我整理了一份 Python 学习路线，从零到深度学习，共 100 课，按技术成长的逻辑串起来。下面分阶段说明核心内容和大致课次。
起步：基础语法与数据结构（第 1-15 篇）
装好 PyCharm，跑通 Hello World，理解程序执行原理。变量、数据类型、作用域、运算符优先级，这些别跳过。然后写 if-else、for/while 循环，练习嵌套、break 和 continue。数据结构是重中之重：列表、元组、字符串、集合、字典，每种类型的创建、访问、方法和推导式都要熟悉。函数部分从定义与传参开始，逐步接触高阶函数、lambda、闭包、装饰器，最后写几个递归，感受函数式编程。
组织代码：面向对象与文件处理（第 16-24 篇）
面向对象：类、对象、继承、多态、方法重写，最好结合电商系统建模。文件处理：从基本的 open/read/write 开始，然后操作 Excel（openpyxl）、CSV，再学 PIL 处理图像，正则表达式也在这一阶段拿下。
实战：并发编程与网络爬虫（第 25-39 篇）
爬虫是学习 HTTP 的好途径。理解进程、线程与同步后，用 requests 库发送 GET/POST，处理请求头、Cookie、代理和异常。解析数据用 lxml、XPath、BeautifulSoup，再处理编码和 JSON，正则也要进阶使用。别忘了 urllib 和网络编程基础。
后端开发：Django 框架（第 40-50 篇）
Django 的 MTV 架构、ORM、模板引擎要会用。从项目搭建、数据库设计到用户认证、RBAC 权限、REST API，完整走一遍后端流程。事务、数据库性能和并发控制也需要了解。
机器学习基础（第 51-62 篇）
先别急着上深度学习。线性回归、逻辑回归、决策树、KNN、SVM 这些经典算法要扎实，结合加州房价、手写数字等数据集实战。无监督学习掌握 K-means 和 PCA 降维，集成学习了解随机森林和贝叶斯分类。特征工程、交叉验证和模型部署才是落地的关键。
计算机视觉 OpenCV（第 63-77 篇）
从图像读写、色彩空间、几何变换、滤波、边缘检测开始，然后做人脸检测、特征点匹配、手势识别。YOLO 和姿态估计作为入门深度学习前的甜点。
深度学习与前沿架构（第 78-100 篇）
从全连接、CNN 理解过拟合与正则化，用 ResNet 和迁移学习提升性能，再到 RNN/LSTM 处理时序。最后深入 Transformer、ViT、可变形卷积、注意力机制，在人体行为识别等数据集上实战。
整条路线不必按部就班全学完，挑需要的部分，多写代码才是真。
