python基础学习笔记2

python基础语法

python的优点

• 开源、易于维护、可移植
• 易于使用、简单优雅
• 广泛的标准库、功能强大
• 可扩展、可嵌入
• 所有的深度学习框架一般都有一个Python版的接口
• ...

python典型应用

•  数据分析：对数据进行清洗、去重、规格化和针对性的分析
• 科学计算
• 常规软件开发
• 人工智能
• 网络爬虫
• WEB开发

python基础语法 

基础操作

#1.基础操作
age = 20 #声明一个变量age用来存储一个数字20
1+1      #基础数学加法
print('Hello World!')#打印Hello World!

条件判断if

• Python指定任何非0和非空值为True，0 或者None为False
• Python 编程中if 语句用于控制程序的执行，基本形式为：

• 其中"判断条件"成立时（非零），则执行后面的语句，而执行内容可以多行，以缩进来区分表示同一范围。
• else 为可选语句，当需要在条件不成立时执行内容则可以执行相关语句。

#2.条件判断if
if 1 == 2:#如果if跟随的条件为假，那么不执行属于if的语句，然后寻找else
    print("假的")
else:#寻找到else之后执行属于else中的语句
    print("1==2是假的")

循环操作

Python基础语法Python的循环有两种，一种是for...in循环，可以依次把list或tuple中的元素迭代出来

第二种是while，只要条件满足，就不断循环，条件不满足时退出循环在while ... else 在条件语句为false 时执行else 的语句块

#3.循环操作--while
sum = 0
n = 99
while n > 0:
    sum = sum + n 
    n = n - 1
print(sum)

break、continue、pass语句

#4.breal、continue、pass
#break语句可以跳出for和while的循环体
n = 1
while n <= 100:
    if n > 10:
        break
    print(n)
    n += 1

#continue语句跳过当前循环，直接进行下一轮循环
n = 1
while n < 10:
    n = n + 1
    if n % 2 == 0:
        continue
    print(n)

#pass是空语句，一般用作占位语句，不做任何事
for letter in 'love':
    if letter == 'v':
        pass
        print('pass')
    print(letter)

核心数据结构

Number（数字）：Python支持int, float, complex三种不同的数字类型

#5.数据类型--Number（数字）
#python支持int，float，complex三种不同的数字类型
a = 5
b = 5.20
c = 5 + 2j
print(type(a),type(b),type(c))

String（字符串）

• Python中的字符串可以使用单引号、双引号和三引号（三个单引号或三个双引号）括起来，使用反斜杠\转义特殊字符
• Python3源码文件默认以UTF-8编码，所有字符串都是unicode字符串
• 支持字符串拼接、截取等多种运算 

#5.数据类型--String（字符串）
#支持字符串拼接、截取等多种运算
a = "Hello"
b = "Python"
print("a + b 输出结果：", a + b)
print("a[1:3]输出结果：", a[1:3])

List（列表）

• 列表可以完成大多数集合类的数据结构实现。列表中元素的类型可以不相同，它支持数字，字符串甚至可以包含列表（所谓嵌套）。
• 列表是写在方括号[]之间、用逗号分隔开的元素列表。
• 列表索引值以0 为开始值，-1 为从末尾的开始位置。
• 列表可以使用+操作符进行拼接，使用*表示重复。

#5.数据类型--List（列表）
#列表是写在方括号 [] 之间、用逗号分隔开的元素列表
#列表索引值以0为开始值，-1为从末尾的开始位置
list = ['abcde',783,3.33,'moon',66.6]
print(list[-3:-1])
 
tinylist = [136,'moon']
print(list + tinylist)

Tuple（元组）

注意：定义一个只有1个元素的tuple，必须加逗号。

#5. 数据类型--Tuple（元组）
#tuple与list类似，不同之处在于tuple的元素不能修改。tuple写在小括号里，元素之间用逗号隔开
#元组的元素不可变，但可以包含可变对象，如list
t1 = ('abcde',666,3.33,'moon',30.3)
t2 = (1, )
t3 = ('a','e',['A','E'])
t3[2][0] = 'X'
print(t3)
 
