版权声明：本文为博主原创文章，未经博主允许不得转载。
好久，没有动笔了，也不知道，写什么，杂乱的学习的笔记吧，今天凑一下，记录一下吧。
Sriaj 是我认为比较好的老师，上面讲的有很多，适合看一看。
内容一：
1. Python环境的安装和正确开启项目的姿势
1.各种平台的python安装
2.开启姿势
安装python
建立我们的环境
安装依赖 pip install -U 模块名
编写我们的python脚本 (详见 demo.py)
pip install -r requirements.txt 运行一个列表文件
2.利用Twitter的api，进行情感分析
开启姿势
1.注册 twitter 的api
2.安装依赖 tweepy模块（进行twitter通信） 和 textblob模块（进行文字情感分析）
3.写我们的脚本语言 （详见 languageNUL.py 和twitterAi.py）
3.创建一个，为用户推荐图书的机器库
1.开启姿态
编写 协作系统
编写内容系统
4.使用python编写一个简单的预测股票的脚本
内容二： tensorflow 基本语言：
1.变量定义：
Improt tensorflow as tf
Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases=tf.Variable(tf.zero([1]))
初始化所有变量：
init=tf.initialize_all_variables()
其他几个函数：tf.reduce_mean(tf.square(y-y_data))
优化函数：
optimizer=tf.train.GradientDecentOptimizer(学习率)
train=optimizer.minimize(loss)
2.创建矩阵
matrix1=tf.constant([[3,3]]) #一行两列的矩阵
matrix2=tf.constant([[2],
[2]]) #两行一列的矩阵
矩阵乘法：
product=tf.matmul(matrix1,matrix2) #np.dot(m1,m2)
Seesion的运行模式：
第一种：
sess=tf.Session()
result=sess.run(product)
print(result)
Sess.close()
第二种：
with tf.Session() as sess:
result2=sess.run(product)
print(result2)
3.常量
one=tf.constant(1)
tf.assgn(state,new_value) # 这话是将，newvalue的值，加载到state
4.placeholder 需要时，传入：
input1=tf.placeholder(tf.float32,结构【2，】）
tf.add() # 加法运算
tf.mul() #乘法运算
使用：sess.run(运算变量，feed_dict={input1:[7]}) #字典传入
5. activation functions 激励函数
y=AF（wx）
卷积是 relu
relu 函数 elu函数 softplus函数
softsing函数 dropout函数 bias_add 函数
sigmoid函数 tanh函数
4. 结果可视化 使用的是matplotlib.pyplot as plt
5.加速神经网络，优化器
Momenturn
AdaGrad 在学习率上动手脚 ，把鞋子做个阴谋，只能直走
Adam 下坡和破鞋子
7中Optimizer 的优化器：
GradientDescentoptimizer
AdadeltaOptimizer
AdagradOptimizer
MomentumOptimizer #普遍
AdamOptimizer #普遍
FtrlOptimizer
RMSPropOptimizer
6.tf.estimator 模型循环，可自定义模型循环
内容三：python
Python 语言：
1.Print 函数的使用：
str(1) 将1转换成字符串
int(“1”) 将字符串转成int
float(“1.2”) 将字符串转成 小数
2.运算符：
** 代表 乘方
% 求余
// 求 整 如：10//3 =3 商是3
3.while循环语句：
index=0
while 条件:
index=index+1
print(index)
4.for 循环语句：
for I in 数组：
做什么操作
for I in arge（1，10）：# 1，到10 之间，1到9
做什么
for I in arge （1，10，2）： # 1到10之间 1，3 ，5
做什么
5.def函数
def fun（a,b）:
c=a*b
print(‘this c is’，c)
调用： fun（2，3）
小知识：a=None 指什么都没有
Global a 让局部，使用 全局 变量a
6.模块安装
安装依赖 pip install -U 模块名
注意，python2.7 为pip python3.6 为 pip3
卸载依赖 pip uninstall 模块名
7.读写文件
my_file=open(‘文件名带后缀’，‘形式’) #‘r’ 读 ‘w’ 写 ‘a’ 添加
my_file.write(“内容”)
content=file.read() #读文件所有内容
line=file.readline() #按行读
lineList=file.readlines() # 读到 集合 集合以【】
my_file.close() #关闭文件流
8. python类
class Dog：
name=“旺财”
age=“岁”
def show(self,x,y): #self 代表自己
print(x+y,self.age)
def __init__(self,name,age):# 初始化操作
self.name=name
self.age=age
使用：
dog=Dog(“小花”，“2岁”)
dog.show(1,2) #会输出，3岁
dog.age #访问 属性
9.input 的使用：
a_input=int(input(“提示语”))
print(“操作：”,a_input)
if a_input==1:
print(“正确”)
elif a_input==2:
print(“错误”)
else：
print（“不知道”）
9. 元组 和列表：
a_tuple=(1,3) #元组 为小括号，或不要括号
a_list=[2,3] # 列表
遍历：用for 循环 range（5） 0到4 len（a_list） #len 计算字典的长度
