编程是需要练习的，需要项目练手的。

听不少人说过，学习完OpenCV的基础部分之后就不知道该干什么了？怎么可能呢？

实际上能做的事情很多，不要因为觉得太简单或者太难就不动手做了。只要有兴趣有时间有需要，就先动手做起来。哪怕先实现其中最简单的部分，后面再慢慢的一边学习一边添加功能，也是好的。

下面推荐一些项目，没有源码，自己动手查资料做哦，即使是网上能找到代码我还是推荐自己写一遍。

实现一下操作系统自带的照片查看器算一个吧，同时还能学习下GUI编程。

实现一个简化版的美图秀秀，或者只实现其中的一个或几个功能。根据能力而定，或者先实现最基本的，然后一边学习一边添加功能。

写个玩数独的程序。（这个有源码。）

实现一个BP神经网络，或者卷积神经网络。

实现一个汽车检测的功能。

……

这里只做抛砖引玉，每个人兴趣不一样，可以结合自己的兴趣做一些个性化的项目。另外，如果视觉能够和硬件结合起来，能做的事情就更多了，而且更有意思。更多精彩等着你来创造。当然前提是动起手来。

以下是知识星球部分主题。

知识星球致力于打造一个高质量的知识互联社群，与微信群互补。微信群很多精彩问答或者资料分析发过之后很快就被后面的消息淹没了，知识星球一方面做知识沉淀之用。问问题或者闲聊仍然可以在微信群，但是这里就作为一个纯粹的知识交流之地。另外提高门槛，还能排除灌水党、广告党和伸手党。

预警：付费加入，全凭自愿。由于是知识星球不设期限，随着以后内容沉淀的增加，门槛应该会变高。

知识星球【OpenCV实践之路】欢迎加入。

http://chuansong.me/n/1840839551422

知识图谱示例

假设你想搜与“联想”有关的信息，下图是谷歌搜索结果。请观察左侧和右侧红框的搜索结果有什么不同呢？

左侧是传统谷歌搜索返回的一列依相关度排列的网站链接，你要自己打开一个个网页去阅读抽取与“联想”有关的知识。右侧则将一条条与“联想”有关的知识作为结果直接呈现给你，例如联想的简介、股价、CEO、创立信息等等（省去了自己一个个网页点击阅读的辛苦）。右侧其实是谷歌于2012年推出的Knowledge Panel (知识面板)。对比左侧，右侧直接返回知识的方式是更智能、更精准、更移动友好的未来搜索方式。

过去几十年，搜索引擎的本质工作是将字符串匹配做的更精准，而不是去理解字符串的含义。现在，谷歌能够做到Knowledge panel，离不开知识图谱的支持。知识图谱提供了结构化的知识体系，使得搜索引擎可以在海量图谱上进行语义分析、知识推断、图谱遍历等一系列知识挖掘。

知识图谱首先要定义一个系统的关系规则。关系规则定义了不同类别(class)的实体(entity)之间可以存在的关系。

《儿歌三百首》......中有这么一首口口相传：“爸爸的爸爸叫什么？爸爸的爸爸叫爷爷”。这句歌词描述了两条关系规则（下图，字丑见谅）：一个男性类别实体可以是另一男性类别实体的父亲；一个男性类别实体可以是另一男性类别实体的祖父。一条关系规则是一个三元组：<主, 谓, 宾>。

依据定义的关系规则，知识图谱就可以实体化描述世界上千千万万的的父子关系和祖孙关系（下图描述了最牛80后一家的父子关系）。这规则也可用来描述你家的父子关系。类似的，可以定义夫妻关系、雇佣关系、位置关系、客户关系、投资关系、贸易关系等可以想到的所有知识。

一条关系是一条边（以两个实体为顶点，关系为边）。千千万万的边在一起就构成了知识图谱。

知识图谱(Knowledge graph)原名其实是知识库(Knowledge base)。谷歌将自己的知识库称为知识图谱。因为这名字比较酷炫便于炒作，就广泛通用了。知识图谱Schema有多种标准定义，例如 RDFS。这里不展开叙述。

