最近的大数据快速发展也扩展了Python语言的新天地,作为数据抓取和分析的语言, Python又焕发了新的活力。因此Web应用开发、系统网络运维、大数据的科学与数字计算,甚至3D游戏开发都是Python工程师非常适应的职业发展方向。

培训特色
●课程从0开始,讲到人工智能结束
●包含python基础,Django,web开发,爬虫,数据库,前端页面,人工智能数
据分析挖掘

培训课时：496课时

培训费用:：24800元/位

入学基础
有Linux使用经验\有HTML5前端开发经验,可以减免部分前置课程


培训大纲
前置课程: RED HAT LINUX系统运维
●在bash shell命令行模式下运行常用基本Unix命令
●从 shell命令行及Xwindow界面运行应用程序
●配置XFree86系统及常用XWindow桌面环境
●使用X GUI应用程序完成-般的工作
●了解Linux EXT2和EXT3文件系统结构
●完成普通的文件维护操作
●了解和维护文件存取权限
●复制和存取不同文件系统 下的文件
●使用vi 文本编辑器编辑和运行Shell脚本文件
●使用sed、awk及perl正则表达式过滤和处理文本
●使用Linux本底打印命令和相关实用工具实现Unix下的文本打印
●使用电子邮件和 Openoffice完成Linux下的电子办公
●用标准的输入/输出重定向及管道连接程序和文件
●控制 Linux系统进程
●查询Linux系统内的rpm软件包
●使用Unix常用网络程序和相关实用工具控制本底机网络
●使用基于SSL的方式安全传输文件
●掌握RedHat提供给用户的系统工具
●掌握基本的 shell script脚本

Python基础
●Python概述
计算机语言概述
python简史
python相关
●python 语法基础
Python环境配置
python基础语法
变量
数据类型
表达式和运算符
分支结构
循环结构
●函数
函数初步
细说参数
变量作用域
递归调用
●内置函数
字符串相关-string
列表-list
元组-tuple
集合-set
●字典-dict

Python高阶
●Python面向对象高级编程
面向对象编程基础
公有私有
继承
组合& Mixin
●模块
模块概述
搜索路径
●Python正则表达式
●Python 与数据库编程
●Python 多进程与进程间通信
●Python多线程
●Python 网络编程
●Python GUI编程
●项目实践

Python Web开发
●Python Web开发简介
●Django 开发环境搭建
●Django 基础
●Django 视图
●Django URL映射
●Django 模板
●Django 模型与数据库
●Django 表单
●Django 用户验证
●Cookies 和Sessions
●Django 模板继承
●Bootstrap 结合
●Jquery 结合
●AJAX 结合
●项目部署
●Django 项目实践在线商城

Python爬虫技术
●爬虫概述
爬虫定义
爬虫在行业中的地位
●页面获取
urllib基本使用.
requtests基本使用
反爬虫策略和反反爬虫
●内容提取
正则
XPath
BeautifulSoap
●scrapy
Scrapy概述
Scrapy核心部件使用
Scrapy Shell

Python数据分析和数据挖掘
●数据科学和AI概述
●数据结构和算法
●Python 数据分析与数据挖掘简介、环境搭建
●Python 数据分析工具箱
●数据加载与存储
数据类型
数据结构
数据导入
数据导出
●数据规范化和处理
数据清洗
数据抽取
数据合并
数据计算
数据转换
●数据分析
基本统计
分组分析
结构分析
分布分析
交叉分析
矩阵分析
RFM分析
●数据挖掘
相关分析
简单线性回归
多重线性回归
逻辑回归
决策树分析
聚类分析
因子分析
关联规则
时间序列分析
数据可视化
项目实践

