前不久，TIOBE官网更新了2021-11编程语言排行榜，Python超越C语言，成为了目前最受欢迎的编程语言。为啥Python能排名第一呢？那是因为物联网、人工智能带火了Pyhton.TIOBE排行榜：
https://www.tiobe.com/tiobe-index/
Python 是由 Guido van Rossum 在八十年代末和九十年代初，在荷兰国家数学和计算机科学研究所设计出来的。Python 本身也是由诸多其他语言发展而来的,这包括 ABC、Modula-3、C、C++、Algol-68、SmallTalk、Unix shell 和其他的脚本语言等等。像 Perl 语言一样，Python 源代码同样遵循 GPL(GNU General Public License)协议。
Python 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。Python 的设计具有很强的可读性，相比其他语言经常使用英文关键字，其他语言的一些标点符号，它具有比其他语言更有特色语法结构。Python 是一种解释型语言：这意味着开发过程中没有了编译这个环节。类似于PHP和Perl语言。Python 是交互式语言：这意味着，您可以在一个 Python 提示符 >>> 后直接执行代码。Python 是面向对象语言: 这意味着Python支持面向对象的风格或代码封装在对象的编程技术。Python 是初学者的语言：Python 对初级程序员而言，是一种伟大的语言，它支持广泛的应用程序开发，从简单的文字处理到 WWW 浏览器再到游戏。易于学习：Python有相对较少的关键字，结构简单，和一个明确定义的语法，学习起来更加简单。易于维护：Python的成功在于它的源代码是相当容易维护的。一个广泛的标准库：Python的最大的优势之一是丰富的库，跨平台的，在UNIX，Windows和Macintosh兼容很好。互动模式：互动模式的支持，您可以从终端输入执行代码并获得结果的语言，互动的测试和调试代码片断。可移植：基于其开放源代码的特性，Python已经被移植（也就是使其工作）到许多平台。可扩展：如果你需要一段运行很快的关键代码，或者是想要编写一些不愿开放的算法，你可以使用C或C++完成那部分程序，然后从你的Python程序中调用。数据库：Python提供所有主要的商业数据库的接口。GUI编程：Python支持GUI可以创建和移植到许多系统调用。可嵌入: 你可以将Python嵌入到C/C++程序，让你的程序的用户获得"脚本化"的能力。如今，人工智能火爆全球并快速切入各个领域，比如电商、金融、交通、安防、医疗、教育，国内外各大公司纷纷成立相关AI研究院，大力投入研发。目前，人工智能的技术应用非常广泛，在现实生活中很多场景都看到人工智能的身影。
再比如，智能问答机器人：
再比如，大规模行人重识别：
以上都是一些常见的应用场景，其实还有很多，比如电商平台的商品推荐系统、聊天机器人等，可以说，现在人工智能在哪里都吃香。
1. 人工智能定义与分类
人工智能（Artificial Intelligence, AI）是机器，特别是计算机系统对人类智能过程的模拟。人工智能是一个愿景，目标就是让机器像我们人类一样思考与行动，能够代替我们人类去做各种各样的工作。人工智能研究的范围非常广，包括演绎、推理和解决问题、知识表示、学习、运动和控制、数据挖掘等众多领域。其中，知识表示是人工智能领域的核心研究问题之一，它的目标是让机器存储相应的知识，并且能够按照某种规则推理演绎得到新的知识。人工智能，按照是增强我们脑力还是增强我们体力、是取代人的工作还是辅助人，可以根据应用场景划分成4个大的类别，见下图：从上图可以看出，人工智能是一个宏大的愿景，目标是让机器像我们人类一样思考和行动，既包括增强我们人类脑力也包括增强我们体力的研究领域。而学习只是实现人工智能的手段之一，并且，只是增强我们人类脑力的方法之一。所以，人工智能包含机器学习。机器学习又包含了深度学习，他们三者之间的关系见下图：机器学习（Machine Learning，ML）是机器从经验中自动学习和改进的过程，不需要人工编写程序指定规则和逻辑。“学习”的目的是获得知识。