Python 基础
第一章 · 绪论与环境配置
配合机器学习系列课程欢迎关注微信公众号
课程目标
- 为 零基础 学员构建最基础的 Python 知识体系
- 已有基础的同学可选修部分章节，补齐知识盲区
- 紧贴 人工智能方向 ，不涉及 Web/爬虫/游戏等其他方向
- 输出能力： 基础的机器学习编程能力
⚠️ 面向零基础或基础薄弱学员， 不涉及异步编程、元编程等高级内容
课程内容与学习形式
📹 课程视频
通过脑图介绍本章框架
通过小例子展开各知识点
阐明"是什么"、"能做什么"、"有哪些坑"
📝 作业讲解
每章节布置相应编程作业
每两章结束后结合作业打卡情况讲解
递进式、趣味性、启发式
为什么是 Python？
- Python 与 AI 密不可分 — 几乎所有主流机器学习框架（TensorFlow、PyTorch）的首选接口语言
- 方便灵活、简单易用 — 语法接近自然语言，学习曲线平缓
- 生态丰富 — NumPy、Pandas、Scikit-learn、Matplotlib 等库开箱即用
- 开发速度快 — 同样的算法，Python 开发 1 小时 ≈ C++ 开发 10 小时
Python 性能真相
| 维度 | Python | C++ |
|---|---|---|
| 1~100万累加（重复100次） | ~10 s | ~0.3 s |
| 开发同样功能耗时 | ~1 小时 | ~10 小时 |
| 适合场景 | 上层逻辑、快速验证 | 底层算法、性能瓶颈 |
💡 策略： Python 写上层逻辑，C/C++ 写底层算法，通过 NumPy 等库暴露 Python 接口 —— 各取所长，有机融合
Python 的语言属性
按执行方式
编译型 ：C、C++ — 先编译再运行，速度快
解释型 ：Python、JavaScript — 逐行解释执行，灵活
按类型声明
静态语言 ：Java、C++ — 变量类型需预先声明
动态语言 ：Python — 变量类型运行时自动推断
Python = 解释型 + 高级语言 + 动态语言
Python 发展简史
- 1989 — 荷兰程序员 Guido van Rossum 开发 Python（大蟒蛇）
- 1991 — 第一个可用版本问世
- 2000 — Python 2.0 发布
- 2008 — Python 3.0 发布（自我革命，不兼容 2.x）
- 2010 — Python 2.x 发布最后一个版本
- 2016 — 几乎所有重要库完成 Python 3 迁移
- 现在 — Python 3.x 持续迭代更新，3.12+ 为主流
⚠️ 本课程使用 Python 3.x ，不再涉及 Python 2 相关内容
环境配置：Anaconda
Anaconda 是数据科学领域最常用的 Python 发行版，内置了 NumPy、Pandas 等常用库
# 2. 创建独立的 Python 环境
conda create -n pyml python=3.11
# 3. 激活环境
conda activate pyml
# 4. 安装机器学习常用包
conda install numpy pandas matplotlib scikit-learn
conda install jupyter notebook
开发工具推荐
🛠️ PyCharm
JetBrains 出品的 Python IDE
代码补全、调试、重构功能强大
Community 版免费
📓 Jupyter Notebook
交互式编程环境，代码分块运行
适合数据探索、可视化展示
机器学习领域标配工具
💡 建议： 平时用 PyCharm 写完整项目 ， 数据分析/实验用 Jupyter Notebook
学习建议
- 动手 > 看 — 每看完一节就打开 IDE 敲一遍代码，不要只看不练
- 先跑通，再深究 — 不要卡在语法细节上，先让代码跑起来，再回头理解
- 善用搜索引擎 — Python 报错信息通常很直观，复制到 Google/百度就能找到答案
- 坚持打卡 — 每两章有一次作业讲解，跟上节奏比突击更有效
- 以用促学 — 结合机器学习课程中的实战项目来巩固 Python 语法
本章小结
✅ 了解了 Python 在 AI 领域的重要性
✅ 完成了 Anaconda + PyCharm/Jupyter 的环境搭建
✅ 明确了学习路径和方法
下一章：Python 基本语法元素