刚毕业适合学习哪个编程比较好？

2023-02-25 00:30:01Python015

刚毕业适合学习哪个编程比较好？,第1张

入门选择哪门语言最好

推荐学习Java，Java相对于C语言来说更加的简单，包含的内容更加丰富，而且Java的就业方向也较广。

一 · 编程语言及其主要用途

常见的是 C Family （C系列语言），比如：C、Cpp（C++）、C Sharp（C#）、Java、Python、R、JavaScript、Objective-C、Swift、Go、Kotlin 等等。然后有很多脚本语言，Python 也在其内，比如：Ruby、Perl 等。

光说名字意义不大，所以举几个例子。

C 常用于单片机开发和一些接底层硬件的操作使用；

C++ 是 C 的超集，因为直接支持了面向对象所以更多用于游戏、图像开发方面；

C# 是微软为了把 Java 人才引入 Windows 平台设计的语言，和 Java 语法几乎一致，目前多用于服务器后端开发和 Unity 3D 的游戏开发，也有人会用这个做很多 windows 平台下的软件插件甚至常说的软件外挂（外挂其实严格说就是插件，但大陆地区已经有更深层的意义了，所以两者并列举例出来）；

Java 是目前最流行的服务器后端开发语言和 Android 开发语言，因为有大量框架和工具包的支持，Java 语言的运行速度已经不能阻挡 Java 成为服务器开发的首选语言。至于是什么服务器后端开发，题主学了 JavaEE 自然便知，通俗举例来说可以 yy 一下：我写了这篇答案，答案存在哪里呢？肯定是在知乎那边！至于怎么存、怎么取，都是后端开发需要设计的问题了。Java 也曾一度是 Android 的首选语言（虽然目前 Kotlin 的影响很多人转战 Kotlin 去了），负责 Android 顶层的 APP 层开发。

Python 是目前机器学习最流行的语言，也可以做服务器开发，有堪比 Java Spring 框架的 Django 作为支持。更多的人会使用 Python 作为机器学习、深度学习的首选语言，因为 Python 语法的简洁和类似数学式表达的规范，当然还是因为包多，很多学者科学家都会使用 Python 做科学研究。

R 语言作用类似 Python，常用于工程方面。还有一门语言是 Matlab，其实称之为语言是不恰当的，因为这是一个软件，脱离了软件就无法生存，远不是编译器那么简单的结构了。MatLab 汇集了太多的工具，便于科学从业人员快速分析数据，写出优良的程序，这种程序语言通常也称之为 Matlab；

JavaScript 是前端开发首选语言，在使用 HTML + CSS 模式绘制出页面图像后，通常都会使用 JS （JavaScript）来写交互、动画、请求、视图内容更新这些操作，这门语言是函数式也是面向对象的语言，灵活度极高，但有了 C Family 任何一门语言的基础就很容易学；

Objective-C 是苹果（Apple.Inc）开发的一门为 mac 和 iPhone 设备开发程序的语言，和 C++ 类似，也是 C 的超集，也是面向对象。但由于其太过于面向对象了（基于消息的传递数据机制）导致很不 C Family，所以对 C 系列人员上手难度偏大，比较冷门。但后来 iPhone 的崛起，导致该语言又一度热议起来；

Swift 是苹果最新发明的一门函数式编程语言，和 OC（Objective-C）的目的一样，为苹果设备而生，但苹果也提倡用该语言做工程方面的扩展，比如苹果会在宣传的时候拿它和 Python 对比。为了兼容 OC 的所有工具包，避免该语言的冷门，创造了 bridge 作为两个语言直接的桥梁，解决了语言兼容问题；

Go 语言是 Google 开发的一门函数式语言，特点是能解决大规模的高并发问题，天然支持多线程使得该语言一出来就广受关注。目前多用于机器学习和一些 Google 自己产品的开发以及后端服务器开发；

