我把Python学习分成了三个阶段

第一个阶段：Python的基础知识

初学者需要对Python的基础知识做一个全方位的了解，要清楚什么是条件选择，循环的作用，List集合和Dict字典集合；什么是函数，如何进行异常处理，什么是文件和目录，文件的读取和写入；如何写Python模块，如何在另外一个程序里面去引入模块；熟悉常见的标准库，比如：时间日期，随机数，正则表达式等；要学会使用面向对象的思维来进行编程；总而言之，阶段一主要是打基础，需要掌握一些基本的Python语句，但是正在的开发核心是Web端的开发，所以就有了后面的阶段二和阶段三。

第二个阶段：MVC的Web框架

Web框架很多，这里建议大家学习Django框架，因为Django是一个企业级的框架，目前企业应用的最多；阶段二除了涉及到Django框架之外，还涉及到很多前端的知识，包括HTML、CSS、JavaScript、jQuery等等；

在阶段二除了前后端，还包含数据库，所有的开发如果没有后端的数据是没有意义的，所以需要数据库来存储数据。

如果想真正理解MVC这种设计模型(在Django里面叫MVT)真正运行的过程是什么，当对Mysql数据库的增删改查熟悉之后，就可以使用Pymysql这个模块来操作后台的mysql数据库了。在和数据库交互的时候有两个模式，模式一：原生的SQL，模式二：ORM；原生的SQL语句简单了解即可，后面写程序主要是通过ORM，所以ORM也是必须要掌握的内容。

当阶段二完成后，一些常见的或者不是特别复杂的Web应用程序就可以独立完成了，但是写出来的程序是前后端没有分离的，如果你想对开发的认知提高一个层次，第三个阶段就显得尤为重要，Web应用程序的前后端的框架是一定要分离开的。

第三个阶段：前后端分离的Web框架

最后一个阶段除了涉及到后端的Django框架之外，还必须要掌握前端的框架，比如：VUE 或者React等等；要知道json这样的文本格式是怎么回事；Ajax的异步请求应该如何写，前后端分离后，前端就是通过Ajax和后端交互；

后端部分在之前的阶段二对Django做了基本的了解，在阶段三就需要知道FBV和CBV，在阶段二写的所有的VUE都是基于函数的，在阶段三写的VUE一定要基于类。在后端一个非常重要的设计模型REST Framework，一定要学会使用REST Framework这种设计模型为前端提供API；在阶段三建议还要学习一个数据库mongoDB，来更好的完成数据库调用。

三个阶段都掌握后，从事开发相关的工作，月薪不会低于10k，当然了，你也可以从事人工智能相关的行业

那就需要你多专研算法了

我这里有很多学习过程中积累的干货资料

有需要的参考下图找我来拿

""" Implementing logistic regression for classification problem

import numpy as np

import matplotlib.pyplot as plt

# get_ipython().run_line_magic('matplotlib', 'inline')

from sklearn import datasets

# In[67]:

# sigmoid function or logistic function is used as a hypothesis function in classification problems

def sigmoid_function(z):

return 1 / (1 + np.exp(-z))

def cost_function(h, y):

return (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean()

def log_likelihood(X, Y, weights):

scores = np.dot(X, weights)

return np.sum(Y * scores - np.log(1 + np.exp(scores)))

# here alpha is the learning rate, X is the feature matrix,y is the target matrix

def logistic_reg(alpha, X, y, max_iterations=70000):

theta = np.zeros(X.shape[1])

for iterations in range(max_iterations):

z = np.dot(X, theta)

h = sigmoid_function(z)

gradient = np.dot(X.T, h - y) / y.size

theta = theta - alpha * gradient # updating the weights

z = np.dot(X, theta)

h = sigmoid_function(z)

J = cost_function(h, y)

if iterations % 100 == 0:

print(f"loss: {J} \t") # printing the loss after every 100 iterations

return theta

# In[68]:

if __name__ == "__main__":

iris = datasets.load_iris()

X = iris.data[:, :2]

y = (iris.target != 0) * 1

alpha = 0.1

theta = logistic_reg(alpha, X, y, max_iterations=70000)

print("theta: ", theta) # printing the theta i.e our weights vector

def predict_prob(X):

return sigmoid_function(

np.dot(X, theta)

) # predicting the value of probability from the logistic regression algorithm

plt.figure(figsize=(10, 6))

plt.scatter(X[y == 0][:, 0], X[y == 0][:, 1], color="b", label="0")

plt.scatter(X[y == 1][:, 0], X[y == 1][:, 1], color="r", label="1")

(x1_min, x1_max) = (X[:, 0].min(), X[:, 0].max())

(x2_min, x2_max) = (X[:, 1].min(), X[:, 1].max())

(xx1, xx2) = np.meshgrid(np.linspace(x1_min, x1_max), np.linspace(x2_min, x2_max))

grid = np.c_[xx1.ravel(), xx2.ravel()]

probs = predict_prob(grid).reshape(xx1.shape)

plt.contour(xx1, xx2, probs, [0.5], linewidths=1, colors="black")

plt.legend()

plt.show()