spaCy 是一個Python自然語言處理工具包,誕生於2014年
㈡ python和人工智慧有什麼關系
人工智慧是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應
用系統的一門新的技術科學。人工智慧是計算機科學的一個分支，它企圖了解智
能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該
領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。
Python因簡單高效、優質的文檔、強大的AI庫、海量的模塊，成為研究AI最
常用的開發語言。由於ExplosionAI是基於Python的NLP庫spaCy的製作者，
所以調查中Python開發者佔多數。
人工智慧在近幾年的發展因相關政策的支持，相應產業發展迅速，崗位需求也在
不斷增加，相應的崗位薪資也是很可觀的。Python編程一般是學習人工智慧的
必備基礎。
㈢ ipad能用來學習python嗎
人工智慧+區塊鏈的發展趨勢及應用調研報告
其實，不只是iPad，手機也可以。
痛點
我組織過幾次線下編程工作坊，帶著同學們用Python處理數據科學問題。
其中最讓人頭疼的，就是運行環境的安裝。
實事求是地講，參加工作坊之前，我已經做了認真准備。
例如集成環境，選用了對用戶很友好的Anaconda。
代碼在我的Macbook電腦上跑，沒有問題。還拿到學生的Windows 7上跑，也沒有問題。這才上傳到了Github。
在發布的教程文章里，我也已經把安裝軟體包的說明寫得非常詳細。
還針對 Anaconda 這一 Python 運行環境的安裝和運行，專門錄制了視頻。
但是，工作坊現場遇見的問題，依然五花八門。
有的是操作系統。例如你可能用Windows 10。實話實說，我確實沒用過。拿著Surface端詳，連安裝後的Anaconda文件夾都找不到在哪兒。
有的是編碼。不同操作系統，有的默認中文編碼是UTF-8，有的是GBK。同樣一段中文文本，我這里顯示一切正常，你那裡就是亂碼。
有的是套件路徑。來參加工作坊前，你可能看過我一些教程，並安裝了 Python 2.7 版本 Anaconda。來到現場，一看需要 Python 3.6 版本，你就又安裝了一份新的。結果執行起來，你根本分不清運行的 Python, pip 命令來自哪一個套件，更搞不清楚軟體包究竟安裝到哪裡去了。再加上虛擬環境配置，你就要抓狂了。
還有的，甚至是網路擁塞問題。因為有時需要現場安裝調用體積龐大的軟體包，幾十台電腦「預備——齊」一起爭搶有限的Wifi帶寬，後果可想而知。
痛定思痛，我決定改變一下現狀。
目前的教程只提供基礎源代碼。對於許多新手同學來說，是不夠的。
許多同學，就倒在了安裝依賴軟體包的路上，繼而乾脆放棄了。
變通的辦法有許多。例如乾脆錄制代碼執行視頻給你看。
但是正如我在《MOOC教學，什麼最重要?》一文中說過的，學習過程里，反饋最重要。
你需要能運行代碼，並且第一時間獲得結果反饋。
在此基礎上，你還得能修改代碼，對比前後執行結果的差別。
我得給你提供一個直接可以運行的環境。
零安裝，自然也就沒了上述煩惱。
這個事兒可能嗎?
我研究了一下，沒問題。
只要你的設備上有個現代化瀏覽器(包括但不限於Google Chrome, Firefox, Safari和Microsoft Edge等)就行。
IE 8.0?
那個不行，趕緊升級吧!
讀到這里，你應該想明白了。因為只挑瀏覽器，不挑操作系統，所以別說你用Windows 10，你就是用iPad，都能運行代碼。
嘗試
請你打開瀏覽器，輸入這個鏈接(http://t.cn/R35fElv)。
看看會發生什麼?
