先科普，網(wǎng)絡(luò)爬蟲，可以理解為在網(wǎng)絡(luò)上爬行的一直蜘蛛，互聯(lián)網(wǎng)就比作一張大網(wǎng)，而爬蟲便是在這張網(wǎng)上爬來爬去的蜘蛛，如果它遇到資源，那么它就會抓取下來。比如它在抓取一個網(wǎng)頁，在這個網(wǎng)中他發(fā)現(xiàn)了一條道路，其實就是指向網(wǎng)頁的超鏈接，那么它就可以爬到另一張網(wǎng)上來獲取數(shù)據(jù)。簡單地說，利用程序從網(wǎng)頁上獲取你想要的數(shù)據(jù)。
Python的爬蟲框架非常多，也非常好用。
入門步驟：

理解網(wǎng)頁是怎么構(gòu)成的
網(wǎng)頁的基本知識包括：
基本的HTML語言知識
理解網(wǎng)站的發(fā)包和收包的概念（POST GET）
稍微一點點的js知識，用于理解動態(tài)網(wǎng)頁

解析網(wǎng)頁，這里需要學習正則表達式

選取一個爬蟲框架，比如自帶的urllib，request，bs4等等

看官方文檔，如何使用框架，然后就可以養(yǎng)一只爬蟲咯。

教程點這里

上邊爬蟲講到如何獲取數(shù)據(jù)，這里將學習如何分析處理數(shù)據(jù)，教程鏈接。
科學計算，數(shù)據(jù)處理用到比較多的是matlab，無所不能的Python當然也可以替代它。
numpy pandas是科學運算當中最為重要的兩個模塊。Matplotlib 是一個非常強大的 Python 數(shù)據(jù)可視化工具，繪制各種圖形。

看官網(wǎng)文檔，理解這個庫的基本用法。

學習一些簡單的項目，上文提到的實驗樓也可以用

略
從別處引用一點基本介紹

Theano 是一種用于使用數(shù)列來定義和評估數(shù)學表達的 Python 庫。它可以讓 Python 中深度學習算法的編寫更為簡單。

Keras 是類似 Torch 的一個精簡的，高度模塊化的神經(jīng)網(wǎng)絡(luò)庫。Theano 在底層幫助其優(yōu)化 CPU 和 GPU 運行中的張量操作。

Pylearn2 是一個引用大量如隨機梯度（Stochastic Gradient）這樣的模型和訓練算法的庫。它在深度學習中被廣泛采用，這個庫也是以 Theano 為基礎(chǔ)的。

Lasagne 是一個輕量級的庫，它可以在 Theano 中建立和訓練神經(jīng)網(wǎng)絡(luò)。它簡單、透明、模塊化、實用、專一而克制。

Blocks 是一種幫助你在 Theano 之上建立神經(jīng)網(wǎng)絡(luò)模型的框架。

Caffe 是一種以表達清晰、高速和模塊化為理念建立起來的深度學習框架。它是由伯克利視覺和學習中心（BVLC）和網(wǎng)上社區(qū)貢獻者共同開發(fā)的。谷歌的 DeepDream 人工智能圖像處理程序正是建立在 Caffe 框架之上。這個框架是一個 BSD 許可的帶有 Python 接口的 C++庫。

nolearn 包含大量其他神經(jīng)網(wǎng)絡(luò)庫中的包裝器和抽象（wrappers and abstractions），其中最值得注意的是 Lasagne，其中也包含一些機器學習的實用模塊。

Genism 是一個部署在 Python 編程語言中的深度學習工具包，用于通過高效的算法處理大型文本集。

CXXNET 是一種快速，簡明的分布式深度學習框架，它以 MShadow 為基礎(chǔ)。它是輕量級可擴展的 C++/CUDA 神經(jīng)網(wǎng)絡(luò)工具包，同時擁有友好的 Python/Matlab 界面，可供機器學習的訓練和預測使用。

這里包含的東西太多了，基本學習方法如上。

鏈接：https://pan.baidu.com/s/1htRyqtY 密碼：nc1f

先來看看Python有多強大，不然不能被它所吸引，就學不下去了。
20行代碼實現(xiàn)人臉檢測與識別：
face_recognition可以通過python或者命令行即可實現(xiàn)人臉識別的功能。使用dlib深度學習人臉識別技術(shù)構(gòu)建，在戶外臉部檢測數(shù)據(jù)庫基準（Labeled Faces in the Wild）上的準確率為99.38%。

# 導入識別庫
import face_recognition
# 加載已有的圖片作為圖像庫
known_obama_image = face_recognition.load_image_file("face1.jpg")
known_biden_image = face_recognition.load_image_file("face_kid.jpg")
# 編碼加載的圖片
obama_face_encoding = face_recognition.face_encodings(known_obama_image)[0]
biden_face_encoding = face_recognition.face_encodings(known_biden_image)[0]
known_encodings = [
    obama_face_encoding,
    biden_face_encoding
]
# 加載要識別的圖片并編碼
image_to_test = face_recognition.load_image_file("face2.jpg")
image_to_test_encoding = face_recognition.face_encodings(image_to_test)[0]
# 計算該圖片與已有圖片的差別值
face_distances = face_recognition.face_distance(known_encodings, image_to_test_encoding)
# 自行設(shè)定同一張面孔的分界值，輸出比對結(jié)果 
for i, face_distance in enumerate(face_distances):
    print("The test image has a distance of {:.2} from known image #{}".format(face_distance, i))
    print("- With a normal cutoff of 0.6, would the test image match the known image? {}".format(face_distance < 0.6))
    print("- With a very strict cutoff of 0.5, would the test image match the known image? {}".format(face_distance < 0.5))
    print()