西安Python培训 2023-07-18 14:34:30
课程介绍
发布日期:2023-07-18 14:34:30

西安IT培训为学员设置Python培训班,总监级讲师+企业技术官王炸组队颠覆来袭,开创多学科联合项目,实力铸就学员实战真技能,打造Python人工智能+数据分析特色生态项目库,搭建互联网人才优质输送平台,精准匹配无忧。
课程阶段 | 课程内容 | 课程案例 | 掌握技能 |
---|---|---|---|
Python入门(1周) | 用Python模块turtle绘图 | 多啦A梦 | '海龟'绘图turtle的使用 |
小黄人 | |||
PIL的使用 | 拼图 | 对图片的处理 | |
图片镜像 | |||
石雕图 | |||
Python操作excel | 筛选excel文件中的数据 | 快速便捷操作excel表 | |
人口统计 | |||
Python生成报表 | 柱状图 | 根据数据分析得出报表 | |
饼状图 | |||
折线图 | |||
漏斗图 | |||
Python发送短信和邮件 | 利用互亿无线触发短信接口发送验证码短信 | 掌握发送短信的与邮件的操作,在程序中以短信或者邮件形式发送验证码 | |
利用smtp发送邮件 | |||
邮件群发 | |||
快速建站(1周) | HTML常用标签 | 段落的显示 | 掌握HTML常用标签的结构,简单搭建页面 |
超链接锚点跳转 | |||
表格数据 | |||
登陆注册的表单 | |||
CSS常用样式 | 隔行变色的表格 | 掌握CSS布局格式,完成简单的页面布局 | |
阴影文本 | |||
照片墙 | |||
百度页面的布局 | |||
JavaScript入门 | 表格数据编辑与删除 |
掌握DOM 操作 掌握事件的处理 掌握请求处理 |
|
评论字数的限制 | |||
轮播图 | |||
请求新闻列表 | |||
Flask快速建站(上) | 搭建博客的基本网站 |
MTV框架结构的了解 对象关系映射的了解 |
|
注册登录的实现 | |||
Flask快速建站(下) | 博客的发布 | 表的关系映射 |
课程阶段 | 课程内容 | 课程案例 | 掌握技能 |
---|---|---|---|
胜任职位:初级数据分析师、数据库管理 薪资待遇:8K-12K |
|||
商业数据可视化(5周) | Excel业务分析 | Excel基础技能 |
数据分析基础工具 数据分析理论体系 数据分析常用指标 数据分析报告制作 |
Excel数据处理 | |||
Excel函数 | |||
Excel绘图+Excel透视表 | |||
数据分析方法论+常用指标+数据分析报告 | |||
Power BI | PowerBI初级应用-可视化报告生成 | PowerBI常用数据分析操作 使用PowerBI制作数据分析报告 | |
PowerQuer数据清洗、零售业经营现状分析 | |||
PowerBI图表钻取、编辑交互、餐饮销售情况分析 | |||
PowerPivot交叉分析 | |||
PowerBI可视化 | |||
MySQL | MySQL建库和建表 | 掌握MySQL常用操作 使用MySQL进行数据分析 | |
MySQL查询操作 | |||
MySQL事务和触发器 | |||
MySQL视图索引 | |||
MySQL数据分析 | |||
统计学基础 | 描述统计指标、估计、正态分布及其他常用分布 | 掌握数据分析、机器学习建模的数学理论基础 | |
假设检验、关联分析 | |||
方差分析、相关分析 | |||
回归分析 | |||
微积分、线性代数基础 | |||
Tableau | Tableau入门、导航、设计流程、数据类型 | 掌握Tableau常用操作 使用Tableau制作数据分析报告 | |
数据源导入、数据提取、字段操作、元数据 | |||
工作表操作、Tableau运算 | |||
Teableau可视化 | |||
Teableau高级应用及销售可视化分析 | |||
SPSS | 方差、相关性、回归分析 | 掌握SPSS基本操作 初步理解常用建模算法 使用SPSS完成数据建模 | |
卡方、逻辑斯蒂回归、评分卡 | |||
特征选择、主成分分析 | |||
客户画像、用户分群 | |||
神经网络、决策树、时间序列分析 | |||
胜任职位:中级数据分析师、数据仓库 薪资待遇:10K-15K |
|||
Python数据科学(6周) | Python基础语法 | 安装环境、IDE与Jupyter、第三方库 | Python语法python调用数据库数据 |