我這里用iPad給你演示。
一開始會有個啟動界面出來。請你稍等10幾秒鍾。
然後，你就能看到熟悉的Python代碼運行界面了。
這個界面來自 Jupyter Lab。
你可以將它理解為 Jupyter Notebook 的增強版，它具備以下特徵：
代碼單元直接滑鼠拖動; 一個瀏覽器標簽，可打開多個Notebook，而且分別使用不同的Kernel; 提供實時渲染的Markdown編輯器; 完整的文件瀏覽器; CSV數據文件快速瀏覽 ……
圖中左側分欄，是工作目錄下的全部文件。
右側打開的，是咱們要使用的ipynb文件。
為了證明這不是逗你玩兒，請你點擊右側代碼上方工具欄的運行按鈕。
點擊一下，就會運行出當前所在代碼單元的結果。
不斷點擊下來，你可以看見，結果都被正常渲染。
連圖像也能正常顯示。
甚至連下面這種需要一定運算量的可視化結果，都沒問題。
為了證明這不是變魔術，你可以在新的單元格，寫一行輸出語句。
就讓Python輸出你的名字吧。
假如你叫 Chuck，就這樣寫：
print("Hello, Chuck!")
把它替換成你自己的姓名，看看輸出結果是否正確?
其實，又何止是iPad而已?
你如果足夠勇(sang) 於(xin) 嘗(bing) 試(kuang)，手機其實也是可以的。
就像這樣。
流程
下面我給你講講，這種效果是怎麼做出來的。
我們需要用到一款工具，叫做 mybinder 。它可以幫助我們，把 github 上的某個代碼倉庫(repo)，快速轉換成為一個可運行的環境。
注意 mybinder 為我們提供了雲設施，也就是計算資源和存儲資源。因此即便許許多多的用戶同時在線使用同一份代碼轉換出來的環境，也不會互相沖突。
我們先來看看，怎麼准備一個可供 mybinder 順利轉換的代碼倉庫。
我為你提供的樣例在這里(http://t.cn/R35MEqk)：
順便說一句，這個樣例來自於我的數據科學系列教程之《如何用Python處理自然語言?(Spacy與Word dding)》。感興趣的同學可以點擊鏈接，查看原文。
在該 GitHub 頁面展示的文件列表中，你需要注意以下3個文件：
demo.ipynb environment.yml postBuild
㈣ python庫有哪些
Python比較常見的庫有：Arrow、Behold、Click、Numba、Matlibplot、Pillow等：
1、Arrow
Python中處理時間的庫有datetime，但是它過於簡單，使用起來不夠方便和智能，而Arrow可以說非常的方便和智能。它可以輕松地定位幾個小時之前的時間，可以輕松轉換時區時間，對於一個小時前，2個小時之內這樣人性化的信息也能夠准確解讀。
2、Behold
調試程序是每個程序員必備的技能，對於腳本語言，很多人習慣於使用print進行調試，然而對於大項目來說，print的功能還遠遠不足，我們希望有一個可以輕松使用，調試方便，對變數監視完整，格式已於查看的工具，而Behold就是那個非常好用的調試庫。
3、Click
現在幾乎所有的框架都有自己的命令行腳手架，Python也不例外，那麼如何快速開發出屬於自己的命令行程序呢?答案就是使用Python的Click庫。Click庫對命令行api進行了大量封裝，你可以輕松開發出屬於自己的CLI命令集。終端的顏色，環境變數信息，通過Click都可以輕松進行獲取和改變。
4、Numba
如果你從事數學方面的分析和計算，那麼Numba一定是你必不可少的庫。Numpy通過將高速C庫包裝在Python介面中來工作，而Cython使用可選的類型將Python編譯為C以提高性能。但是Numba無疑是最方便的，因為它允許使用裝飾器選擇性地加速Python函數。
5、Matlibplot
做過數據分析，數據可視化的數學學生一定知道matlab這個軟體，這是一個收費的數學商用軟體，在Python中，Matlibplot就是為了實現這個軟體中功能開發的第三方Python庫。並且它完全是免費的，很多學校都是用它來進行數學教學和研究的。
6、Pillow
圖像處理是任何時候我們都需要關注的問題，平時我們看到很多ps中的神技，比如調整畫面顏色，飽和度，調整圖像尺寸，裁剪圖像等等，這些其實都可以通過Python簡單完成，而其中我們需要使用的庫就是Pillow。
7、pyqt5
