学 Python ，能提升你的竞争力，办事效率上甩别人一条街

本文链接：https://blog.csdn.net/m0_59162248/article/details/127898873

国人常说的俗谚，有一句“一招鲜，吃遍天”。也就是掌握了某种供不应求的技能，于是可以坐享这种技能带来的益处与红利。

你可以暂停阅读20秒钟，在头脑里，自行匹配满足上述条件的相应技能，或是代表该技能的证书。

想好后，咱们继续。

这样的技能，确实是存在。但是，要达到“吃遍天”的效果，需要你衡量市场上的供求关系。

我们都知道，近几年市场对 Python 的需求确实很高。许多岗位招聘条件里面，都有 Python 这一项。

在这里插入图片描述

然而，供求关系的另一方，也就是供给，情况如何呢？

很不容乐观。

我不是说供给太少，而是太多了些。

别忘了， Python 最大的特点，就是简单易学。

因此，没有门槛，没有护城河，连上小学的孩子，课本上都要教 Python 了。
在这里插入图片描述

需求再大，如果供给是这样的，价格也很难上去。

所以，如果你的打算，是学好 Python 以后，直接用它变现，那你一定要三思而后行。

这是不是说，你不该学 Python 呢？

恰恰相反，你真的应该学 Python 。

你可能会疑惑：老师，你这不是前后矛盾吗？

不是。

Python 要学，但这项技能，真的不是这么应用的。

连接

Python 无门槛，这么简单，学会了也毫不稀奇，那学它还有什么用？

用处大了。

因为它可以让你和一张巨大的协作网络连接起来。这张网络的溢出效应，对你来说益处可谓巨大。
在这里插入图片描述
举个例子。

机器学习听说过吧？最近很火的。

从前人们做机器学习，用的工具叫做 Matlab 。

直到6、7年前，当 Andrew Ng 制作后来成为经典的《机器学习》课程时，用的工具还是 Matlab 。
在这里插入图片描述
当然，因为当时 Matlab 很贵，所以 Andrew Ng 鼓励大家用 Octave （一种 Matlab 的开源实现版本）替代。

我学这门课程的时候，很痛苦。其中最重要的原因，就是 Matlab / Octave 的使用。

这是当时做的第 8 次作业，你看看为了做个协同过滤（Collaborative Filtering），需要多少个文件。
在这里插入图片描述
随便打开一个代码文件，是这样的：

结果是，大部分学员，根本就不知道，该如何完整撰写一个协同过滤算法的程序。大家只能满足于课程的要求，即在每个文件指定的位置上，做完形填空。

因此，那时候你要是打算使用机器学习，就必须要抱着一本 Matlab 的书啃下来。因为只有明白了它怎么用，你才真正能壮起胆子，尝试从头到尾，去实践自己从 MOOC 学来的机器学习技能。

然而，短短几年之后，事情就完全变了。

其他基于 Python 的机器学习课程，也像雨后春笋一般遍地开花。

例如在 fast.ai 的课程里，实现同样的协同过滤功能，你再也不用写那一堆 Matlab 文件和函数了。

你需要的，仅是以下这几行代码：

from fastai.collab import *
path = untar_data(URLs.ML_SAMPLE)
ratings = pd.read_csv(path/'ratings.csv')
ratings.head()
data = CollabDataBunch.from_df(ratings)
learn = collab_learner(data, n_factors=50, y_range=(0.,5.))
learn.fit_one_cycle(5, 5e-3, wd=0.1)

好了，搞定。

Python 没有门槛。但是通过掌握它，你可以用更短的时间，更高的效率学习和掌握机器学习，甚至是深度学习的技能。

注意，能以这么短短几行代码搞定问题，不是因为你学了 Python ，所以技能大涨。

那是因为这个巨大协作网络中开发框架的人，“刚巧”也是用 Python 来封装细节。你们在说同样的语言，因此你可以把他们的研究成果，“拿来”使用。

越来越多的高手都使用 Python 来编写框架、制作工具，因此会吸引更多人来用。

越来越多的人习惯用 Python 来完成某项功能，那么开发功能的人也被绑定在这个路径上，只能选择用 Python 来开发。

这样的一个正反馈循环，就像在滚雪球。
在这里插入图片描述
你可能很为那些好不容易掌握用 Matlab 做机器学习的人鸣不平，似乎他们才是会真功夫的人。而学了 Python 的人，都有作弊之嫌。