Python+AI 入门完整指南

条件语句与循环

# 条件判断
def check_level(score):
    if score >= 90:
        return "优秀"
    elif score >= 60:
        return "及格"
    else:
        return "需要努力"

# 循环示例
def calculate_average(scores):
    total = 0
    for score in scores:
        total += score
    return total / len(scores)

# 测试
scores = [85, 92, 78, 90, 88]
avg = calculate_average(scores)
print(f"平均分：{avg:.2f}")
print(f"等级：{check_level(avg)}")

函数与模块

# 定义函数
def greet(name, language="中文"):
    greetings = {
        "中文": f"你好，{name}！",
        "English": f"Hello, {name}!",
        "日本語": f"こんにちは、{name}！"
    }
    return greetings.get(language, f"Hi, {name}!")

# 使用函数
print(greet("小明"))
print(greet("Alice", "English"))

# 导入模块
import random
import math

# 生成随机数
random_number = random.randint(1, 100)
print(f"随机数：{random_number}")
print(f"平方根：{math.sqrt(16)}")

📊 第二阶段：数据科学基础（2-3 个月）

2.1 NumPy - 数值计算基础

import numpy as np

# 创建数组
arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print("一维数组：", arr1)
print("二维数组:\n", arr2)

# 数组运算
print("数组乘法：", arr1 * 2)
print("数组平方：", arr1 ** 2)

# 统计函数
print("平均值：", np.mean(arr1))
print("标准差：", np.std(arr1))
print("最大值：", np.max(arr1))

2.2 Pandas - 数据处理利器

import pandas as pd

# 创建 DataFrame
data = {
    '姓名': ['张三', '李四', '王五', '赵六'],
    '年龄': [25, 30, 35, 28],
    '城市': ['北京', '上海', '深圳', '杭州'],
    '薪资': [15000, 20000, 25000, 18000]
}
df = pd.DataFrame(data)
print("员工数据表:\n", df)

# 数据筛选
high_salary = df[df['薪资'] > 18000]
print("\n高薪员工:\n", high_salary)

# 数据统计
print("\n薪资统计：")
print(df['薪资'].describe())

# 数据排序
print("\n按年龄排序:\n", df.sort_values('年龄', ascending=False))

2.3 Matplotlib - 数据可视化

import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建示例数据
categories = ['Python 基础', '数据分析', '机器学习', '深度学习', '项目实战']
study_hours = [40, 60, 80, 70, 50]

# 创建柱状图
plt.figure(figsize=(10, 6))
bars = plt.bar(categories, study_hours, color='skyblue', edgecolor='navy')

# 添加数值标签
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2., height,
             f'{height}h', ha='center', va='bottom')

plt.title('AI 学习各阶段建议学习时间', fontsize=16)
plt.xlabel('学习阶段', fontsize=12)
plt.ylabel('学习时间（小时）', fontsize=12)
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.savefig('study_hours.png', dpi=300)
plt.show()

🤖 第三阶段：机器学习入门（3-4 个月）

3.1 Scikit-learn 安装与导入

pip install scikit-learn

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, classification_report

# 加载经典鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据

print("特征名称：", iris.feature_names)
print("目标类别：", iris.target_names)
print("数据形状：", X.shape)

3.2 第一个机器学习模型

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42)

# 创建 K 近邻分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率：{accuracy:.2%}")
print("\n分类报告:\n", classification_report(y_test, y_pred, target_names=iris.target_names))

# 预测新样本
new_sample = [[5.1, 3.5, 1.4, 0.2]]
prediction = knn.predict(new_sample)
print(f"\n新样本预测结果：{iris.target_names[prediction[0]]}")

机器学习项目流程

1. 数据收集
2. 数据预处理
3. 特征工程
4. 模型选择
5. 模型训练
6. 模型评估
7. 调参优化
8. 模型部署

🧠 第四阶段：深度学习进阶（4-6 个月）

4.1 深度学习框架选择

# TensorFlow 安装
pip install tensorflow
# PyTorch 安装（推荐新手）
pip install torch torchvision

4.2 简单神经网络示例

import torch
import torch.nn as nn
import torch.optim as optim

# 定义简单的神经网络
class SimpleNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 创建模型
model = SimpleNet(input_size=4, hidden_size=10, output_size=3)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

print("神经网络结构：")
print(model)

📈 AI 学习时间分配建议

• Python 基础：17%
• 数据科学基础：25%
• 机器学习：33%
• 深度学习：25%

💡 学习建议与资源推荐

学习建议

1. 理论与实践结合：每学一个概念，立即动手写代码
2. 从项目入手：选择感兴趣的小项目开始
3. 加入社区：GitHub、Stack Overflow
4. 保持耐心：AI 学习需要时间积累

推荐资源

在线课程

• Coursera - Andrew Ng 机器学习课程
• Fast.ai - 深度学习实战课程
• B 站 - Python 中文教程

书籍推荐

• 《Python 编程：从入门到实践》
• 《机器学习实战》
• 《深度学习》（花书）

实践平台

• Kaggle - 数据科学竞赛
• Colab - 免费 GPU 环境
• GitHub - 开源项目学习

🎓 结语

Python+AI 的学习之路虽然漫长，但每一步都充满乐趣。记住：

最好的学习方式就是动手实践！

从今天开始，写下你的第一行 Python 代码，开启 AI 学习之旅吧！