科學實用的課程體系

成體系培養(yǎng),符合行業(yè)發(fā)展趨勢

人工智能

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

通過實例對人工智能的開發(fā)語言載體Python進行深入理解并掌握Python語法規(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)絡的訓練方法和流程,學習主流機器學習、深度學習框架環(huán)境的搭建,TensorFlow、Keras、Caffe等。

人工智能中級:本模塊重點在于算法的開發(fā)實現(xiàn)方面,學習人工智能中的識別技術(shù)

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

人工智能:從本階段開始,我們的學習重點轉(zhuǎn)向的模型優(yōu)化算法上

在項目開發(fā)實現(xiàn)的基礎(chǔ)上進行調(diào)優(yōu)處理,通過學習過程的優(yōu)化、數(shù)據(jù)預處理方法、超參數(shù)、學習率優(yōu)化、Batch-Normalization等方法,實現(xiàn)開發(fā)算法的優(yōu)化,完善提升神經(jīng)網(wǎng)絡的效率和質(zhì)量,進一步理解算法實現(xiàn)與設(shè)計,實現(xiàn)開發(fā)工程師提升到算法專家之

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

基于CDBD(*歷代人物傳記資料庫)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,學完之后能夠使用Python處理工作場景中的簡單數(shù)據(jù)分析。

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

基于真實企業(yè)數(shù)據(jù)庫開發(fā)案例,重點介紹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

基于前兩個階段學員學習數(shù)據(jù)開發(fā)的在線學習數(shù)據(jù)分析案例,通過完全貼近真實情境的數(shù)據(jù)分析工作,學會處理各種數(shù)據(jù)分析中的復雜問題,所使用的建模方法有支持向量機、DBSCAN、邏輯回歸和反向傳播神經(jīng)網(wǎng)絡,終成長為一名數(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: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)。通過項目實戰(zhàn)完全掌握Matplotlib實現(xiàn)簡單直觀的數(shù)據(jù)可視化、Echarts實現(xiàn)更豐富的交互需求,在此基礎(chǔ)上認識更多的數(shù)據(jù)可視化庫并靈活運用。

Python中級: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爬蟲框架是當前非常流行的一款爬蟲框架。Scrapy使用Python作為開發(fā)語言,并且提供了非常豐富擴展功能,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。

Python:數(shù)據(jù)清洗與挖掘

本階段主要完成數(shù)據(jù)處理方面的學習,利用Python實現(xiàn)數(shù)據(jù)清洗與存儲相關(guān)技能。數(shù)據(jù)被正式應用于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)、重復數(shù)據(jù)等。數(shù)據(jù)來源、存儲環(huán)境是多樣的,分別來自于JSON、CSV文件,MySQL、Redis、MongoDB數(shù)據(jù)庫,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)存儲問題。