Kotlin 是大家常用的 IDEA 开发工具的开发商 Jetbrains 发明的函数式语言，这门语言是基于 JVM 进行设计的，比较完美地兼容了 Java 语言，所以前后端开发都可以使用该语言替代 Java，不确切统计是可以用比 Java 少一半的代码量完成同样的功能并拥有同样的运行效率。类似的 JVM 语言也有 Scale，但比较元老了，兼容力度不大所以也开始广受诟病；

Ruby 和 Perl 这些是典型的脚本语言，Ruby 多用于各个语言的粘合剂，Perl 是 Linux 下最常用的脚本语言，文本处理能力极强。

二 · 如何自学

这个问题其实答案很多，就像问一个人「如何才能提高分数」一样，是个「上帝问题」。我来简单解释一下什么是「上帝问题」：一个问题条件不充分，导致问题答案变数太大甚至可以出现毫无任何限制的答案，这类答案往往无意义或者意义不大，称之为「上帝问题」。

所以这个问题是没有好的答案的。

于是我便假设题主问题是：「一个时间充足、智力正常、周围电子设备允许、自律能力可以、、、等等的男生该如何自学达到学会某一门语言的目标？」

这样的话我们探讨起来可能会容易很多。

来个老套路吧，其实真的自律可以什么套路都行，自律不行，说什么都是废话。以下不是捷径，是远方：

通过视频入门（视频拥有大量的声音、图像、文字以及讲师不经意的犯错引发的笑点），视频和书不一样，视频是容纳了很多错误的，这些错误都是编程中可能会犯的，比如讲师少打了一个分号，变量名字写错了等等等等，这些在书本里面是看不到的，视频带给你的信息量远大于书本。

通过书本扎实思考，书本还是得看，必须得看，书是代表系统的、完备的，书总是一章一节地讲，不会错一个字地讲，很多东西就得从书里找，视频老师可能会讲漏，但书漏了第二版本还可以修订。至于怎么选好书，三步筛选：是否有第二版（或者第三四五... 版本）、豆瓣评价、实地摸（怎么说都不如自己去摸一摸，试试就知道适不适合自己了）

以一本书为主，其余书为辅，不出数月即可见效。

然后练习项目，此时你已经有了一定的基础了，而且在学习过程中肯定也是不断地码代码练习小项目小题目。此时你需要更多的时间去做更大的项目，通常很多杂牌书后面都会附一两个项目实战，可以试试手。项目必须练，这会让你成为和以前不同的两个人。

学习java，就来北京尚学堂

Programming Libraries 编程库资源

我是一个“学习要敢于冒险和尝试”观念的倡导者。这是我学习编程的方式，我相信很多人也是这样学习程序设计的。先了解你的能力极限，然后去拓展你的能力。如果你了解如何编程，可以将编程经验很快借鉴到深入学习机器学习上。在你实现一个实际的产品系统之前，你必须遵循一些规则、学习相关数学知识。

找到一个库并且仔细阅读相关文档，根据教程，开始尝试实现一些东西。下面列出的是开源的机器学习库中最好的几种。我认为，并不是他们中的每一种都适合用在你的系统中，但是他们是你学习、探索和实验的好材料。

你可以从一个由你熟悉的语言编写的库开始学习，然后再去学习其他功能强大的库。如果你是一个优秀的程序员，你会知道怎样从一种语言，简单合理地迁移到另一种语言。语言的逻辑都是相同的，只是语法和API稍有不同。

R Project for Statistical Computing：这是一个开发环境，采用一种近似于Lisp的脚本语言。在这个库中，所有你想要的与统计相关的功能都通过R语言提供，包括一些复杂的图标。CRAN(你可以认为是机器学弟的第三方包)中的机器学习目录下的代码，是由统计技术方法和其他相关领域中的领军人物编写的。如果你想做实验，或是快速拓展知识，R语言都是必须学习的。但它可能不是你学习的第一站。

