Python从入门到实战-第 12 章:Python的学习资源与就业方向

如果你更喜欢通过读书来学习，可以找一些经典的入门书籍，这样的书籍有很多，具体的书名就不列，每个人对书的要求不同，尽可能找那些比较畅销的，推荐比较多的来读，其实如果你是从第一章读到这里的，我想也不需要什么入门书籍了，因为你应该已经入门了，接下来需要的是进阶了。

视频学习

如果你更擅长通过视频来学习知识，则可以通过网络上一些视频教学来学习，这方面我觉得B站上可谓琳琅满目，你随手一搜就可找到很多类似的视频，当然其他的平台也可以。

AI辅助

在AI流行的今天，这也是一个不错的学习方式，只要你能够很好的描述你的问题，大多数问题都能得到解答，即便是不如预期，也可能从中得到一些启发。而且它是即时反馈的，可以帮助我们7*24小时答疑，但鉴于它有时候会出现幻觉，必要的时候我们还需要自己进行验证。

GitHub

这是作为一个开发人员必然会接触到的平台，上面有数不胜数的开源资源，我们即可以从这些开源资源中学习和使用，也可以贡献自己的开源项目，写进简历，也会提升求职竞争力。

当然，除了这些，还有一些学习资源，比如在线练习的平台、技术社区、刷题的平台等等。

在学习的过程中我们也要有一定的针对性，毕竟Python的就业方向还是很广的，不同的就业方向也有不同的技术偏向。即便我们不是为了就业，学习了Python也有助于提升我们办公的效率。

就业方向

学习完Python的基础内容，我们可能就要选择一个方向精进了，毕竟每个人的精力有限，如果不是天赋异禀，想做到精通多个领域还是很有难度的，我们来看一下Python核心的就业方向：

AI与大模型开发

这无疑是当前最火的方向，薪资天花板最高，当然也就有一定的门槛，门槛比较高的是大模型算法研发（模型设计与训练、模型优化与压缩等），需要掌握主流的深度学习框架、理解大模型底层原理、熟悉分布式训练生态、扎实的数学与理论基础；门槛稍微低点的有大模型应用开发（RAG系统搭建、Agent开发等），需要熟悉大模型生态框架（如：LangChain、LlamaIndex）、向量数据库、后端开发、云平台与容器化等技能。

数据分析/数据科学

企业需要依赖数据来驱动决策，这也是一个非常不错的方向，主要工作内容有数据清洗与处理、指标体系搭建、业务分析与建模、可视化报表制作、数据挖掘等。

需要掌握Pandas/NumPy、SQL、Matplotlib/Seaborn、统计学基础，进阶需掌握 Spark、Scikit-learn、数据仓库等相关知识。

Web后端开发

这是一个成熟的传统方向，主要工作内容有后端API接口开发、微服务开发等，需要熟悉FastAPI/Django/Flask、数据库、Docker/K8s、RESTful规范、前后端交互、Linux等相关知识。现在在AI的加持下，开发者可能更需要往全栈工程师方向努力了。

自动化测试/DevOps

Python在自动化测试、运维岗位中的技术占比还是比较高的，主要工作内容是编写自动化测试脚本、运维部署脚本或网络爬虫等，需要熟悉Pytest、Selenium、Requests、Ansible、Docker/K8s、Linux、Jenkins等相关知识。

除了以上这些，Python还有更多的应用领域，比如网络安全、量化交易、办公自动化等，这里就不再一一列出了。

还有必要学Python吗？

随着AI变得越来越强的今天，我不知道你是否也有这样一个疑问：还有必须要学习Python吗？甚至把问题扩大一点，还有必要学习编程语言吗？这样的疑问在我脑海中多次出现过，但想来想去，就目前的认知来说，还是有必要，或者说更有必要。

AI加速了我们写代码的速度，但仍然需要人来驾驭AI生成的代码，我们不再需要一行一行的去写代码，但我们需要拆解需求、把控风险、迭代维护，角色上发生了一些变化，更像是一个架构师和质检员，学习了编程语言才更有助于我们审查与决策、更有助于提出精准的问题，也更有机会触碰到更高的上限，你觉得呢？

结语

在《Python从入门到实战》这个系列文章发表的过程中，也收到了一些小伙伴的私信，在我有时间的情况下也尽我所能回答了，也很欢迎学习Python过程遇到问题的小伙伴一起交流，接下来我准备写一个AI Agent开发的系列文章，也期待你的继续阅读。