第五期（廣州班）培訓(xùn)大綱

模塊

內(nèi)容

課時(shí)

Python基礎(chǔ)

1 準(zhǔn)備工作

1.1 認(rèn)識(shí)Python

1.2 搭建Python環(huán)境

1.3 安裝PyCharm并創(chuàng)建一個(gè)應(yīng)聲蟲程序

2 Python基礎(chǔ)知識(shí)

2.1 掌握Python固定語法

2.2 創(chuàng)建字符串變量并提取里面的數(shù)值

2.3 計(jì)算圓形的各參數(shù)

3 Python數(shù)據(jù)結(jié)構(gòu)

3.1 創(chuàng)建一個(gè)列表（list）并進(jìn)行增刪改查操作

3.2 轉(zhuǎn)換一個(gè)元組（tuple）并進(jìn)行取值操作

3.3 創(chuàng)建一個(gè)字典（dict）并進(jìn)行增刪改查操作

3.4 將兩個(gè)列表轉(zhuǎn)換為集合（set）并進(jìn)行集合運(yùn)算

4程序流程控制語句

4.1實(shí)現(xiàn)考試成績劃分

4.2實(shí)現(xiàn)一組數(shù)的連加與連乘

4.3使用冒泡排序法排序

4.4實(shí)訓(xùn)（猜數(shù)字游戲）

5 函數(shù)

5.1自定義函數(shù)實(shí)現(xiàn)輸出方差

5.2使用匿名函數(shù)添加列表元素

5.3存儲(chǔ)并導(dǎo)入函數(shù)模塊

6 面向?qū)ο?/p>

6.1 認(rèn)識(shí)面向?qū)ο缶幊?/p>

6.2 創(chuàng)建Car類

6.3 創(chuàng)建Car對(duì)象

6.4 迭代Car對(duì)象

6.5 產(chǎn)生Land_Rover對(duì)象（子類）

7 文件基礎(chǔ)

7.1 認(rèn)識(shí)文件

7.2 讀取txt文件中的數(shù)據(jù)

7.3 保存數(shù)據(jù)為csv格式文件

7.4 認(rèn)識(shí)os模塊

15

日期

內(nèi)容

時(shí)間

第一天

報(bào)到

全天

第二天

大數(shù)據(jù)人才培養(yǎng)方案/課程設(shè)置分享

09:00-09:30

實(shí)戰(zhàn)任務(wù)說明及啟動(dòng)

09:30-09:45

Python數(shù)據(jù)分析與應(yīng)用

1 Python數(shù)據(jù)分析概述

1.1認(rèn)識(shí)數(shù)據(jù)分析

1.2熟悉Python數(shù)據(jù)分析的工具

1.3安裝Python3的Anaconda發(fā)行版

1.4掌握J(rèn)upyter Notebook常用功能

2 NumPy數(shù)值計(jì)算基礎(chǔ)

2.1認(rèn)識(shí)NumPy數(shù)組對(duì)象ndarray

2.2認(rèn)識(shí)NumPy矩陣與通用函數(shù)

2.3利用NumPy進(jìn)行統(tǒng)計(jì)分析

3 Matplotlib數(shù)據(jù)可視化基礎(chǔ)

3.1了解繪圖基礎(chǔ)語法與常用參數(shù)

3.2分析特征間的關(guān)系

3.3分析特征內(nèi)部數(shù)據(jù)分布與分散狀況

4 Pandas統(tǒng)計(jì)分析基礎(chǔ)

4.1讀寫不同數(shù)據(jù)源的數(shù)據(jù)

4.2掌握DataFrame的常用操作

4.3轉(zhuǎn)換與處理時(shí)間序列數(shù)據(jù)

5 使用Pandas進(jìn)行數(shù)據(jù)預(yù)處理

5.1合并數(shù)據(jù)

5.2清洗數(shù)據(jù)

5.3標(biāo)準(zhǔn)化數(shù)據(jù)

5.4轉(zhuǎn)換數(shù)據(jù)

6 航空公司客戶價(jià)值分析

6.1了解航空公司現(xiàn)狀與客戶價(jià)值分析

6.2預(yù)處理航空客戶數(shù)據(jù)

??6.3使用K-Means算法進(jìn)行客戶分群

09:45-12:00

14:00-17:00

第三天

機(jī)器學(xué)習(xí)與人工智能

1 機(jī)器學(xué)習(xí)介紹

1.1有監(jiān)督學(xué)習(xí)：分類、回歸

1.2無監(jiān)督學(xué)習(xí)：聚類

1.3半監(jiān)督學(xué)習(xí)

1.4強(qiáng)化學(xué)習(xí)

2使用scikit-learn構(gòu)建模型

6.1使用sklearn轉(zhuǎn)換器處理數(shù)據(jù)

6.2構(gòu)建并評(píng)價(jià)聚類模型

6.3構(gòu)建并評(píng)價(jià)分類模型

6.4構(gòu)建并評(píng)價(jià)回歸模型

3 機(jī)器學(xué)習(xí)案例1：基于水色圖像的水質(zhì)識(shí)別

3.1背景與目標(biāo)

4.2數(shù)據(jù)準(zhǔn)備

4.3特征提取

4.4模型訓(xùn)練與調(diào)優(yōu)

??4.5性能度量與模型評(píng)估

4 機(jī)器學(xué)習(xí)案例2：基于文本內(nèi)容的垃圾短信識(shí)別

4.1目標(biāo)分析

4.2數(shù)據(jù)準(zhǔn)備

4.3特征工程

4.4模型訓(xùn)練與調(diào)優(yōu)

4.5性能度量與模型評(píng)估

09:00-12:00

14:00-17:00

?

