料流結合在一起，當然也包括R。用Python來對大資料做圖表效果更好，它在速度和幫助方面也一樣可靠。有些公司使用Python進行預測分析和統計分析。

　　Python在人工智慧領域的應用

　　Python和其它好的技術一樣，在你的開發團隊像病毒一樣快速傳播，然後找到把它應用到各種應用和工具中的方式。換句話說，Python在開始時像一個駭客，而程式碼任務像釘子一樣。

　　而人工智慧是當今的“東西”，Python在這個領域也取得了顯著的成績，在商業智慧領域，Python也證明了它的實用性。回到AI這個話題，Python已經成為一些AI演算法的一部分，從簡單的雙人遊戲到複雜的資料工程任務。Python的AI庫在當今的軟體中扮演重要的角色，包括NLYK，PyBrain，OpenCV，和AIMA。對於一些AI軟體功能，短短的一個程式碼塊就足夠了。從人臉識別技術，會話介面再到其他領域，Python正在不斷地覆蓋新領域。

　　當談到AI時，Python是一種現代化的選擇。為什麼呢，除了一般的原因，Python使原型設計變得更加快捷，同時具有更加穩定的架構。舉個例子，比如Scikit-learn(一個機器學習庫)。

　　在Python中除錯是一個很快的過程。它還提供了對其他語言的應用程式設計介面(API)。Python的大量的庫很有幫助，但是你必須精通Python，才能很好地利用它。

　　Python將用於BI，它在網路情報中也是一種力量。自動化的司法調查，安全檢查，網頁分析都可能使用Python來實現。對於BI來說，有一大堆Python能夠使用的工具來使你的工作更加簡單，該語言對演算法，數學方程有一個自然的傾向，使它成為一個多用途的媒介。

　　總結

　　Python因為它的可靠性和高效性，而不斷地使世界各地的程式設計師和軟體開發人員印象深刻。它已經侵入新的領域和重要的日常軟體功能。直到繼承者的進入，Python將作為一個全方位的程式語言繼續流行。

帶你快速體驗一次深度學習。只需要安裝好環境。30分鐘體驗深度學習

Keras實現MNIST資料集手寫數字識別。本文主要為了讓大家可以迅速跑通一個可執行測試的深度學習樣例，所以不會過多涉及具體原理及內容，只是起拋磚引用的作用。有一點Python基礎可快速體驗深度學習的奧妙。

Step1: 引入基礎庫，Keras和numpy

引入庫

Step2: 配置相關引數

配置引數

Step3:引入資料，Keras自帶MNIST資料集。MNIST是一個手寫數字資料庫，它有60000個訓練樣本集和10000個測試樣本集。

載入MNIST資料集

Step4:編寫深度學習模型，本次模型使用簡單的兩次卷積神經網路

編寫模型

Step5:開始訓練模型。因為用的自己的筆記本，I7 CPU，所以訓練過程還是比較慢的。深度學習的訓練需要使用GPU進行訓練。不過本次案例比較簡單，一個epoch耗時5分鐘，訓練10個即可達到99%以上的準確率。

圖片是Keras的訓練進度顯示，loss代表損失，正確的訓練loss應該是不斷降低的。acc代表準確率，不斷提升的。

最後輸出的測試資料準確率為99.02%

開始訓練模型

訓練模型

Step6:測試自己的手寫數字

因為訓練的時候使用的28*28的圖片，所以我就直接在28*28的圖片上手寫了一個數字3。透過我們之前訓練的模型可以預測，得到的結果是數字3，獲取正確的判斷。其實predict_proba可以看到圖片在各個數字上的機率。其實是3的機率已經高達99.9999%。

測試自己的書寫數字

測試自己的手寫數字