@Tunar 抱歉有些失言…… 那就只能做 web & desktop & mobile 的前端，加上一部分轻量级的后端。

重量级的都 Java 做的，这个不要和我争论。

就算严谨地说了，我的结论还是没有改变。Python 虽然每个领域都不是非常出挑（除了人工智能），但是打击面非常广。因此最受欢迎是有可能的。

而且我觉得你高估了前端+轻量后端在所有程序开发里面的比重。

@Tunar JS 只能做前端。

Python 从 web 后端，到运维，到嵌入别的语言的项目，再到人工智能，这么大的打击面，每一个虽然都不是最领先（除了人工智能，几乎已经一统江湖），自然比前端界更受关注。

看看 TensorFlow 这个基础 DL 库的 star，比 Python 本体还要多： https://github.com/tensorflow/tensorflow。它的用户是各种领域的科研工作者，不仅仅是人工智能，更不局限于程序员。

@tinycold 你这是完全前端狗的简历啊，你真的要跳这个无底深坑？

@zhlssg 用框架、分组件，好写。用 jQuery + bootstrap 你会得到一团乱麻的改不动的代码。

三大前端库，Vue.js, React, AngularJS，随便选一个慢慢做呗。

只要有 two-way binding 或者类似机制，基本都能做。

@swordspoet …… 其实无数遍是夸张了，我也就翻过一两遍。

我初次看《统计学习方法》之前的状态是没上过什么课。

后来我上了本科的一些课，知道了个大概，这时候看《统计学习方法》，还是没个头绪。《统计学习方法》给我的感觉是它章节之间割裂太严重，没有穿插整本书的写作思路和哲学观，只是教给你一些零碎的算法（和公式），不能给你建立机器学习的思考方式。

这时候我听说 PRML，打算看，在第二章被劝退了。

后来我补了一年的概率论、微积分、线性代数、最优化方法和基础泛函（泛函学得最差，只知道了一些概念，没领会精髓），拿起《 Deep Learning 》这本书看。看了几个月，受益匪浅。这本书把 Deep Learning 的很多思考方法与哲学解释都讲了一遍，不单是数学。

再后来我才拿起来 PRML，这回终于不再劝退了。相距第一次拿起来已经过去了一年，终于能看懂了。

这回 PRML 看了之后收获简直巨大，把 Deep Learning 这本书没看懂的一些章节也搞懂了（比如 Variational Approximation 相关章节、EM 算法在 KL-divergence 下面的理解等）。
- - - -

我说《统计机器学习》是渣渣可能过了，但是我觉得它的写作思路在《 Deep Learning 》和 PRML 的对比下确实差了一个档次。《统计机器学习》有其形而无其意，可替代性非常高。但是 Deep Learning 和 PRML 是形神具备，确实是经典之作。

@ivechan 我当年看李航这本，无论看多少遍都看不懂。直到我看了 PRML，我才醍醐灌顶。

所以李航这本就是渣渣，初学者看不懂，已经从别的地方看懂的人也不会再去看了。

Office 2016 for Mac 其实体言已经接近 Windows 版了。Office 2011 for mac 确实是渣渣。

因为标准 Python 只能是是单线程，无法并发，而 uwsgi / gunicorn 通过多进程池达成了更暴力的并发。

至于 nginx，你静态文件都走 Python 程序，不是浪费机器性能嘛？

@Hallujah Notability 我用过，有各种高级功能，有手写、文字和图片之类的混排。另外 Notability 的笔记管理更像是 Evernote。但是我更喜欢 GoodNotes 这种复原了纸质笔记本的用法，没有太多功能，每个笔记本就是一个封面和一堆内容页，想写什么写什么。

@aheadlead yes