机器学习的目的是让机器从用户和输入数据处获得知识，以便在生产、生活的实际环境中，能够自动作出判断和响应，从而帮助我们解决更多问题、减少错误、提高效率。一般来说，机器学习往往需要人工提取特征，这一过程称为特征工程（Feature Engine）。人工提取特征，在部分应用场景中可以较为容易的完成，但是在一部分应用场景中却难以完成，比如图像识别、语音识别等场景，自然而然地，我们希望机器能够从样本数据中自动的学习、自动的发现样本数据中“特征”，从而能够自动地完成样本数据分类。机器学习与深度学习的学习过程异同，下图：深度学习（Deep Learn，DL）是机器学习的一种，主要特点是使用多层非线性处理单元进行特征提取和转换。每个连续的图层使用前一层的输出作为输入。从深度学习的定义中，我们可以得知深度学习是机器学习的一种，是机器学习的子集。同时，与一般的机器学习不同，深度学习强调以下几点：强调了模型结构的重要性：深度学习所使用的深层神经网络（Deep Neural Network，DNN）算法中，隐藏层往往会有多层，是具有多个隐藏层的深层神经网络，而不是传统“浅层神经网络”，这也正是“深度学习”的名称由来。强调非线性处理：线性函数的特点是具备齐次性和可加性，因此线性函数的叠加仍然是线性函数，如果不采用非线性转换，多层的线性神经网络就会退化成单层的神经网络，最终导致学习能力低下。深度学习引入激活函数，实现对计算结果的非线性转换，避免多层神经网络退化成单层神经网络，极大地提高了学习能力。特征提取和特征转换：深层神经网络可以自动提取特征，将简单的特征组合成复杂的特征，也就是说，通过逐层特征转换，将样本在原空间的特征转换为更高维度空间的特征，从而使分类或预测更加容易。与人工提取复杂特征的方法相比，利用大数据来学习特征，能够更快速、方便地刻画数据丰富的内在信息。上面讲述了人工智能相关的概念以及应用场景，再来说说人工智能的重要核心技术 - 机器学习。机器学习作为AI的核心技术，可谓掌握了机器学习，便跨过了AI的准入门门槛。掌握了机器学习，调整四五十万高薪不是梦，甚至年薪百万也有可能。这里就要推荐一下机器学习集训营第十六期由七月在线和人民邮电出版社异步社区联合开设。在上一期的基础上，且为提升学员的AI项目经验和工程能力，本期新增部分在线直播、实训项目，具体见下图。
集训营讲师均来自大厂一线技术专家，拥有多年实战研发经验，手把手带学员实战最新最前沿的实战项目。
完成项目进入就业阶段后，BAT等大厂技术专家会1对1进行简历优化（比如将集训营项目整理到简历中）、面试辅导（比如面试常见考点/模型/算法），且和就业老师一起进行就业推荐等等就业服务。
决定现在的，是你昨天的选择；而决定明天的，是你今天的行动。
所以，与其自怨自艾，不如抓住一切机会提升自己，不要等到无路可走再陷入无尽的纠结。
来吧，拒绝焦虑，一起提升，本号粉丝，可享七月【机器学习集训营】第十六期 1600元优惠，放10个优惠名额。可以扫码报名1600元报名优惠
扫码回复“ML73”
👇抢名额👇
（仅2021年11月19日前有效，过后需原价购买！）
2021年12月27日开始直播，直播前组织预习，加上正式课程、就业为期近半年。
以上课程，感兴趣的小伙伴，可以趁优惠活动扫码报名：
扫码回复“ML73”
👇抢名额👇
（仅2021年11月19日前有效，过后需原价购买！）最后，上面课程价格可能很多小伙伴承受不了，这里推荐一下他们家售价600元的【带打kaggle比赛 第二期】 ，本号粉丝福利， 9 元秒杀，限60人！，如果觉得上面价格比较贵，或者基础不牢固的同学，可以参加这个9元的基础课程训练。
扫码回复“ML73”
👇享9元秒杀👇
（仅2021年11月19日前有效，过后需原价购买！）众所周知，Kaggle是全球顶级的比赛赛事，通过参加kaggle比赛，可以收获工业界数据比赛经验，而且优秀的成绩可以给简历加分，且TOP排名可获得大厂内推机会。
如果你有Python基础但没有完整参加过一场数据竞赛，想入门学习Kaggle竞赛，或者感受一场完整的Kaggle竞赛的流程，那么带打Kaggle班是你最好的选择:做一场世界级的数据科学竞赛!
除此之外，扫码还可免费获取：11月25日由七月在线与人民邮电出版社联合出品 公开课程《电商用户行为预测实战 ----手把手带你从0到1掌握数据挖掘全流程》
扫码回复“ML73”
👇获取课程链接👇
点击“阅读原文”直接报名。