Python人工智能算法和框架--机器学习与深度学习
●初识机器学习
概述
1、概念与术语(人工智能、数据挖掘、机器学习、深度学习)
2、数据挖掘的对象
3、数据挖掘的关键技术
4、知识的表达
5、Python 的安装
●Python 数据挖掘工具箱
1、Numpy, Scipy
2、Pandas
3、Scikit.learn,
4、Matplotlib
5、TensorFlow
●数据加载与存储
1、csv/json/Excel/mySQL
●数据预处理与规范化
2、数据合并
3、数据转换
4、数据清洗
5、数据聚合
6、数据分组
7、透视表与交叉表
●机器学习中的典型算法
机器学习框架
模型评估方法
1、偏差与方差
2、混淆矩阵/准确率/精确率/召回率
3、ROC/AUC/F1
●特征提取(分类变量/文本/图像)
●数据预处理(标准化/正则化)
●线性回归
1.一元/多元
2.多项式
●线性回归
1、岭回归
2、随机梯度下降法
3、交叉验证
●逻辑回归
1.二分类
2.多分类
●K 近邻算法
1.kNN回归
2.kNN分类
●机器学习中的典型算法进阶
●决策树
1、回归数
2、分类树
3、模型参 数网络搜索
4、随机森林
朴素贝叶斯
1.高斯贝叶斯分类器
2.多 项式贝叶斯分类器
3.伯努利贝贝叶斯分类器
●支持向量机
1、核函数
2、SVC
3、SVR
●人工神经网络
1、感知器
2、神经网络
●机器学习中的典型算法扩展
●无监督学习聚类
1、Kmean
PCA降维
●集成学习方法
1、Adaboost
2、Gradientboosting
3、RandomForest
●关联分析- Apriori 算法
1、频繁项集
2、关联规则
关联分析- FP-growth算法
FP树

深度学习初步
●深度学习简介
1、深度学习引入
2、深度学习历史
3、深度学习应用
4、TensorFlow
●TensorFlow 入门
1、计算模型
2、数据模型
3、运行模型
4、TensorFlow 实现神经网络
●深层神经网络
1、深度学习与深层神经网络
2、损失函数定义
3、神经网络优化算法
4、神经网络进一步优化
●深度学习模型改进
1、MNIST数据处理
2、模型训练及对比
3、变量管理
4、模型持久化

深度学习进阶
●卷积神经网络
1、图像识别问题
2、卷积神经网络
3、卷积神经网络常用结构
4、典型卷积神经网络模型
●图像数据处理
1、TFRecord 输入数据格式
2、图像数据处理
3、数据集框架
●循环神经网络
1、循环神经网络简介
2、长短时记忆网络 LSTM
3、循环神经网络变种
●Tensorflow 高层封装
1、Keras
2、Estimator
●TensorBoard 可视化
1、TensorBoard 计算图可视化
2、监控指标可视化
3、高维向量 可视化


Python数据分析和人工智能--配套项目实战(根据实际进度安排)
●实践-案例-项目 :

项目群1
1、Anaconda 安装
2、Tensorflow 安装
3、二 维布朗运动
4、泰坦尼克号生存者名 单处理
5、上海证券大盘指数分析
6、QQ 聊天群数据分析
7、中国地震数据分析

项目群2
1、酒品质预测
2、波士顿住房数据来预测房屋价格
3、 垃圾邮件分类
4、影评电影分类 ;
5、美国 入学申请录取分类

项目群3
1、广告屏蔽
2、泰坦尼克号乘客生还情况
3、iris(鸢尾花)
4、20 类新闻数据分类

项目群4
1、脸部识别
2、手写数字识别
3、新闻类别分类
4、自然图片字母与数字识别

项目群5
1、美国参议院党派分类
2、各省经济水平分类
3、手写识别
4、糖尿病病人
5、毒蘑菇相似特征
6、从新闻网站点击流中挖掘新闻报道

项目群6
1、Tensorflow 安装
2、神经网络实现
3、MNIST 手写数字识别
4、训练模型保存与恢复

项目群7
1、Lenet5 网络
2、图像数据
3、RNN 网络实现时序预测
4、Keras 实现IMDB自然语言情感分类

附赠模块
*必备数据分析和统计技能
数据分析师基础理论和实践(基于excel的数据分析)