# t1[3] = 'yes'
# print(t1)
 
 
# 报错：TypeError                                 Traceback (most recent call last)
# Cell In[15], line 9
#       7 t3[2][0] = 'X'
#       8 print(t3)
# ----> 9 t1[3] = 'yes'
#      10 print(t1)
 
# TypeError: 'tuple' object does not support item assignment
# 错误原因：在Python中，元组是不可变的。这意味着一旦定义了元组，其元素就无法修改。元组的元素保持不变，不能重新分配。

dict（字典）

#5.数据类型--dict（字典）
#字典是无序的对象集合，使用键-值（key-value）存储，具有极快的查找速度
#键（key）必须使用不可变类型
#同一个字典中，键（key）必须是唯一的。
d = {'Mack':99,'Bob':98,'Lucy':100}
print(d['Mack'])

set（集合）

#5.数据类型--set（集合）
#set和dict类似，也是一组key的集合，但不存储value。由于key不能重复，所以，在set中，没有重复的key。
#set是无序的，重复元素在set中自动被过滤。
s = set([3,3,4,4,5,5])
print(s)

常用库

• numpy（Numerical Python的简称）是高性能科学计算和数据分析的基础包。
• matplotlib由各种可视化类构成，内部结构复杂的可视化基础包。

 

人工智能概述与入门基础

人工智能无处不在

搜素引擎：网页、图片、视频、新闻、学术、地图

信息推荐：新闻、商品、游戏、书籍

图片识别：人像、用品、动物、交通工具

用户分析：社交网络、影评、商品评论

机器翻译、摘要生成......

什么是人工智能

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。

使一部机器的反应方式像人一样进行感知、认知、决策、执行的人工程序或系统。

人工智能发展历程

1. 1956诞生：Dartmouth会议；标志着AI的诞生
2. 1957第一次高峰：罗森布拉特；发明第一款神经网络Perceptron
3. 1970第一次低估：计算能力突破受限，机器未能完成大数据训练
4. 1986第二次高峰：BP算法出现；大规模神经网络训练
5. 2000第二次低估：AI计算机DARPA未实现；政府投入缩减
6. 2014第三次浪潮：深度学习算法成功；语音和视觉识别为99%和95%
7. NOW：AI爆发

人工智能与机器学习、深度学习关系

 机器学习：一种实现人工智能的方法

深度学习：一种实现机器学习的技术，人工神经网络是机器学习中的一个重要算法“深度”就是说神经网络中众多的层。

深度学习入门基础

深度学习优势--从图像识别说起

理想目的：让计算机像人一样理解图像

实际目的：让计算机将语义概念相似的图像划分为同一类别

图像识别面临挑战

• 语义鸿沟（Semantic Gap）现象：图像的底层视觉特性和高层语义概念之间的鸿沟

        相同的视觉特性，不同的语义概念（相似但不同）

        不相似的视觉特性，相同的语义概念（相同但角度不同）

传统方法

• 用全局的视觉底层特性统计量表示图像
• 全局特征会丢掉了图像细节
• 人工特征提取+分类器

深度学习 

手工地选取特征是一件非常费力、启发式（需要专业知识）的方法，能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间，而深度学习是学习特征。

一般过程如下：

数学基础

• 数据表示——标量、向量、矩阵和张量

        向量的范数、常见的向量

        常见的矩阵、矩阵的操作

• 优化的基础——导数及其应用

        导数、泰勒公式

        拉格朗日乘数法

• 概率模型的基础——概率论

        概率分布、边缘概率、条件概率

        期望、方差和协方差

深度学习框架

深度学习框架的优势：

• 易用性：屏蔽底层，用户只需关注模型结构。同时，深度学习工具简化了计算，降低了深度学习入门门槛。
• 高效性：灵活的移植性，可将代码部署到CPU/GPU/移动端上。选择具有分布式性能的深度学习工具会使模型训练更高效。