问题来了，为什么要用知识图谱？知识图谱作为更高级的结构化数据可以将图分析挖掘、自然语言处理、语义分析等智能技术聚合做以往做不到的事。下面简单列举两个优点。

根据Schema，知识图谱可以自动推断出新的知识。假设下图左侧是原始的知识图谱，根据两层父子关系，图谱可以自动推断出缺失的祖孙关系，正所谓“爸爸的爸爸是爷爷”。

比如字符串“位于香港的博物馆”，对于知识图谱而言这再也不是单纯的字符串，而是饱含语义的关系查询：要查询某一个东西(?)，它是属于博物馆类别的，而且是位于香港的。

PatientsLikeMe.com 是一家专注医疗知识图谱的大数据公司，于2017年1月刚融得了1亿美元。它将病人、病症、医院、医生、药品等等医疗数据组织成知识图谱。在图谱上，医生可以搜索家族病史网络，查询相似病例及解决方案；病人可以搜索疾病相关的病症、药品、医生、相似病例等。

图片来源：https://www.patientslikeme.com/

金融业各种交易数据可以构成知识图谱，包括现金账户、股票账户、大宗商品账户、ETF账户、债券账户等之间的所有交易数据。在知识图谱上对潜在的洗钱模式进行模式匹配、子图挖掘，可以让欺诈洗钱账户们无所遁形。

图片来源：http://www.fintrac-canafe.gc.ca/publications/typologies/images/2009-05-01/fig4-eng.jpg

数据库顶级会议SIGMOD’2016有一篇论文 “Top-k Relevant Semantic Place Retrieval on Spatial RDF Data” 提出了基于空间地理位置和语义查询返回相关知识图谱的技术。该技术可以应用在商业选址、旅游路线酒店推荐、广告推荐、医疗等领域。比如你要在某街道开一家菜馆，根据该论文技术，你可以在知识图谱上查询街道周边的餐馆类型、居民类型、交通配套等，为选址提供全方位支持。

其实，微信、滴滴、顺丰、Airbnb、美团等所有的线上线下的商业数据都是知识图谱。将这些图谱进行实体融合打通整合组成一个大的知识图谱。。。就厉害了。基本上任何商业应用都能做了。

古人云，近朱者赤，近墨者黑。这条道理也可以应用在公安知识图谱上，进行安全事件分析、潜在高危地区、高危人员挖掘监测等。公安数据，如户籍、人口、通信、商业、财产信息、交通等可以组织成非常完备的知识图谱。

新闻媒体行业进行新闻推荐、关系挖掘等。下图，我的天哪！特朗普竟然给扎克伯格提供过婚姻建议。知识图谱在成功吸引我的注意力后，便可以推荐相应的新闻给我阅读了。都是套路，心碎。

2016年底谷歌的知识图谱已经包含了700亿条关系，而这仅是浩瀚知识的九牛一毛。在如此规模上，敏捷的响应速度至关重要。如何将知识图谱大数据技术推动达到企业级应用也是我们联想大数据实验室攻克的一项难题。

知识图谱是高度结构化的数据。如何从无数网页、文本、书籍等非结构化信息中完全自动化精准抽取知识图谱，目前来讲，还是业界未解之谜。学术界做的比较好的有DeepDive等，不过仍然距离业界应用有较高门槛和改进空间。

前言

一直以来都有很多想学习Python的朋友们问我，学Python怎么学？爬虫和数据分析怎么学？web开发的学习路线能教教我吗？

我先告诉大家一个点，不管你是报了什么培训班，还是自己在通过各种渠道自学，你一定要注重一个东西：完整的知识体系。

感觉很迷茫？学了一段时间还是不入流？很大一部分原因是因为你没有一个完整的知识体系，你不知道自己现在的进度、未来的方向。

端午三天，虽然回了乡下，但还是抽时间去做了Python所有方向的学习路线，今天分享给大家。

一、Python入门

初学者都会比较好奇，学了这么久Python，什么程度才叫入门了呢？

每个人对技术的认知都不尽相同，在我个人看来，你学完以下这些东西就可以算是入门了，为什么？因为以下这些东西是Python进阶各个方向都必备的基础知识，你进阶去学爬虫或者web开发等方向，你都得先学会它们。

