spaCy 是一个Python自然语言处理工具包,诞生于2014年
㈡ python和人工智能有什么关系
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应
用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智
能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该
领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
Python因简单高效、优质的文档、强大的AI库、海量的模块，成为研究AI最
常用的开发语言。由于ExplosionAI是基于Python的NLP库spaCy的制作者，
所以调查中Python开发者占多数。
人工智能在近几年的发展因相关政策的支持，相应产业发展迅速，岗位需求也在
不断增加，相应的岗位薪资也是很可观的。Python编程一般是学习人工智能的
必备基础。
㈢ ipad能用来学习python吗
人工智能+区块链的发展趋势及应用调研报告
其实，不只是iPad，手机也可以。
痛点
我组织过几次线下编程工作坊，带着同学们用Python处理数据科学问题。
其中最让人头疼的，就是运行环境的安装。
实事求是地讲，参加工作坊之前，我已经做了认真准备。
例如集成环境，选用了对用户很友好的Anaconda。
代码在我的Macbook电脑上跑，没有问题。还拿到学生的Windows 7上跑，也没有问题。这才上传到了Github。
在发布的教程文章里，我也已经把安装软件包的说明写得非常详细。
还针对 Anaconda 这一 Python 运行环境的安装和运行，专门录制了视频。
但是，工作坊现场遇见的问题，依然五花八门。
有的是操作系统。例如你可能用Windows 10。实话实说，我确实没用过。拿着Surface端详，连安装后的Anaconda文件夹都找不到在哪儿。
有的是编码。不同操作系统，有的默认中文编码是UTF-8，有的是GBK。同样一段中文文本，我这里显示一切正常，你那里就是乱码。
有的是套件路径。来参加工作坊前，你可能看过我一些教程，并安装了 Python 2.7 版本 Anaconda。来到现场，一看需要 Python 3.6 版本，你就又安装了一份新的。结果执行起来，你根本分不清运行的 Python, pip 命令来自哪一个套件，更搞不清楚软件包究竟安装到哪里去了。再加上虚拟环境配置，你就要抓狂了。
还有的，甚至是网络拥塞问题。因为有时需要现场安装调用体积庞大的软件包，几十台电脑“预备——齐”一起争抢有限的Wifi带宽，后果可想而知。
痛定思痛，我决定改变一下现状。
目前的教程只提供基础源代码。对于许多新手同学来说，是不够的。
许多同学，就倒在了安装依赖软件包的路上，继而干脆放弃了。
变通的办法有许多。例如干脆录制代码执行视频给你看。
但是正如我在《MOOC教学，什么最重要?》一文中说过的，学习过程里，反馈最重要。
你需要能运行代码，并且第一时间获得结果反馈。
在此基础上，你还得能修改代码，对比前后执行结果的差别。
我得给你提供一个直接可以运行的环境。
零安装，自然也就没了上述烦恼。
这个事儿可能吗?
我研究了一下，没问题。
只要你的设备上有个现代化浏览器(包括但不限于Google Chrome, Firefox, Safari和Microsoft Edge等)就行。
IE 8.0?
那个不行，赶紧升级吧!
读到这里，你应该想明白了。因为只挑浏览器，不挑操作系统，所以别说你用Windows 10，你就是用iPad，都能运行代码。
尝试
请你打开浏览器，输入这个链接(http://t.cn/R35fElv)。
看看会发生什么?
我这里用iPad给你演示。
一开始会有个启动界面出来。请你稍等10几秒钟。
然后，你就能看到熟悉的Python代码运行界面了。
这个界面来自 Jupyter Lab。
你可以将它理解为 Jupyter Notebook 的增强版，它具备以下特征：
代码单元直接鼠标拖动; 一个浏览器标签，可打开多个Notebook，而且分别使用不同的Kernel; 提供实时渲染的Markdown编辑器; 完整的文件浏览器; CSV数据文件快速浏览 ……
图中左侧分栏，是工作目录下的全部文件。
右侧打开的，是咱们要使用的ipynb文件。
为了证明这不是逗你玩儿，请你点击右侧代码上方工具栏的运行按钮。
点击一下，就会运行出当前所在代码单元的结果。
不断点击下来，你可以看见，结果都被正常渲染。
连图像也能正常显示。
甚至连下面这种需要一定运算量的可视化结果，都没问题。
为了证明这不是变魔术，你可以在新的单元格，写一行输出语句。
就让Python输出你的名字吧。
假如你叫 Chuck，就这样写：
print("Hello, Chuck!")
