这里有一条Python研发的学习路线，可以根据这个大纲来制定学习计划~
第一阶段：专业核心基础
发展目标：
1. 灵活运用Python的开发环境和编程核心知识
2. 熟练运用Python面向对象知识进行程序开发
3. 对Python的关键库和部件有深刻的了解
4. 熟练运用SQL语句进行数据库常见操作
5. 熟练运用Linux操作系统指令及环境配置
6. 熟练使用MySQL，掌握数据库的高级操作
7. 能灵活运用所学知识完成项目
知识点：
Python编程基础、Python面向对象、Python高级进阶、MySQL数据库、Linux操作系统。
1、Python编程基础、语法规则、函数与参数、数据类型、模块与包、文档IO，培养优秀的Python编程基本功，熟练运用Python核心对象与库编程。
2、Python面向对象、核心目标、异常处理、多线程、网络编程，深入了解对象编程、异常处理机制、多线程原理、网络协议知识，并熟练应用于项目。
3、类的原理，MetaClass，独特的方法、递归、魔法、反射、迭代器、装饰器、UnitTest，Mock。深入了解面向对象的底层原理，掌握Python开发先进技术，了解单元测试技术。
4、数据库知识、范式、MySQL配备、指令、建库建表、数据增删、约束、视图、存储过程、函数、触发器、事务、游标、PDBC，深入了解数据库管理系统的通用知识和MySQL数据库的使用与管理。为Python后台开发打下坚实的基础。
5、Linux安装设备、文件名称操作、VI指令、管理、用户与权限、环境配置、Docker，作为主流的服务器操作系统，Shell编程Linux是每个R&D工程师必须掌握的关键技术，并且能够熟练运用。
第二阶段：PythonWEB开发
发展目标：
1. 灵活运用Web前端开发技术，HTML，CSS，JavaScript前端框架
2. 深入了解Web系统中的前端和后端交互过程与通信协议
3. 熟练运用Web前端、Django、Flask等主流框架完成Web系统开发
4. 深入了解网络协议、分布式、PDBC，AJAX，JSON等知识
5. 可以利用所学知识开发一个MiniWeb框架，掌握框架实现原理
6. 利用Web开发框架实现贯穿项目
知识点：
Web前端编程、Web前端高级、Django开发框架、Flask开发框架、Web开发项目实战。
1、Web页面元素、布局、CSS风格、盒模型、JavaScript，JQuery和Bootstrap掌握前端开发技术，掌握JQuery和Bootstrap前端开发框架，完成网页布局和美化。
2、前端开发框架Vue、JSON数据、网络通信协议、Web服务器和前端交互熟练使用Vue框架，深入了解HTTP网络协议，熟练使用Swager、AJAX技术实现前端和后端交互。
3、自定义Web开发框架，Django框架的基本使用，Model特性后端配备，Cookie和Session，模板Templates、ORM数据模型、Redis二级缓存、RESTful，MVC模型掌握Django框架中常见的API，整合前端技术，开发完整的WEB系统和框架。
4、Flask安装设备、App对象的初始化和配置、视图函数的路由、Request目标、Abort函数、自定义错误、视图函数的返回值、Flask前后文及请求钩、模板、数据库扩展包Flask-Sqlalchemy，数据库迁移扩展包Flash-Migrate，Flash邮件扩展包Flask-Mail。掌握Flask框架的常见API，与Django框架的异同，并能独立开发完整的WEB系统开发。
第三阶段：爬虫和数据分析
发展目标：
1. 灵活运用爬虫运行原理和常见的网络抓包工具，可以对HTTP和HTTPS协议进行抓包分析
2. 灵活运用各种常见的网页结构分析库分析提取抓取结果
3. 灵活运用各种常见的反爬机制和对策，可以处理常见的反爬措施
4. 熟练使用商业爬虫框架Scrapy编写大型网络爬虫分布式内容抓取
5. 灵活运用数据分析相关概念和工作流程
6. 灵活运用主流数据分析工具numpy、应用程序Pandas和Matplotlib
7. 灵活运用数据清洗、整理、格式转换、编写数据分析报告
8. 综合利用爬虫抓取豆瓣电影评论数据，完成数据分析全过程项目实战
知识点：
网络爬虫开发，数据分析的numpy、Pandas的数据分析。
1、LXML，爬虫页面抓取原理，抓取过程，页面分析工具，Beautifulfoup，正则表达式、代理池编写与架构、常见反爬措施与解决方案、爬虫框架结构、商业爬虫框架Scrapy，基于对爬虫抓取原理、网站数据爬取过程和网络协议的分析与理解，掌握网页分析工具的使用，可以灵活应对大多数网站的反爬策略，具有独立完成爬虫框架的能力，熟练运用大型商业爬虫框架编写分布式爬虫的能力。
2、ndaray数据结构特征、ndaray支持的数据类型、数组建立方法、算术运算符、矩阵积、自增自减、通用函数和聚合函数、切片检索、ndaray向量化和广播机制，熟悉ndaray数据结构特征和常见操作，掌握不同维度的ndaray数组的分块、检索、矩阵运算等操作。
3、Pandas中的三大数据结构，包括Dataframe、Series和Index目标的基本概念和使用，检索目标的更换和删除索引、算术和数据对齐方法，数据清洁和数据整齐，结构转换，熟悉数据分析三大武器之一Pandas的常用性，以及Pandas中三大数据对象的使用方法。能够利用Pandas完成数据分析中最重要的数据清洗、格式转换和数据整齐工作，以及Pandas对文件的阅读和操作方法。
4、matplotlib三层结构体系、各种常见图表类型的折线图、柱形图、沉积柱形图、饼图绘制、图例、文本、标线添加、可视化文件存储，熟悉Matplotlib三大利器之一的常用，熟悉Matplotlib三层结构，熟练使用Matplotlib绘制各种常见的数据分析图表。综合利用课程中提到的各种数据分析和可视化工具，完成股票市场数据分析与预测、自行车共享用户群数据分析、全球幸福指数数据分析等项目的全过程。
第四阶段：机器学习与人工智能
发展目标：
1. 了解与机器学习相关的基本概念和系统处理过程
2. 能熟练运用各种常见的机器学习模型处理监督学习和非监督学习练习和测试问题，处理重归属和分类问题
3. 灵活运用常见的分类算法和回归算法模型，如KNNN、决策树、随机森林、K-Means等
4. 掌握卷积神经网络对图像识别和自然语言识别问题的处理方法，熟悉TF中的张量、对话、梯度优化模型等
5. 掌握深度学习卷积神经网络的运行机制，定制卷积层、池化层、FC层，完成图像识别、手写字体识别、验证码识别等常规深度学习实践项目
知识点：
1、机器学习常用算法、sklearn数据集的使用、词典特征提取、文本特征提取、归一化、标准化、数据主成分分析PCA、KNN算法、决策树模型、随机森林、线性回归和逻辑回归模型和算法。熟悉机器学习的基本概念，灵活运用机器学习的基本工作流程，熟悉特征工程，使用各种常见的机器学习算法模型来处理分类、回归、聚类等问题。
2、Tensorflow相关的基本概念，TF数据流图、对话、张量、Tensorboard可视化、张量修改、TF文件读取、tensorflow playround使用、神经网络结构、卷积计算、激活函数计算、池化层设计，在机器学习和深度学习之前掌握差异和实践，灵活运用深度学习的基本工作流程，灵活运用神经网络的结构层次和特点，掌握张量、图形结构、OP目标的使用，熟悉输入层、卷积层、池化层和全连接层的设计，完成验证码识别、图像识别、手写输入识别等常见深度学习项目的全过程。
