网站开发

网络爬虫

运维开发

自动化测试

适学人群

零经验想入行，找一份好工作

1.专业不受限，岗位薪资高

2.没经验也能学，学完就能用

适学人群

相关开发工作，想掌握Python

1.想学习Python语言，工作更轻松

2.跟随时代发展，掌握行业新技术

适学人群

数据分析相关行业，想升职涨薪

1.构建完善的数据分析知识体系

2.数据驱动决策，提升业务能力

适学人群

想成为AI工程师，进行自我提升

1.突破职业瓶颈期，升职加薪

2.成为AI人才，“钱”途不可估量

●初识Python语言

Python语言概述和环境安装丨变量、数据类型和进制丨运算符和分支结构丨循环结构入门丨循环结构的应用

●常用数据结构和函数

字符串丨列表的应用丨元组和集合丨字典类型的应用丨函数使用入门

●函数和面向对象编程

包和模块丨函数的高级用法丨装饰器和生成器丨面向对象编程基础丨面向对象编程进阶

●Python网络数据采集

爬虫概述和页面抓取丨解析页面的方式丨爬取数据的持久化丨Cookie和商业IP代理丨获取页面动态内容丨Selenium应用详解丨提升爬虫工作效率丨破解验证码丨爬虫框架Scrapy

●数据分析概述和Excel的应用

数据分析和数据分析师概述丨指标和指标体系建设丨Excel的安装和快速上手丨Excel中的函数和公式计算丨Excel透视表、透视图和商业数据看板

●关系型数据库和SQL

数据库概述和MySQL的安装使用丨表关系和SQL的应用丨SQL数据查询详解丨窗口函数和业务场景下的数据查询丨Python程序接入MySQL数据库

●商业智能（BI）工具

MySQL其他相关知识丨从Excel到Power BI丨Power BI中的数据清洗和分析模型丨Power BI中的数据可视化和报表制作丨Power BI项目实操丨认识和使用Tableau丨认识和使用fineBI丨数据思维和分析模型

●Python数据分析

Python数据分析工具介绍丨使用NumPy实现批量数据处理丨线性代数和NumPy的linalg模块丨使用Pandas进行数据分析

●机器学习的数学基础

线性代数丨微积分丨概率论丨统计学丨信息论

●机器学习算法

机器学习概述和kNN算法丨回归算法丨逻辑回归丨朴素贝叶斯丨决策树丨支持向量机丨聚类算法和轮廓系数丨集成算法丨特征工程和评价指标丨机器学习项目实战

●深度学习和神经网络

推荐系统丨深度学习和tensorflow入门丨tensorflow的应用丨卷积神经网络

●数据仓库和大数据挖掘

Hadoop生态圈丨ETL工具丨数据仓库丨Hive丨Spark概述

●零售/电商行业数据分析项目实战

为期5天的项目实战

●金融风险信用评估项目实战

为期5天的项目实战

●就业指导和模拟面试

就业期的技术和心理准备丨如何制作一份优质的简历丨面试流程和注意事项丨一对一模拟模式

●高等数学

什么是函数丨极限的定义丨无穷小与无穷大丨连续性与导数丨偏导数丨方向导数丨微积分的基本思想丨定积分原理丨牛顿-莱布尼茨公式丨泰勒公式及应用丨拉格朗日优化问题

●线性代数

矩阵观点的由来-方程可解性丨矩阵的逆丨行列式丨矩阵的向量空间与秩丨为什么要做矩阵分解丨特征值与特征向量丨基于特征值的矩阵分解丨SVD如何进行矩阵分解丨SVD在推荐系统中的应用

●概率论

概率与频率-古典学派丨条件概率与文氏图丨离散随机变量丨连续随机变量丨什么是随机抽样丨从贝叶斯学派到贝叶斯推断丨多维随机变量丨期望及其求法丨大数定律与中心极限定律告诉我们什么丨极大似然估计丨统计推断的做了哪些事情丨z分布与t分布丨f分布丨卡方分布丨使用卡方分布检测相关性丨f分布与回归分析