把它替换成你自己的姓名，看看输出结果是否正确?
其实，又何止是iPad而已?
你如果足够勇(sang) 于(xin) 尝(bing) 试(kuang)，手机其实也是可以的。
就像这样。
流程
下面我给你讲讲，这种效果是怎么做出来的。
我们需要用到一款工具，叫做 mybinder 。它可以帮助我们，把 github 上的某个代码仓库(repo)，快速转换成为一个可运行的环境。
注意 mybinder 为我们提供了云设施，也就是计算资源和存储资源。因此即便许许多多的用户同时在线使用同一份代码转换出来的环境，也不会互相冲突。
我们先来看看，怎么准备一个可供 mybinder 顺利转换的代码仓库。
我为你提供的样例在这里(http://t.cn/R35MEqk)：
顺便说一句，这个样例来自于我的数据科学系列教程之《如何用Python处理自然语言?(Spacy与Word dding)》。感兴趣的同学可以点击链接，查看原文。
在该 GitHub 页面展示的文件列表中，你需要注意以下3个文件：
demo.ipynb environment.yml postBuild
㈣ python库有哪些
Python比较常见的库有：Arrow、Behold、Click、Numba、Matlibplot、Pillow等：
1、Arrow
Python中处理时间的库有datetime，但是它过于简单，使用起来不够方便和智能，而Arrow可以说非常的方便和智能。它可以轻松地定位几个小时之前的时间，可以轻松转换时区时间，对于一个小时前，2个小时之内这样人性化的信息也能够准确解读。
2、Behold
调试程序是每个程序员必备的技能，对于脚本语言，很多人习惯于使用print进行调试，然而对于大项目来说，print的功能还远远不足，我们希望有一个可以轻松使用，调试方便，对变量监视完整，格式已于查看的工具，而Behold就是那个非常好用的调试库。
3、Click
现在几乎所有的框架都有自己的命令行脚手架，Python也不例外，那么如何快速开发出属于自己的命令行程序呢?答案就是使用Python的Click库。Click库对命令行api进行了大量封装，你可以轻松开发出属于自己的CLI命令集。终端的颜色，环境变量信息，通过Click都可以轻松进行获取和改变。
4、Numba
如果你从事数学方面的分析和计算，那么Numba一定是你必不可少的库。Numpy通过将高速C库包装在Python接口中来工作，而Cython使用可选的类型将Python编译为C以提高性能。但是Numba无疑是最方便的，因为它允许使用装饰器选择性地加速Python函数。
5、Matlibplot
做过数据分析，数据可视化的数学学生一定知道matlab这个软件，这是一个收费的数学商用软件，在Python中，Matlibplot就是为了实现这个软件中功能开发的第三方Python库。并且它完全是免费的，很多学校都是用它来进行数学教学和研究的。
6、Pillow
图像处理是任何时候我们都需要关注的问题，平时我们看到很多ps中的神技，比如调整画面颜色，饱和度，调整图像尺寸，裁剪图像等等，这些其实都可以通过Python简单完成，而其中我们需要使用的库就是Pillow。
7、pyqt5
Python是可以开发图形界面程序的。而pyqt就是一款非常好用的第三方GUI库，有了它，你可以轻松开发出跨平台的图形应用程序，其中qtdesigner设计器，更是加速了我们开发图形界面的速度。
除了上述介绍的之外，Python还有很多库，比如：Pandas、NumPy、SciPy、Seaborn、Keras等。
㈤ python常用的数据库有哪些
主流的关系型数据库：
1. MySQL：目前使用最广泛的开源、多平台的关系型数据库，支持事务、符合ACID、支持多数SQL规范。
2. SQL Server：支持事务、符合ACID、支持多数SQL规范，属于商业软件，需要注意版权和licence授权费用。
