換句話說，如果你是初學者， Flask 可能是一個更好的選擇，因為它有更少的組件需要處理。 此外，如果你想要更多自定義， Flask 是更好的選擇。

另一方面，如果你想要直接構建一些東西， Django 可能會讓你更快地到達那里。

好的，我們來看下一個主題吧！

數據科學 - 包括機器學習，數據分析和數據可視化

1. 機器學習

首先，讓我們回顧一下機器學習是什么

我認為解釋機器學習的最佳方法是給你一個簡單的例子。 假設你想要開發一個程序來自動檢測圖片中的內容。

因此，如下圖（圖1），你希望程序識別出它是一只狗。

?

?

?

鑒于下面的另一個（圖2），你希望程序識別它是一個桌子。

?

?

?

你可能會說，好吧，我可以寫一些代碼來做到這一點。 例如，如果圖片中有很多淺棕色像素，那么我們可以說它是一只狗。

或者，你可以弄清楚如何檢測圖片中的邊緣。 然后，你可能會說，如果有很多直邊，那么它就是一張桌子。

但是，這種方法很快變得棘手。 如果照片中有一只沒有棕色頭發的白狗怎么辦？ 如果圖片只顯示桌子的圓形部分怎么辦？

這就是機器學習的用武之地。

機器學習通常實現一種, 自動檢測給定輸入模式的算法。

你可以給機器學習算法，給1000張狗的照片和1000張桌子的照片。 然后，它將學習狗和桌子之間的區別。 當你給它一張狗或桌子的新圖片時，它將能夠識別它是哪一個。

我認為這有點類似于嬰兒學習新事物的方式。 寶寶怎么知道一件事看起來像狗，另一件看起來像一張桌子？ 可能來自一堆例子。

你可能沒有明確地告訴嬰兒，“如果有毛茸茸的東西，有淺棕色的頭發，那么它可能是一只狗?！?

你可能會說，“那是一只狗。 這也是一只狗。 這是一張桌子。 那個也是一張桌子。“

機器學習算法的工作方式大致相同。

你可以將相同的想法應用于：

• 推薦系統（如 YouTube ，亞馬遜和 Netflix ）
• 人臉識別
• 語音識別

等其他場景。

你可能聽說過的流行的機器學習算法包括：

• 神經網絡
• 深度學習
• 支持向量機
• 隨機森林

你可以使用上述任何算法來解決我之前解釋過的圖片標注問題。

用于機器學習的 Python

針對機器學習有流行的機器學習庫和Python框架。

其中兩個最受歡迎的是 scikit-learn 和 TensorFlow 。

scikit-learn 附帶了一些內置的更流行的機器學習算法。 我在上面提到了其中一些。 TensorFlow 更像是一個低級庫，允許你構建自定義機器學習算法。

如果你剛剛開始使用機器學習項目，我建議你先從 scikit-learn 開始。

如果你開始遇到效率問題，那么我會開始研究 TensorFlow 。

2. 數據分析和數據可視化又是怎樣呢？

為了幫助你了解這些可能是什么樣子，讓我在這里給你一個簡單的例子。

假設你正在為一家在線銷售某些產品的公司工作。

然后，作為數據分析師，你可以繪制這樣的條形圖。

?

?

用Python生成的條形圖

?

從這張圖中，我們可以看出，男性購買了超過400個單位的產品，女性在這個特定的星期天購買了約350個單位的產品。

作為數據分析師，你可能會對這種差異提出一些可能的解釋。

一個明顯可能的解釋是，這種產品比男性更受男性歡迎。 另一種可能的解釋可能是樣本量太小而且這種差異只是偶然造成的。 而另一種可能的解釋可能是，男性傾向于僅在周日因某種原因購買該產品。

要了解哪些解釋是正確的，你可能會繪制另一個這樣的圖表。

?

?

?

我們不是僅顯示星期日的數據，而是查看整整一周的數據。 如你所見，從這張圖中，我們可以看到這種差異在不同的日子里非常一致。

從這個小小的分析中，你可以得出結論，對這種差異最有說服力的解釋是，這種產品更容易受到男性的歡迎，而不是女性。

另一方面，如果你看到像這樣的圖表怎么辦？

?

?

?