Python是可以開發圖形界面程序的。而pyqt就是一款非常好用的第三方GUI庫，有了它，你可以輕松開發出跨平台的圖形應用程序，其中qtdesigner設計器，更是加速了我們開發圖形界面的速度。
除了上述介紹的之外，Python還有很多庫，比如：Pandas、NumPy、SciPy、Seaborn、Keras等。
㈤ python常用的資料庫有哪些
主流的關系型資料庫：
1. MySQL：目前使用最廣泛的開源、多平台的關系型資料庫，支持事務、符合ACID、支持多數SQL規范。
2. SQL Server：支持事務、符合ACID、支持多數SQL規范，屬於商業軟體，需要注意版權和licence授權費用。
3. Oracle：支持事務，符合關系型資料庫原理，符合ACID，支持多數SQL規范，功能最強大、最復雜、市場佔比最高的商業資料庫。
4. Postgresql：開源、多平台、關系型資料庫，功能最強大的開源資料庫，需要Python環境，基於postgresql的time
scaleDB，是目前比較火的時序資料庫之一。
非關系型資料庫
Redis：開源、Linux平台、key-value鍵值型nosql資料庫，簡單穩定，非常主流的、全數據in-momory，定位於快的鍵值型nosql資料庫。
Memcaced：一個開源的、高性能的、具有分布式內存對象的緩存系統，通過它可以減輕資料庫負載，加速動態的web應用。
面向文檔資料庫以文檔的形式存儲，每個文檔是一系列數據項的集合，每個數據項有名稱與對應的值，主要產品有：
MongoDB：開源、多平台、文檔型nosql資料庫，最像關系型資料庫，定位於靈活的nosql資料庫。適用於網站後台資料庫、小文件系統、日誌分析系統。
㈥ R，Python，Scala 和 Java，到底該使用哪一種大數據編程語言
如果你對晦澀的統計運算進行繁重的數據分析工作，那麼你不青睞R才怪。如果你跨GPU進行NLP或密集的神經網路處理，那麼Python是很好的選擇。如果想要一種加固的、面向生產環境的數據流解決方案，又擁有所有重要的操作工具，Java或Scala絕對是出色的選擇。
有一個大數據項目，你知道問題領域(problem domain)，也知道使用什麼基礎設施，甚至可能已決定使用哪種框架來處理所有這些數據，但是有一個決定遲遲未能做出：我該選擇哪種語言?(或者可能更有針對性的問題是，我該迫使我的所有開發人員和數據科學家非要用哪種語言?)這個問題不會推遲太久，遲早要定奪。
當然，沒有什麼阻止得了你使用其他機制(比如XSLT轉換)來處理大數據工作。但通常來說，如今大數據方面有三種語言可以選擇：R、Python和Scala，外加一直以來屹立於企業界的Java。那麼，你該選擇哪種語言?為何要選擇它，或者說何時選擇它?
下面簡要介紹了每種語言，幫助你做出合理的決定。
R
R經常被稱為是「統計人員為統計人員開發的一種語言」。如果你需要深奧的統計模型用於計算，可能會在CRAN上找到它――你知道，CRAN叫綜合R檔案網路(Comprehensive R Archive Network)並非無緣無故。說到用於分析和標繪，沒有什麼比得過ggplot2。而如果你想利用比你機器提供的功能還強大的功能，那可以使用SparkR綁定，在R上運行Spark。
然而，如果你不是數據科學家，之前也沒有用過Matlab、SAS或OCTAVE，可能需要一番調整，才能使用R來高效地處理。雖然R很適合分析數據，但是就一般用途而言不太擅長。你可以用R構建模型，但是你需要考慮將模型轉換成Scala或Python，才能用於生產環境，你不太可能使用這種語言編寫一種集群控制系統(運氣好的話，你可以對它進行調試)。
Python
如果你的數據科學家不使用R，他們可能就會徹底了解Python。十多年來，Python在學術界當中一直很流行，尤其是在自然語言處理(NLP)等領域。因而，如果你有一個需要NLP處理的項目，就會面臨數量多得讓人眼花繚亂的選擇，包括經典的NTLK、使用GenSim的主題建模，或者超快、准確的spaCy。同樣，說到神經網路，Python同樣游刃有餘，有Theano和Tensorflow;隨後還有面向機器學習的scikit-learn，以及面向數據分析的NumPy和Pandas。