1)数据加工处理方法
a.处理重复数据
b.处理不完整数据
c.处理格式错误数据
d.处理异常值
e.提取数据
f.计算数据
g.拆分、合并数据
h.数据分组、排序
i.数据转换
j. 查找、 定位
k.处理海量数据( Power Query )
I.数据透视( Power Pivot )
2)数据可视化方法
a.基本图表
b.动态图表
C.专业图表
3)多维度数据集搭建方法
4)透视分析
5)现状、 原因分析
6)宏使用方法简介


SPSS数据统计和分析
课程基于SPSS工具手把手教学操作,数据的录入、整理、清洗、处理、分析、输出、解读等。
●SPSS软件及统计分析过程方法论简介
●统计分析过程方法论应用:一个调查研究的实例
●SPSS for Windows的各个模块简介
●数据输入与建立
数据文件获取: EXCEL和其它各种ASCII文本文件,数据库数据等各种格式数据的读取
数据文件的建立:变量名、变量标签、值标签、变量类型、缺失值等的处理方式,收集数据时的错误和误差
●数据管理与变换:
●数据分段
●衍生变量
●变量重新编码


SPSS统计图表和报表展示:
●饼图、直方图、三维直方图、散点图、条图、线图、茎叶图箱线图、帕雷托
图QQ图、P-P图、控制图等
●打印与存储输出
●高级数据修改
●文件管理
●SPSS编程
基本使用方法
SPSS编程命令语句
●实用特性举例
●枢轴表编辑器的用户化输出
●集中趋势及离散趋势分析
●正态检验
●非参数检验
●变量间关系描述
●SPSS交叉表分析过程;
交叉列表的分析对象、解决的问题,应用SPSS实现交叉列表分析
●单样本及双样本T检验
●方差分析(ANOVA)
●多选题变量分析及SPSS实现
多选题变量的编码形式、分析指标;多选题变量的建立、频数分析、交叉列表
分析;多选题变量的探索性分析
●如何选择合适的统计学方法
*必备数据库技术
MYSQL/ORACLE数据库管理
1)描述Oracle MySQL架构、安装和升级Oracle MySQL
2)利用INFORMATION SCHEMA数据库访问元数据
3)完成Oracle MySQL启动和关闭操作
4)在运行时间配置Oracle MySQL服务器选项
5)利用Oracle MySQL管理员图形用户界面管理Oracle MySQL服务器
6)为解决性能问题评估数据类型及字符集
7)了解数据锁定概念以及在Oracle MySQL中不同级别锁定
8)了解和使用Oracle MySQL InnoDB引擎
9)保持Oracle MySQL安装-致性
10)使用触发器执行管理任务
11)使用企业审计和插入式验证
12)配置高级复制技术来实现 ORACLE MYSQL高可用性
13)描述 绍性能调优技术
14)执行备份和恢复操作
15)管理任务 自动化与排程事件


*必备WEB前端开发技术
HTML5+CSS3
1) HTML 5的结构
2)表单及其他新增和改良元素
3)绘制图形
4)多媒体相关API
5) History API
6)本地存储
7)离线应用程序
8)文件API
9)通信API
10) WebRTC通信
11)扩展的XMLHttpRequest API
12)使用Web Workers处理线程
13)获取地理位置信息
14)拖放API与通知API
15) Page Visibility API
16) Fullscreen API
17)鼠标指针锁定API


JavaScript
1) JavaScript 概述
2)词法结构
3) 类型
4)值和变量
5)表达式和运算符
6)语句
7)对象
8)数组
9)函数
10)类和模块
11)正则表达式的模式匹配
12) JavaScript的子集和扩展
13)客户端JavaScript
14)服务器端JavaScript


JQuery
1)初识jQuery
2) jQuery 选择器
3) jQuery 中DOM的操作
4) jQuery 的事件处理
5) jQuery 的动画效果
6) jQuery 与Ajax
7) jQuery 常用插件