WEKA：这是一个数据挖掘工作平台，为用户提供数一系列据挖掘全过程的API、命令行和图形化用户接口。你可以准备数据、可视化、建立分类、进行回归分析、建立聚类模型，同时可以通过第三方插件执行其他算法。

Mahout是Hadoop中为机器学习提供的一个很好的JAVA框架，你可以自行学习。如果你是机器学习和大数据学习的新手，那么坚持学习WEKA，并且全心全意地学习一个库。

Scikit Learn:这是用Python编写的，基于NumPy和SciPy的机器学习库。如果你是一个Python或者Ruby语言程序员，这是适合你用的。这个库很用户接口友好，功能强大，并且配有详细的文档说明。如果你想试试别的库，你可以选择Orange。

Octave:如果你很熟悉MatLab，或者你是寻求改变的NumPy程序员，你可以考虑 Octave。这是一个数值计算环境，与MatLab像是，借助Octave你可以很方便地解决线性和非线性问题，比如机器学习算法底层涉及的问题。如果你有工程背景，那么你可以由此入手。

BigML:可能你并不想进行编程工作。你完全可以不通过代码，来使用 WEKA那样的工具。你通过使用BigMLS的服务来进行更加深入的工作。BigML通过Web页面，提供了机器学习的接口，因此你可以通过浏览器来建立模型。

补充：

NLTK NLTK is a leading platform for building Python programs to work with human language data. It provides easy-to-use interfaces to over 50 corpora and lexical resources such as WordNet, along with a suite of text processing libraries for classification, tokenization, stemming, tagging, parsing, and semantic reasoning.LingPipe: 是一个自然语言处理的Java开源工具包。LingPipe目前已有很丰富的功能，包括主题分类（Top Classification）、命名实体识别（Named Entity Recognition）、词性标注（Part-of Speech Tagging）、句题检测（Sentence Detection）、查询拼写检查（Query Spell Checking）、兴趣短语检测（Interseting Phrase Detection）、聚类（Clustering）、字符语言建模（Character Language Modeling）、医学文献下载/解析/索引（MEDLINE Download, Parsing and Indexing）、数据库文本挖掘（Database Text Mining）、中文分词（Chinese Word Segmentation）、情感分析（Sentiment Analysis）、语言辨别（Language Identification）等API。

挑选出一个平台，并且在你实际学习机器学习的时候使用它。不要纸上谈兵，要去实践！

Video Courses视频课程

很多人都是通过视频资源开始接触机器学习的。我在YouTube和VideoLectures上看了很多于机器学习相关的视频资源。这样做的问题是，你可能只是观看视频而并不实际去做。我的建议是，你在观看视频的时候，应该多记笔记，及时后来你会抛弃你的笔记。同时，我建议你将学到的东西付诸实践。

坦白讲，我没有看见特别合适初学者的视频资源。视频资源都需要你掌握一定的线性代数、概率论等知识。Andrew Ng在斯坦福的讲解可能是最适合初学者的，下面是我推荐的一些视频资源。

Stanford Machine Learning斯坦福的机器学习课程：可以在Coursera上观看，这门课是由 Andrew Ng讲解的。只要注册，你可以随时观看所有的课程视频，从Stanford CS229 course下载讲义和笔记。这门课包括了家庭作业和小测试，课程主要讲解了线性代数的知识，使用Octave库。

Caltech Learning from Data加利福尼亚理工学院的数据分析课程：你可以在edX上学习这门课程，课程是由Yaser Abu-Mostafa讲解的。所有的课程视频和资料都在加利福尼亚理工学院的网站上。与斯坦福的课程类似，你可以根据自己的情况安排学习进度，完成家庭作业和小论文。它与斯坦福的课程主题相似，关注更多的细节和数学知识。对于初学者来说，家庭作业可能稍有难度。

