基于Python的基础、数据可视化、人工智能项目实战

基于Python的基础编程、数据分析与可视化、人工智能项目实战
一级 二级 细节1 细节2 备注
任务0(前期准备) 安装与配置(概述) JDK1.8 　 　
Python3.6 　 　
IDEA与STS 　 　
MariaDB 　 　
Linux 　 　
pip 　 　
python2与3差别 　 　 　
python常用工具包介绍 　 　 　
小组分工与项目 　 　 　
敏捷开发与项目迭代展示 　 　 　

任务1(语法基础) 环境配置 　 　 　
基础语法 函数定义体验 　 　
全局变量定义 　 　
输出变量 　 　
查看某个变量的类型 　 　
变量删除测试 　 　
字符串访问 　 　
控制台输出 　 　
重定向语句 　 　
list列表定义 　 　
tuple列表定义 　 　
字典操作 　 　
字符转换 　 　
运算符系列 　 　
成员运算符 　 　
判断语句 　 　
while循环 　 　
for循环 　 　
break语句 　 　
continue语句 　 　
数值型处理 　 　
异常概念的处理 　 　
遍历指定目录 　 　
读取文件内容并打印 　 　
文件保存 　 　
模块引用 　 　 　
MySQL数据库访问 连接数据库 　 　
获取游标 　 　
插入数据 　 　
修改数据 　 　
查询数据 　 　
删除数据 　 　
事务处理 　 　
关闭连接 　 　
面向对象 定义类 　 　
构造函数 　 　
公共变量 　 　
私有变量 　 　
普通的方法 　 　
构造函数重载 　 　
继承 　 　
继承方法重载 　 　
继承普通方法 　 　
多继承 　 　
任务2(Pandas之基础语法1) 数据读取 pandas 数据读取 　 　
Missing data 处理 　 　
DataFrame与Series DataFrame 重要属性 　
行选取 　
Series 　 　
创建DataFrame 与 Series 　 　
分组 GroupBy 重要属性 　 　
重要方法 　 　
Aggregation 　 　
Transformation 　 　
Filtration 　 　
任务3(Pandas之基础语法2) 索引 ioc 　 　
iioc 　 　
ix 　 　
应用 　 　
其他 　 　
设置索引方法 索引必须在数据集里面 　 　
reset_index 　 　
多重索引 　 　 　
多表操作 pd.concat() 　 　
两表组合 　 　
任务4(Numpy和可视化基础语法) Numpy 创建数组 　 　
random类创建随机数组 　 　
重要属性 　 　
重要方法 　 　
索引与切片 　 　
数组计算 　 　
线性代数计算 　 　
可视化 matplotlib 导入方式 　 　
条形图 　 　
多图形排列 　 　
图形堆叠 　 　
散点图 　 　
直方图 　 　
箱形图 　 　
pycharts 导入方式 　 　
饼图 　 　
柱状图 　 　
条形图 　 　
与matplotlib对比 　 　
任务5(电商数据分析与可视化) 淘宝网数据分析需求 爬取淘宝数据存入数据库 　 　
补全缺失数据 　 　
对一些极大值进行异常处理 　 　
进行数据处理，直方图进行展示 　 　
对直方图进行分析，分析出较优的方案 　 　
读取数据库中的数据 pymysql、numpy模块 　 　
matplotlib、pandas模块 　 　
data.describe()获得的结果可获得中间值 　 　
补全缺失数据 NaN或者价格为0的一些商品 　 　
极大值进行异常处理 改值处理法 　 　
删除处理法 　 　
分布分析 求最值 　 　
计算极差 　 　
组距：极差/组数 　 　
绘制直方图 　 　
分析与结论 　 　 　
任务6案例2(电信数据分析)(重点) 电信客户流失数据 　 　 　
基于基站定位数据的商圈分析 　 　 　
基于用户购买的精准营销定位 　 　 　

任务7(基于sklearn的机器学习) 机器学习概述 　 　 　
数据清洗和特征选择 特征抽取 　 　
特征转换 　 　
特征选择 　 　
降维 　 　
算法种类 分类算法 常用分类 线性、决策树、SVM、KNN，朴素贝叶斯
集成分类 随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
回归算法 常用回归 线性、决策树、SVM、KNN
集成回归 随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
聚类算法 k均值（K-means）、层次聚类（Hierarchical clustering）、DBSCAN 　
降维算法 LinearDiscriminantAnalysis、PCA 　
基于SKLearns的电信案例实战 　 　 　
深度学习框架 深度学习概述 　 　
神经网络 RNN循环神经网络 　
BP神经网络 　
CNN卷积神经网络 　
深度学习框架 Tensorflow 　
Keras 　
PyTorch 　
任务8(大数据与AI语法介绍) 自动化运维 Linux与数据库脚本 　 　
Python+Spark sparkStreaming 　 　
人工智能开发 Tensorflow 　 　 

天津大学(双本)
英语、德语
微软认证讲师
微软金牌讲师4年德国留学
15年应用开发和数据处理从业经历
国内使用Python作为数据处理工具的先行者
曾任职阿里担任架构师、搜狐担任软件工程师
参与多个大型项目、为全国各个培训机构提供需求分析、各类软件开发、软件架构

专业背景
软件服务外包开发公司(开发以及团队管理)经验
曾任职阿里担任架构师 3年
搜狐担任软件工程师 2年
天津经济技术开发区政府部门软件系统开发维护经验(开发以及团队管理)
德国留学4年
天津经济技术开发区大型制造型企业内部软件平台开发维护经验
15年培训行业经验
主要课程
《软件全栈开发》
《Linux 应用与发展》
《大数据 与Spark实战》
《Python程序编码语言培训》
《面向架构师的互联网平台架构设计》
《微服务架构与技术》
《基于大数据的企业运维》
《Android8.0项目开发实战》
强项授课

授课特点：
课程都是实战性课程,培训的宗旨是要进行课程的落地，通过接地气的项目实战，来使培训者能够从一个小项目入手，然后逐步扩大自己的视觉，完成最后的实战开发，以下的内容有别于以往的纯技术点授课！
讲师授课感受：
1.技术在于分享,用心做好每一件事情
2.不能忽悠受众者
3.授课前需要了解客户的课程后的真实的需求
4.根据用户的需求来有针对性的制定有效的课程大纲
5.加强课程的互动性，每天的课程每个受众者平均会沟通至少10次以上
6.根据情况会安排所有的受众者撰写每日的培训日志总结
7.课堂上需要随机应变和现场发挥，来解答受众者的问题，对于未能解答的问题保留相关的联系方式寻求在24-48小时内给出有效的解决方案
8.课堂上某些案例可以根据受众者的实际的最终需求来模拟编写，这样，在课程结束后，受众者会有一个大体的需求完成的轮廓
9.对一些该技术领域的新技术的总结和探索
10.一切不变的就是变化，所有的内容会切以实际的以需求为准来应对