●回归模型

什么是回归丨多元回归的定义丨解析求解-最小二乘法丨梯度下降与迭代求解原理丨手撸梯度下降丨梯度下降的改进丨模型的评估方法-r2评分丨非线性问题如何解决-泰勒级数丨回归问题的更一般表达丨模型复杂度与拟合丨如何解决过拟合与欠拟合丨岭回归与lasso回归丨sklearn中的线性回归丨sklearn中的岭回归与lasso回归丨AR模型在回归中的应用丨回归项目（kaggle旧金山犯罪率预测）

●分类方法

分类问题的定义丨从回归到分类-逻辑函数的作用丨贝叶斯推断与似然函数丨使用最大似然进行参数估计丨逻辑斯蒂损失定义丨逻辑斯蒂梯度下降推导丨手撸逻辑斯蒂丨使用逻辑斯蒂进行手写体识别丨文本分类问题与NLP丨复习使用朴素贝叶斯框架的推断丨使用朴素贝叶斯进行文本分类的原理丨朴素贝叶斯进行文本分类的实例丨sklearn中朴素贝叶斯实现丨高斯贝叶斯及其应用丨项目实战（新闻分类）丨什么是决策树丨信息如何度量丨信息增益表达了什么？丨使用ID3算法构建决策树丨C4.5与CART树使用的度量方法丨CART树如何进行回归丨分类方法的最优化思考丨支持向量与最优分类超平面丨svm模型的构建丨svm对偶问题的转换丨smo算法与对偶问题的求解丨核函数如何解决非线性问题丨综合项目(使用svm进行车牌识别)

●聚类

数据的潜在结构与聚类丨距离的度量标准丨KMeans原理丨KMeans实现丨聚类算法的评估-轮廓系数丨基于密度的聚类丨层次聚类丨综合项目

●集成学习

集成学习概述-弱分类与强分类丨boosting与bagging丨adaboost概述丨adaboost原理丨adaboost推导与计算丨bagging抽样的若干问题丨使用bagging与决策树构建随机森林丨随机森林为什么有效？丨使用boosting与决策树构建提升树丨什么是梯度提升丨GBDT的原理与推导丨xgboost的原理与推导丨lightgbm的进一步改进丨综合项目

什么是神经网络丨神经网络能进行学习的原因-从XOR问题入手丨正向传播的计算丨基于梯度的学习丨反向传播的计算丨梯度消失与梯度爆炸-激活函数的选择丨控制模型复杂度-神经网络的正则化丨注意力机制

●机器学习算法

机器学习概述和kNN算法丨回归算法丨逻辑回归丨朴素贝叶斯丨决策树丨支持向量机丨聚类算法和轮廓系数丨集成算法丨特征工程和评价指标丨机器学习项目实战

●卷积网络

计算机如何理解图片丨卷积运算丨池化丨LeNet-一个完整的神经网络结构丨卷积神经网络的结构化输出与数据类型丨VGG网络-向深度迈进丨RESNET-解决退化问题作出的努力丨yolo-一次扫描完成多目标检测丨其他流行的网络结构介绍

●循环网络

综合项目丨时间序列处理的发展和演进丨计算图及其展开丨RNN网络结构丨RNN如何处理时间序列丨双向RNN丨RNN为什么起作用?丨递归与深度循环丨改进RNN的短视-LSTM丨使用LSTM完成诗歌生成器丨综合项目

●置信网络

编码与解码丨什么是受限玻尔兹曼机丨受限玻尔兹曼机推导丨构建DBN丨使用DBN进行推荐与编码丨综合项目-广告点击优化

●理论基础

什么是强化学习丨多臂赌博机丨MDP过程丨动态规划丨策略梯度原理

●模型实现

什么是Q-Learning丨Q-Learning的更新丨Q-Learning的实现丨什么是Sarsa丨Sarsa的原理与实现丨什么是DQN丨DQN如何更新丨DQN的实现丨什么是Actor Critic丨Actor Ctitic原理与实现