因为知识点放在一起比较多，我把它们稍加区分成基础和高级编程两块，对于每一个自学的人，按照这个体系去打好基础，你未来的路会走得更稳重。

适用人群：零基础/基础不扎实者，学Python都从这里开始

二、爬虫

爬虫作为一个热门的方向，不管是在自己兼职还是当成辅助技能提高工作效率，都是很不错的选择，当然了，还有一些以此为主职业的爬虫工程师。

那么爬虫怎么学习才能成体系？中级水平的爬虫所需要的东西不是很多，参考这个体系去学习，如果能掌握90%,你可以很自信地说你已经精通爬虫。

适用人群：爬虫方向/数据分析方向/非程序员加薪

三、数据分析

谁都知道数据是这个时代最为宝贵的东西，但有一个前提就是，你拿到的数据你得懂，一切发挥不出应有功效的数据都是垃圾数据。

数据分析的使命就是发挥数据应有的作用：直接作用和间接作用。

如果你是从事大数据相关工作的IT人士，我建议你掌握但不要止步于下面的数据体系，不要以为会了Numpy、Pandas、Matplotlib就是会了数据分析，真正强大的东西还在后面。

如果你是把数据分析当成一个辅助技能，那么学完下面这些就差不多，它们能满足你大多数的需求。有些小伙伴可能还是非计算机专业且从事非IT类的工作，比如说运营之类的岗位，那么我建议大家学Python入门+爬虫+数据分析就可以了，它们足以提升你在职场的工作效率，不用去全栈、测试等方向浪费时间，对你没什么大的帮助。

适用人群：爬虫方向/数据分析方向/非程序员加薪

四、web开发（前/后端）

web开发是程序员职业中的热门，目前来讲，人才缺口依然很大。web开发分为前端、后端、全栈3个方向，目前国内主流的还是前后端分离，前端主要考虑用户体验，后端主要考虑底层业务逻辑、平台稳定和性能，最主要是要看你想做哪一部分？你是喜欢做用户看得见的部分，还是考虑用户看不见的部分。

至于全栈，舆论一直很大，褒贬不一，我的建议是如果时间和精力允许，在技术上追求更全面是不会错的。

适用人群：前端/后端/全栈工程师

五、自动化测试

自动化测试已是未来的一种趋势，现在很多的企业都要求程序员具备自动化测试的能力，而对于自动化测试这个领域来讲，Python是目前最合适的语言。

适用人群：程序员/测试工程师

粉丝福利，点击可查看

六、机器学习

机器学习是通往人工智能的必经之路，难度也比前面的大很多，与算法打交道是家常便饭，高付出也会带来高回报，薪资待遇很不错。虽然Python在这方面确实很强，但提醒大家一点，这个领域的门槛比较高，本科生基本无缘，建议上了硕士以上学历再考虑进入这个行业。

寄语

上面就是Python所有方向的学习路线了，把你感兴趣的方向掌握了90%之后，你去找工作不是什么问题的。

有些细心的朋友可能会发现，我没放人工智能的学习路线。说实在的，人工智能比机器学习要广泛很多，它已经不是某一门语言就能单独完成的事情了，所以这里不做推荐。

同样的，网络安全工程师我也没有放进去谈，虽然Python也能做网络安全方面的事情，但对于一个成熟的网络安全工程师甚至红、H客而言，你需要精通的语言可不止1门而已了，又或者说，这已经不是语言工具层面的问题了。

那么，祝大家在学习的路上，学有所成。