那么，是什么解釋了周日的差異？

你可能會說，也許男人往往只是因為某種原因在周日購買更多的這種產品。 或者，也許只是巧合，周日男人買了更多。

因此，這是數據分析在現實世界中可能看起來像的簡化示例。

我在谷歌和微軟工作時所做的數據分析工作與這個例子非常相似 - 只是更復雜。 我實際上在谷歌使用 Python 進行這種分析，而我在微軟使用 JavaScript 。

我在這兩家公司使用 SQL 來從我們的數據庫中提取數據。 然后，我會使用 Python 和 Matplotlib （在谷歌）或 JavaScript 和 D3.js （在微軟）來可視化和分析這些數據。

用 Python 進行數據分析和數據可視化

Matplotlib是最受歡迎的數據可視化庫之一。 這是一個非常適合開始學習的庫，原因如下：

• 容易上手
• 其他一些庫如 seaborn 就是基于它的。 因此，學習 Matplotlib 將幫助你稍后學習這些其他庫。

腳本

什么是腳本？

腳本通常是指編寫旨在自動執行簡單任務的小程序。

那么，讓我舉一個我個人經歷的例子。

我曾經在日本的一家小型創業公司工作，我們有一個電子郵件支持系統。 這是一個系統，讓我們回復客戶通過電子郵件發送給我們的問題。

當我在那里工作時，我的任務是計算包含某些關鍵字的電子郵件的數量，以便我們分析收到的電子郵件。

我們可以手動完成它，但是，我編寫了一個簡單的程序/簡單腳本來自動執行此任務。

實際上，我們當時使用Ruby，但Python也是這類任務的好語言。 Python適合這種類型的任務，主要是因為它具有相對簡單的語法并且易于編寫。 用它寫一些小東西并測試它也很快。

嵌入式應用程序呢？

我不是嵌入式應用程序方面的專家，但我知道Python可以與Rasberry Pi一起使用。 它似乎是硬件愛好者中的一種流行應用。

游戲又如何呢？

你可以使用名為PyGame的庫來開發游戲，但它并不是最流行的游戲引擎。 你可以用它來建立一個愛好項目，但如果你認真對待游戲開發，我個人不會選擇它。

相反，我建議開始使用 Unity 與 C＃ ，這是最受歡迎的游戲引擎之一。 它允許你為許多平臺構建游戲，包括Mac，Windows，iOS和Android。

桌面應用又怎樣？

你可以使用Tkinter制作一個Python，但它似乎也不是最受歡迎的選擇。

相反，似乎Java，C＃和C ++等語言更受歡迎。

最近，一些公司也開始使用JavaScript來創建桌面應用程序。

例如，Slack的桌面應用程序是用 Electron 構建的。 它允許你使用 JavaScript 構建桌面應用程序。

就個人而言，如果我正在構建一個桌面應用程序，我會使用 JavaScript 選項。 它允許你重用Web版本中的一些代碼（如果有的話）。

但是，我也不是桌面應用程序方面的專家，所以如果你不同意或同意我的意見，請在評論中告訴我。

Python 3 or Python 2?

我會推薦Python 3，因為它更現代，而且在這一點上它是一個更受歡迎的選項。

腳注：關于后端代碼與前端代碼的說明（以防你不熟悉這些條款）：

假設你想制作像 Instagram 這樣的東西。

然后，你需要為要支持的每種類型的設備創建前端代碼。

你可以使用，例如：

適用于iOS的Swift 適用于Android的Java 用于Web瀏覽器的JavaScript 每組代碼都將在每種類型的設備/瀏覽器上運行。這將是一組代碼，用于確定應用程序的布局如何，單擊按鈕時的外觀等等。

但是，你仍然需要能夠存儲用戶的信息和照片。你需要將它們存儲在服務器上，而不僅僅存儲在用戶的設備上，以便每個用戶的關注者都可以查看他/她的照片。

這是后端代碼/服務器端代碼的用武之地。你需要編寫一些后端代碼來執行以下操作：

跟蹤誰在關注誰 壓縮照片，以免占用太多存儲空間 在發現功能中向每個用戶推薦照片和新帳戶 因此，這是后端代碼和前端代碼之間的區別。

順便說一下，Python并不是編寫后端/服務器端代碼的唯一好選擇。還有許多其他流行的選擇，包括 Node.js ，它基于JavaScript。