科學(xué)實(shí)用的課程體系

成體系培養(yǎng),符合行業(yè)發(fā)展趨勢(shì)

人工智能

人工智能初級(jí):人工智能技術(shù)和應(yīng)用場(chǎng)景的全面解析,系統(tǒng)化介紹人工智能技術(shù)鏈條

通過實(shí)例對(duì)人工智能的開發(fā)語(yǔ)言載體Python進(jìn)行深入理解并掌握Python語(yǔ)法規(guī)則,變量和數(shù)據(jù)類型,程序結(jié)構(gòu)控制,Python的數(shù)據(jù)結(jié)構(gòu),Python中的OOP,了解-神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法和流程,學(xué)習(xí)主流機(jī)器學(xué)習(xí)、深度學(xué)習(xí)框架環(huán)境的搭建,TensorFlow、Keras、Caffe等。

人工智能中級(jí):本模塊重點(diǎn)在于算法的開發(fā)實(shí)現(xiàn)方面,學(xué)習(xí)人工智能中的識(shí)別技術(shù)

通過數(shù)字識(shí)別和人臉識(shí)別、自然語(yǔ)言處理等這些應(yīng)用極為廣泛的項(xiàng)目開發(fā),深入介紹深度學(xué)習(xí)的概念,激活函數(shù)以及神經(jīng)網(wǎng)絡(luò)基礎(chǔ),對(duì)CNN、RNN進(jìn)行原理方法和原理學(xué)習(xí),卷積層和池化層,圖像特征提取與識(shí)別,經(jīng)典LeNet模型,LSTM,Encoder-Decoder Model等,同時(shí)引入自然語(yǔ)言處理方面的內(nèi)容,包括分詞、題干提取建模等,為不同方向的技術(shù)學(xué)習(xí)構(gòu)建完整的技能知識(shí)圖譜。

人工智能:從本階段開始,我們的學(xué)習(xí)重點(diǎn)轉(zhuǎn)向的模型優(yōu)化算法上

在項(xiàng)目開發(fā)實(shí)現(xiàn)的基礎(chǔ)上進(jìn)行調(diào)優(yōu)處理,通過學(xué)習(xí)過程的優(yōu)化、數(shù)據(jù)預(yù)處理方法、超參數(shù)、學(xué)習(xí)率優(yōu)化、Batch-Normalization等方法,實(shí)現(xiàn)開發(fā)算法的優(yōu)化,完善提升神經(jīng)網(wǎng)絡(luò)的效率和質(zhì)量,進(jìn)一步理解算法實(shí)現(xiàn)與設(shè)計(jì),實(shí)現(xiàn)開發(fā)工程師提升到算法專家之

數(shù)據(jù)分析初級(jí):使用Python處理工作場(chǎng)景中的簡(jiǎn)單數(shù)據(jù)分析

基于CDBD(*歷代人物傳記資料庫(kù))數(shù)據(jù)集開發(fā)課程案例,介紹數(shù)據(jù)分析的基本流程和方法,涉及的數(shù)據(jù)建模方法主要是聚類和決策樹,學(xué)完之后能夠使用Python處理工作場(chǎng)景中的簡(jiǎn)單數(shù)據(jù)分析。

數(shù)據(jù)分析中級(jí):成為具有一定分析思維的數(shù)據(jù)分析師

基于真實(shí)企業(yè)數(shù)據(jù)庫(kù)開發(fā)案例,重點(diǎn)介紹K-近鄰、凝聚與分裂(層次聚類算法)、線性回歸、樸素貝葉斯等數(shù)據(jù)建模方法,終成為具有一定分析思維的數(shù)據(jù)分析師,滿足就業(yè)需求。

數(shù)據(jù)分析:成長(zhǎng)為一名數(shù)據(jù)分析師,并獲得算法工程師的相關(guān)技能

基于前兩個(gè)階段學(xué)員學(xué)習(xí)數(shù)據(jù)開發(fā)的在線學(xué)習(xí)數(shù)據(jù)分析案例,通過完全貼近真實(shí)情境的數(shù)據(jù)分析工作,學(xué)會(huì)處理各種數(shù)據(jù)分析中的復(fù)雜問題,所使用的建模方法有支持向量機(jī)、DBSCAN、邏輯回歸和反向傳播神經(jīng)網(wǎng)絡(luò),終成長(zhǎng)為一名數(shù)據(jù)分析師,并獲得算法工程師的相關(guān)技能,能做出直接跟系統(tǒng)交互的儀表盤。

Python初級(jí):數(shù)據(jù)可視化

在大量數(shù)據(jù)的情況下,如何讓數(shù)據(jù)能夠更直觀,更高效的輸出有用的信息就需要借助于數(shù)據(jù)可視化技術(shù)。通過項(xiàng)目實(shí)戰(zhàn)完全掌握Matplotlib實(shí)現(xiàn)簡(jiǎn)單直觀的數(shù)據(jù)可視化、Echarts實(shí)現(xiàn)更豐富的交互需求,在此基礎(chǔ)上認(rèn)識(shí)更多的數(shù)據(jù)可視化庫(kù)并靈活運(yùn)用。

Python中級(jí):數(shù)據(jù)抓取與采集

互聯(lián)網(wǎng)上存在著海量的數(shù)據(jù)信息,通過爬蟲可以快速高效的獲取這些數(shù)據(jù)。Scrapy爬蟲框架是當(dāng)前非常流行的一款爬蟲框架。Scrapy使用Python作為開發(fā)語(yǔ)言,并且提供了非常豐富擴(kuò)展功能,數(shù)量掌握Scrapy爬蟲框架的使用能夠?qū)崿F(xiàn)高效獲取互聯(lián)網(wǎng)數(shù)據(jù)的目標(biāo)。

Python:數(shù)據(jù)清洗與挖掘

本階段主要完成數(shù)據(jù)處理方面的學(xué)習(xí),利用Python實(shí)現(xiàn)數(shù)據(jù)清洗與存儲(chǔ)相關(guān)技能。數(shù)據(jù)被正式應(yīng)用于AI核心算法前,需要經(jīng)過遷移、清洗、分片等多種轉(zhuǎn)換處理,利用Python的numpy、pandas模塊有效處理源數(shù)據(jù)中的空缺值、噪聲數(shù)據(jù)、不一致數(shù)據(jù)、重復(fù)數(shù)據(jù)等。數(shù)據(jù)來(lái)源、存儲(chǔ)環(huán)境是多樣的,分別來(lái)自于JSON、CSV文件,MySQL、Redis、MongoDB數(shù)據(jù)庫(kù),HDFS文件系統(tǒng)等等。利用Python的json、csv、pymysql、redis、pymongo、pyhdfs模塊很好地解決了數(shù)據(jù)存儲(chǔ)問題。