生物信息学（Bioinformatics）是利用应用数学、信息学、统计学和计算机科学的方法研究生物学问题的学科。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索、处理及利用。当前主要的研究方向有：序列比对、序列组装、基因识别、基因重组、蛋白质结构预测、基因表达、蛋白质反应的预测，以及创建进化模型。

2020年9月16日，Nature 发表了 NumPy 团队撰写的一篇综述文章《Array programming with NumPy》（使用NumPy进行数组编程），介绍 NumPy 的发展过程、主要特性和数组编程等。

因为新冠疫情宅家无事可做，毕业于印度尼西亚Universitas Pelita Harapan的应用数学本科学生 Grady Matthias Oktavian 在从未用过 Python 编程的情况下，仅用不到两个月时间就拿到了谷歌 TensorFlow 开发者证书，并在Medium撰文《How to go from a Python newbie to a Google Certified TensorFlow Developer under two months》介绍这励志故事。

Mojeed Abisiga, Data Scientist & Machine Learning Engineer的《The List of Top 10 Lists in Data Science》一文为您提供了数据科学家所需的关键信息，这样您就可以有效地利用时间，灵活地探索数据科学的职业道路，帮助您找到穿越数据科学迷宫的方法。

在这份列表中，作者多次提到Kaggle——Kaggle是一个数据建模和数据分析竞赛平台。企业和研究者可在其上发布数据，统计学者和数据挖掘专家可在其上进行竞赛以产生最好的模型。这一众包模式依赖于这一事实，即有众多策略可以用于解决几乎所有预测建模的问题，而研究者不可能在一开始就了解什么方法对于特定问题是最为有效的。各种公司或平台将需要解决的问题挂在Kaggle平台上，通过悬赏找出最佳方案。对那些研究数据分析、机器学习领域的人来说，Kaggle就是一场“华山论剑”。

这些课程旨在为人工智能和计算机科学领域的新人们提供广度与深度并重的知识。

《数据科学家如何选择 Python 的 IDE》是一篇2018年的文章，提到 Spyder 是 python 做科学计算的最佳 IDE，visual studio 已经变成了 R 语言在 windows 平台上最完美的 IDE，可作参考。

AI领域综合了众多知识，其中编程语言、机器学习和深度学习是其核心。举个例子，我们可以从《跟着迪哥学Python数据分析与机器学习实战》一书来认识Python数据分析与机器学习的基本知识结构，从而初步了解AI的学习路径。

本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。

编写Grokking Deep Learning旨在帮助您为深度学习奠定基础，以便您可以掌握主要的深度学习框架。它从关注神经网络的基础开始，然后切换其重点以提供对高级层和体系结构的深入了解。

如果您已经通过了高中数学并掌握了Python的知识，那么您就可以开始学习本书了。