第四天

TensorFlow實(shí)戰(zhàn)

1 TensorFlow安裝與入門

1.1 TensorFlow環(huán)境搭建

1.2 TensorFlow計(jì)算模型性:計(jì)算圖

1.3 TensorFlow數(shù)據(jù)模型:張量Tensor

1.4 TensorFlow運(yùn)行模型:會(huì)話

2 TensorFlow數(shù)據(jù)類型

2.1 常量、變量及其構(gòu)建

2.2 TensorFlow實(shí)現(xiàn)線性回歸模型

2.3 操作：TensorFlow實(shí)現(xiàn)鳶尾花分類

3 TensorFlow實(shí)現(xiàn)多層神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)模型(Back Propagation)

3.2 操作：利用TensorFlow構(gòu)建BP網(wǎng)絡(luò)模型實(shí)現(xiàn)鳶尾花分類

4 手寫數(shù)字識(shí)別

4.1 圖片預(yù)處理

4.2 占位符:placeholder

??4.3 操作：利用TensorFlow實(shí)現(xiàn)SoftMax網(wǎng)絡(luò)對(duì)手寫數(shù)字識(shí)別

5 TensorFlow動(dòng)態(tài)學(xué)習(xí)速率

??5.1 TensorFlow動(dòng)態(tài)學(xué)習(xí)速率設(shè)置

??5.2 TensorFlow動(dòng)態(tài)學(xué)習(xí)速率使用

6 TensorFlow模型保存與調(diào)用

??6.1 TensorFlow模型保存操作

??6.2 TensorFlow模型加載與調(diào)用

??6.3 操作：softmax網(wǎng)絡(luò)保存與調(diào)用實(shí)例

09:00-12:00

14:00-17:00

第五天

深度學(xué)習(xí)經(jīng)典算法案例實(shí)戰(zhàn)

1 卷積神經(jīng)網(wǎng)絡(luò)CNN

1.1卷積神經(jīng)網(wǎng)絡(luò)(CNN)簡(jiǎn)介

1.2 CNN關(guān)鍵結(jié)構(gòu):卷積層與池化層

1.3 經(jīng)典卷積網(wǎng)絡(luò)模型: LeNet-5

1.4 圖像數(shù)據(jù)處理

1.5 操作：利用CNN進(jìn)行手寫數(shù)字識(shí)別

2案例：基于深度神經(jīng)網(wǎng)絡(luò)CNN的人臉識(shí)別

1.1 案例背景及目標(biāo)?

1.2 數(shù)據(jù)準(zhǔn)備（opencv-python）

1.3 人臉檢測(cè)及數(shù)據(jù)轉(zhuǎn)化

1.4 CNN網(wǎng)絡(luò)模型訓(xùn)練與保存?

1.5 模型加載與調(diào)用

1.6 人臉實(shí)時(shí)識(shí)別

09:00-12:00

14:00-17:00

第六天

案例：基于深度神經(jīng)網(wǎng)絡(luò)RNN的聊天機(jī)器人（ChatBot）實(shí)現(xiàn)

1循環(huán)神經(jīng)網(wǎng)絡(luò)RNN

??1.1循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)簡(jiǎn)介

??1.2 RNN網(wǎng)絡(luò)關(guān)鍵結(jié)構(gòu): 隱層互聯(lián)

??1.3 經(jīng)典RNN模型: LSTM

??1.4 時(shí)序數(shù)據(jù)處理

??1.5 操作：RNN的TensorFlow實(shí)現(xiàn)

2 案例實(shí)現(xiàn)

??2.1 案例背景及目標(biāo)?

??2.2 語料庫(Corpus)準(zhǔn)備并構(gòu)建字典?

??2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)基本原理?

??2.4 定義激活函數(shù)(tanh函數(shù))、softmax算法處理分類問題?

??2.5 定義正向的輸出與損失函數(shù)(loss function)

??2.6 構(gòu)建基于注意力(Attention)的Seq2Seq模型?

??2.7 隨時(shí)間反向傳播(BPTT)計(jì)算梯度并通過優(yōu)化器更新?

??2.8 使用checkpoint文件保存模型參數(shù)，并調(diào)用ChatBot模型訓(xùn)練與測(cè)試優(yōu)化

09:00-12:00

14:00-17:00

第七天

大數(shù)據(jù)企業(yè)參觀訪學(xué)

09:00-12:00