還有Juypter/iPython――這種基於Web的筆記本伺服器框架讓你可以使用一種可共享的日誌格式，將代碼、圖形以及幾乎任何對象混合起來。這一直是Python的殺手級功能之一，不過這年頭，這個概念證明大有用途，以至於出現在了奉行讀取-讀取-輸出-循環(REPL)概念的幾乎所有語言上，包括Scala和R。
Python往往在大數據處理框架中得到支持，但與此同時，它往往又不是「一等公民」。比如說，Spark中的新功能幾乎總是出現在Scala/Java綁定的首位，可能需要用PySpark編寫面向那些更新版的幾個次要版本(對Spark Streaming/MLLib方面的開發工具而言尤為如此)。
與R相反，Python是一種傳統的面向對象語言，所以大多數開發人員用起來會相當得心應手，而初次接觸R或Scala會讓人心生畏懼。一個小問題就是你的代碼中需要留出正確的空白處。這將人員分成兩大陣營，一派覺得「這非常有助於確保可讀性」，另一派則認為，2016年，我們應該不需要就因為一行代碼有個字元不在適當的位置，就要迫使解釋器讓程序運行起來。
Scala
現在說說Scala：在本文介紹的四種語言中，Scala是最輕松的語言，因為大家都欣賞其類型系統。Scala在JVM上運行，基本上成功地結合了函數範式和面向對象範式，目前它在金融界和需要處理海量數據的公司企業中取得了巨大進展，常常採用一種大規模分布式方式來處理(比如Twitter和LinkedIn)。它還是驅動Spark和Kafka的一種語言。
由於Scala在JVM裡面運行，它可以立即隨意訪問Java生態系統，不過它也有一系列廣泛的「原生」庫，用於處理大規模數據(尤其是Twitter的Algebird和Summingbird)。它還包括一個使用非常方便的REPL，用於互動式開發和分析，就像使用Python和R那樣。
我個人非常喜歡Scala，因為它包括許多實用的編程功能，比如模式匹配，而且被認為比標準的Java簡潔得多。然而，用Scala來開發不止一種方法，這種語言將此作為一項特色來宣傳。這是好事!不過考慮到它擁有圖靈完備(Turing-complete)的類型系統和各種彎彎曲曲的運算符(「/:」代表foldLeft，「:\」代表foldRight)，很容易打開Scala文件，以為你看到的是某段討厭的Perl代碼。這就需要在編寫Scala時遵循一套好的實踐和准則(Databricks的就很合理)。
另一個缺點是，Scala編譯器運行起來有點慢，以至於讓人想起以前「編譯!」的日子。不過，它有REPL、支持大數據，還有採用Jupyter和Zeppelin這一形式的基於Web的筆記本框架，所以我覺得它的許多小問題還是情有可原。
Java
最終，總是少不了Java――這種語言沒人愛，被遺棄，歸一家只有通過起訴谷歌才有錢可賺時才似乎關心它的公司(註：Oracle)所有，完全不時髦。只有企業界的無人機才使用Java!不過，Java可能很適合你的大數據項目。想一想Hadoop MapRece，它用Java編寫。HDFS呢?也用Java來編寫。連Storm、Kafka和Spark都可以在JVM上運行(使用Clojure和Scala)，這意味著Java是這些項目中的「一等公民」。另外還有像Google Cloud Dataflow(現在是Apache Beam)這些新技術，直到最近它們還只支持Java。
Java也許不是搖滾明星般備受喜愛的首選語言。但是由於研發人員在竭力理清Node.js應用程序中的一套回調，使用Java讓你可以訪問一個龐大的生態系統(包括分析器、調試器、監控工具以及確保企業安全和互操作性的庫)，以及除此之外的更多內容，大多數內容在過去二十年已久經考驗(很遺憾，Java今年迎來21歲，我們都老矣)。
炮轟Java的一個主要理由是，非常繁瑣冗長，而且缺少互動式開發所需的REPL(R、Python和Scala都有)。我見過10行基於Scala的Spark代碼迅速變成用Java編寫的變態的200行代碼，還有龐大的類型語句，它們占據了屏幕的大部分空間。然而，Java 8中新的Lambda支持功能對於改善這種情況大有幫助。Java從來不會像Scala那麼緊湊，但是Java 8確確實實使得用Java進行開發不那麼痛苦。
至於REPL?好吧，目前還沒有。明年推出的Java 9會包括JShell，有望滿足你的所有REPL要求。