3. Oracle：支持事务，符合关系型数据库原理，符合ACID，支持多数SQL规范，功能最强大、最复杂、市场占比最高的商业数据库。
4. Postgresql：开源、多平台、关系型数据库，功能最强大的开源数据库，需要Python环境，基于postgresql的time
scaleDB，是目前比较火的时序数据库之一。
非关系型数据库
Redis：开源、Linux平台、key-value键值型nosql数据库，简单稳定，非常主流的、全数据in-momory，定位于快的键值型nosql数据库。
Memcaced：一个开源的、高性能的、具有分布式内存对象的缓存系统，通过它可以减轻数据库负载，加速动态的web应用。
面向文档数据库以文档的形式存储，每个文档是一系列数据项的集合，每个数据项有名称与对应的值，主要产品有：
MongoDB：开源、多平台、文档型nosql数据库，最像关系型数据库，定位于灵活的nosql数据库。适用于网站后台数据库、小文件系统、日志分析系统。
㈥ R，Python，Scala 和 Java，到底该使用哪一种大数据编程语言
如果你对晦涩的统计运算进行繁重的数据分析工作，那么你不青睐R才怪。如果你跨GPU进行NLP或密集的神经网络处理，那么Python是很好的选择。如果想要一种加固的、面向生产环境的数据流解决方案，又拥有所有重要的操作工具，Java或Scala绝对是出色的选择。
有一个大数据项目，你知道问题领域(problem domain)，也知道使用什么基础设施，甚至可能已决定使用哪种框架来处理所有这些数据，但是有一个决定迟迟未能做出：我该选择哪种语言?(或者可能更有针对性的问题是，我该迫使我的所有开发人员和数据科学家非要用哪种语言?)这个问题不会推迟太久，迟早要定夺。
当然，没有什么阻止得了你使用其他机制(比如XSLT转换)来处理大数据工作。但通常来说，如今大数据方面有三种语言可以选择：R、Python和Scala，外加一直以来屹立于企业界的Java。那么，你该选择哪种语言?为何要选择它，或者说何时选择它?
下面简要介绍了每种语言，帮助你做出合理的决定。
R
R经常被称为是“统计人员为统计人员开发的一种语言”。如果你需要深奥的统计模型用于计算，可能会在CRAN上找到它――你知道，CRAN叫综合R档案网络(Comprehensive R Archive Network)并非无缘无故。说到用于分析和标绘，没有什么比得过ggplot2。而如果你想利用比你机器提供的功能还强大的功能，那可以使用SparkR绑定，在R上运行Spark。
然而，如果你不是数据科学家，之前也没有用过Matlab、SAS或OCTAVE，可能需要一番调整，才能使用R来高效地处理。虽然R很适合分析数据，但是就一般用途而言不太擅长。你可以用R构建模型，但是你需要考虑将模型转换成Scala或Python，才能用于生产环境，你不太可能使用这种语言编写一种集群控制系统(运气好的话，你可以对它进行调试)。
Python
如果你的数据科学家不使用R，他们可能就会彻底了解Python。十多年来，Python在学术界当中一直很流行，尤其是在自然语言处理(NLP)等领域。因而，如果你有一个需要NLP处理的项目，就会面临数量多得让人眼花缭乱的选择，包括经典的NTLK、使用GenSim的主题建模，或者超快、准确的spaCy。同样，说到神经网络，Python同样游刃有余，有Theano和Tensorflow;随后还有面向机器学习的scikit-learn，以及面向数据分析的NumPy和Pandas。
还有Juypter/iPython――这种基于Web的笔记本服务器框架让你可以使用一种可共享的日志格式，将代码、图形以及几乎任何对象混合起来。这一直是Python的杀手级功能之一，不过这年头，这个概念证明大有用途，以至于出现在了奉行读取-读取-输出-循环(REPL)概念的几乎所有语言上，包括Scala和R。