列表的属性：
a_list.append(“你好”) #在最后加入 你好
a_list.insert(位置posion，添加内容) #在指定位置，插入数据
a_list.remove(“位置posion”) #删除 那个位置的值
a_list[-1] #从最后一个值，开始
a_list[0:3] #那个位置到那个位置
a_list[-3:] #从最后的第三行到最后
a.index(2) #看2这个值，在那个位置
a.count(3) #出现3这个值，有几次
A.sort() # 从小到大排序
a.sort(reverse=True) #从大到小排序
多维列表：
b=[[1,2,3],[2,3,4]]
print(a[1][2]) # 输出第二个列表的最后一个值
10.字典
c={1:”值”,”key”:”值”}
删除 字典元素： del c[‘key’]
c[‘key’] =20 # 添加新元素
11.导入类
import 模块名
import 模块名 as 简称
from 模块名 import 方法 # 在类中可 直接 调用方法
From 模块名 import * #导入模块的所有方法
自己写的类导入
方法1：提前 一定在 一个 包中，导入方法，是一样的
方法2： 将 他放在，Mac的库，lib ，python3，的 site-packages中，可以全局调用
12. 终止语句
while True：
if a==3：
break #直接跳出
continue # 跳出本次循环
13.错误处理
try：
file=open(“eee”,’4’)
except Exception as e:
print(“什么什么”)
else:
File.write(“你好”) #打开正常做操作
file.close()
14.zip 函数
a =[1,2,3]
b=[4,5,6]
list(zip(a,b)) #会输出 【(1,4),(2,5),(3,6)]
Lambda 的使用：
Fun2=lambda x,y:x+y #意思是 定义一个函数，传参数 ，最后返回x+y
list(map(fun2,[1],[2])) #会输出3
15.copy 函数
import copy
a=[1,2]
c=copy.copy(a) #拷贝 数据
e=copy.deepcopy(a) #拷贝 任何数 都不要重复，指的是，指中的所有内存，都不重复
16.threading 线程
Import threading
Def main():
print(threding.active_count()) #看有多少个激活的线程
print(threding.enumerate()) #加一个线程
ptint(threding.current_thread()) #当前运行的是那个线程
#添加一个线程
added_thread=threading.Thread(target=thread_job) #传入外部函数 ’%s‘ %后面替换的变量
added_thread.start() #开启线程
Def thread_job():
if name==‘main’:
main() #主函数运行
等待线程运行完，在运行其他的
added_thread.join()
线程加参数
added_thread=threading.Thread(target=thread_job，args=（参数）)
线程返回参数
form queue import Queue
q =Queue（）
added_thread=threading.Thread(target=thread_job，args=（参数，q）)
通过 q.get(i) #来取
lock（锁）两个线程，第二个线程，需要第一个线程的结果，做为第二个线程的参数，像kotlin中的携程
lock =threading.Lock()
使用：
lock.acquire() 加锁
lock.release() 解锁
17.pickle 的使用
import pickle
pickle 可以保存 字典 ，类别 ，变量等
a_dict={‘da’:111,2:[23,1,4],’23’:{1:2,’d‘:’sad’}}
file=open(‘a.pickle’,’wb’)
pickle.dump(a_dict,file) #将东西倒入文件
file.close()
读：
File =open(“a.pickle”,’rb’)
a_dict1=pickle.load(file)
file.close()
使用with open（“a.pickle”,’rb）as file：
a_dict1=pickle.load(file) #他会自动关闭文件流
18.set找不同
char_list=[‘1’,’2’,’1’,’3’]
print(set(char_list)) # 去重 type（） 看类型
set.add() #添加
set.clear() #清空
Set.remove() #去掉那个值
Set.discard(“y”) #去掉那个值,并返回原先的赋值
Set1.difference（set2） #返回没有重复的东西。
Set1.intersection（set2） #返回 两个set相同的部分
内容四：Siraj Raval新课程“智力数学”大纲
第一周 - 一阶优化 - 导数，偏导数，凸性
带梯度下降的SVM分类
第二周 - 二阶优化 - 雅可比，黑森州，拉普拉斯
牛顿法逻辑回归
第3周 - 矢量 - 矢量空间，矢量规范，矩阵
K均值聚类算法
第4周 - 矩阵运算 - 点积，矩阵求逆，投影
卷积神经网络
第5周 - 降维 - 矩阵分解，特征向量，特征值
递归神经网络
第6周 - 概率论 - 贝叶斯定理，朴素贝叶斯，拉普拉斯平滑
随机森林
第7周 - 超参数优化 - 贝叶斯与Frequentist，分布，贝叶斯优化
高斯混合模型
第8周 - 随机模型 - 生成网络，潜在Dirichlet分配，主题建模
LSTM网络
第9周 - 加强 - 马尔可夫链，蒙特卡罗，马尔可夫决策过程
游戏机器人
第10周 - 量子机器学习
siraj raval 的数学课程
Hinge loss 损失函数
Linear Regression 线性回归
Decision Tree 决策树
Random Forest 随机森林
Logistic Regression 逻辑回归
K-Nearest Neighbors 最近的邻居
Naive Bayes Classifier 朴素贝叶斯分类器
Hierarchical Clustering 分层聚类
Rule Learning 伴生学习
Tokenizer 将文本转化成序列