Machine Learning Category on VideoLectures.Net网站中的机器学习目录：这是个很容易令人眼花缭乱的资源库。你可以找出比较感兴趣的资源，并且深入学习。不要纠结于不适合你的视频，或者对于感兴趣的内容你可以做笔记。我自己会一直重复深入学习一些问题，同时发现新的话题进行学习。此外，在这个网站上你可以发现是这个领域的大师是什么样的。

“Getting In Shape For The Sport Of Data Science” – 由Jeremy Howard讲授：这是与机器学习竞赛者的对话，他们是一些实践中的R语言用户。这是非常珍贵的资源，因为很少有人会讨论研究一个问题的完整过程和究竟怎样做。我曾经幻想过在网上找到一个TV秀，记录机器学习竞赛的全过程。这就是我开始学习机器学习的经历！

Overview Papers综述论文

如果你并不习惯阅读科研论文，你会发现论文的语言非常晦涩难懂。一篇论文就像是一本教科书的片段，但是论文会介绍一个实验或者是领域中其他的前沿知识。然而，如果你准备从阅读论文开始学习机器学习的话，你还是可以找到一些很有意思的文章的。

The Discipline of Machine Learning机器学习中的规则：这是由Tom Mitchell编著的白皮书，其中定义了机器学习的规则。Mitchell在说服CMU总裁为一个百年内都存在的问题建立一个独立的机器学习部门时，也用到了这本书中的观点。

A Few Useful Things to Know about Machine Learning：这是一篇很好的论文，因为它以详细的算法为基础，又提出了一些很重要的问题，比如：选择特征的一般化，模型简化等。

我只是列出了两篇重要的论文，因为阅读论文会让你陷入困境。

Beginner Machine Learning Books给机器学习初学者的书

关于机器学习的书有很多，但是几乎没有为初学者量身定做的。什么样的人才是初学者呢？最有可能的情况是，你从另外一个完全不同的领域比如：计算机科学、程序设计或者是统计学，来到机器学习领域。那么，大部分的书籍要求你有一定的线性代数和概率论的基础。

但是，还有一些书通过讲解最少的算法来鼓励程序员学习机器学习，书中会介绍一些可以使用工具、编程函数库来让程序员尝试。其中最有代表性的书是：《Programming Collective Intelligence》，《Machine Learning for Hackers》，《Hackersand Data Mining: Practical Machine Learning Tools and Techniques》（Python版, R版, 以及Java版）。如果感到迷惑的话，你可以选择其中一本开始学习。

Programming Collective Intelligence: Building Smart Web 2.0 Applications：这本书是为程序员写的。书中简略介绍相关理论，重点以程序为例，介绍web中的实际问题和解决办法。你可以买来这本书，阅读，并且做一些练习。

Machine Learning for Hackers （中文版：机器学习:实用案例解析）：我建议你在阅读了《Programming Collective Intelligence》一书之后，再阅读这本书。这本书中也提供了很多实践练习，但是涉及更多的数据分析，并且使用R语言。我个人很喜欢这本书！

Machine Learning: An Algorithmic Perspective：这本书是《Programming Collective Intelligence》的高级版本。它们目的相同（让程序员开始了解机器学习），但是这本书包括一些数学知识，参考样例和phython程序片段。如果你有兴趣的话，我建议你在看完《Programming Collective Intelligence》之后来阅读这本书。

数据挖掘：实用机器学习工具与技术（英文版·第3版）：我自己是从这本书开始了解机器学习的，那时是2000年这本书还是第一版。我那时是Java程序员，这本书和WEKA库为我的学习和实践提供了一个很好的环境。我通过这样的平台和一些插件，实现我的算法，并且真正开始实践机器学习和数据挖掘的过程。我强烈推荐这本书，和这样的学习过程。

Machine Learning（中文版：计算机科学丛书:机器学习）：这是一本很老的书，包括了一些规则和很多参考资料。这是一本教科书，为每个算法提供了相关讲解。

有一些人认为那些经典的机器学习教科书很了不起。我也赞同，那些书的确非常好。但是，我认为，对于初学者来说，这些书可能并不合适。