Python往往在大数据处理框架中得到支持，但与此同时，它往往又不是“一等公民”。比如说，Spark中的新功能几乎总是出现在Scala/Java绑定的首位，可能需要用PySpark编写面向那些更新版的几个次要版本(对Spark Streaming/MLLib方面的开发工具而言尤为如此)。
与R相反，Python是一种传统的面向对象语言，所以大多数开发人员用起来会相当得心应手，而初次接触R或Scala会让人心生畏惧。一个小问题就是你的代码中需要留出正确的空白处。这将人员分成两大阵营，一派觉得“这非常有助于确保可读性”，另一派则认为，2016年，我们应该不需要就因为一行代码有个字符不在适当的位置，就要迫使解释器让程序运行起来。
Scala
现在说说Scala：在本文介绍的四种语言中，Scala是最轻松的语言，因为大家都欣赏其类型系统。Scala在JVM上运行，基本上成功地结合了函数范式和面向对象范式，目前它在金融界和需要处理海量数据的公司企业中取得了巨大进展，常常采用一种大规模分布式方式来处理(比如Twitter和LinkedIn)。它还是驱动Spark和Kafka的一种语言。
由于Scala在JVM里面运行，它可以立即随意访问Java生态系统，不过它也有一系列广泛的“原生”库，用于处理大规模数据(尤其是Twitter的Algebird和Summingbird)。它还包括一个使用非常方便的REPL，用于交互式开发和分析，就像使用Python和R那样。
我个人非常喜欢Scala，因为它包括许多实用的编程功能，比如模式匹配，而且被认为比标准的Java简洁得多。然而，用Scala来开发不止一种方法，这种语言将此作为一项特色来宣传。这是好事!不过考虑到它拥有图灵完备(Turing-complete)的类型系统和各种弯弯曲曲的运算符(“/:”代表foldLeft，“:\”代表foldRight)，很容易打开Scala文件，以为你看到的是某段讨厌的Perl代码。这就需要在编写Scala时遵循一套好的实践和准则(Databricks的就很合理)。
另一个缺点是，Scala编译器运行起来有点慢，以至于让人想起以前“编译!”的日子。不过，它有REPL、支持大数据，还有采用Jupyter和Zeppelin这一形式的基于Web的笔记本框架，所以我觉得它的许多小问题还是情有可原。
Java
最终，总是少不了Java――这种语言没人爱，被遗弃，归一家只有通过起诉谷歌才有钱可赚时才似乎关心它的公司(注：Oracle)所有，完全不时髦。只有企业界的无人机才使用Java!不过，Java可能很适合你的大数据项目。想一想Hadoop MapRece，它用Java编写。HDFS呢?也用Java来编写。连Storm、Kafka和Spark都可以在JVM上运行(使用Clojure和Scala)，这意味着Java是这些项目中的“一等公民”。另外还有像Google Cloud Dataflow(现在是Apache Beam)这些新技术，直到最近它们还只支持Java。
Java也许不是摇滚明星般备受喜爱的首选语言。但是由于研发人员在竭力理清Node.js应用程序中的一套回调，使用Java让你可以访问一个庞大的生态系统(包括分析器、调试器、监控工具以及确保企业安全和互操作性的库)，以及除此之外的更多内容，大多数内容在过去二十年已久经考验(很遗憾，Java今年迎来21岁，我们都老矣)。
炮轰Java的一个主要理由是，非常繁琐冗长，而且缺少交互式开发所需的REPL(R、Python和Scala都有)。我见过10行基于Scala的Spark代码迅速变成用Java编写的变态的200行代码，还有庞大的类型语句，它们占据了屏幕的大部分空间。然而，Java 8中新的Lambda支持功能对于改善这种情况大有帮助。Java从来不会像Scala那么紧凑，但是Java 8确确实实使得用Java进行开发不那么痛苦。
至于REPL?好吧，目前还没有。明年推出的Java 9会包括JShell，有望满足你的所有REPL要求。