注释、行与缩紧、输出和输入、变量及赋值 | |||
数值、字符串、布尔值、列表、元组、集合、字典 | |||
条件语句、循环语句、Break、Continue、Pass | |||
错误和异常捕捉、错误处理方法、异常处理方法 | |||
逻辑判断、数字处理、序列、类型转换、系统函数 | |||
函数定义、函数参数、默认参数、变量作用域 | |||
全局变量和局部变量、递归函数、匿名函数 | |||
列表生成式、生成器、高级函数:map、reduce、filter等 | |||
模块概念介绍、模块导入、模块管理、自定义模块 | |||
文件读写、利用Python操作文件、Json数据解析 | |||
time、calendar、datetime | |||
类的定义、类对象、类方法 | |||
Python连接数据库的方法及操作 | |||
Python数据清洗 | 数字化Python模块Numpy | python数据清洗 numpy pandas | |
数据分析利器Pandas | |||
Pandas基本操作 | |||
Pandas高级操作 | |||
Pandas案例分析案例一 | |||
Pandas案例分析案例二 | |||
Python数据可视化 | 第三方库:matplotlib、seaborn介绍 python的数据可视化 | python的数据可视化 | |
常用可视化图形及使用场景 | |||
图形选取标准 | |||
Pandas绘图方法 | |||
高级绘图工具PyEcharts介绍 | |||
matplotlib API入门 | |||
Figure和Subplot对象 | |||
线性图与散点图的绘制方法 | |||
可视化异常处理 | |||
密度图与等高线图 | |||
频次直方图、数据区间划分和分布密度 | |||
图例配置方法及常用参数 | |||
颜色条配置方法和常用参数 | |||
subplot多子图绘制方法 | |||
文字与注释、自定义坐标轴方法 | |||
配置文件与样式表 | |||
三维图形绘制方法 | |||
Seaborn入门 | |||
SeabornAPI介绍 | |||
子弹图制作 | |||
环形图制作 | |||
瀑布图制作 | |||
Bump Char等 | |||
Echarts入门 | |||
PyEcharts API介绍 | |||
PyEcharts 绘图介绍 | |||
Python统计分析 | 数据描述、数据分布与统计信息 | 分析预测 异常值的处理 | |
数据角色定位、大数据存储 | |||
最小二成估计 | |||
关于线性回归 | |||
线性回归与方差分析 | |||
数据分析流程 | |||
多元线性回归的假设 | |||
正态分布的问题 | |||
异方差问题与处理 | |||
异常值问题与处理 | |||
共线性问题与处理 | |||
内生性问题与处理 | |||
logistic回归与卡方 | |||
量大似然估计 | |||
logistic回归解析 | |||
评分与预测 | |||
分类比例平衡问题 | |||
工具变量的使用 | |||
哑变量的处理 | |||
变量筛选 | |||
胜任岗位:高级数据分析师、数据建模、机器学习算法工程师 薪资待遇:15K-30K |
|||
机器学习(3周) | Python机器学习基础 | 数据挖掘与机器学习入门 |
机器学习算法 聚类分析 线性回归 随机森林 XGBoost |
机器学习概念及分类 | |||
机器学习三大要素:模型、策略、算法 | |||
模型评估方法概述 | |||
KNN基本原理 | |||
KNN算法模型 | |||
距离类模型中距离的确认 | |||
选取k值 | |||
模型的构建和评估 | |||
模型的优化 | |||
交叉验证 | |||
学习曲线 | |||
归一化 | |||
KNN模型的优化 | |||
模型优化的标准 | |||
无监督学习与聚类算法 | |||
聚类分析概述与簇的概念 | |||
距离衡量方法 | |||
SSE | |||
聚类目标和质心计算方法 | |||
sklearn实现kmeans | |||
MSE | |||
轮廓系数 | |||
DBSCAN基本原理 | |||
DBSCAN算法实现 | |||
DBSCAN的sklearn实现 | |||
混淆矩阵 | |||
网络搜索优化 | |||
过拟合与欠过拟合 | |||
决策树算法概述及学习过程 | |||
特征依据:香浓熵、信息增益 | |||
决策树的生成:ID3算法、C4.5算法 | |||
拟合度优化、剪枝、CART算法 | |||
决策树的sklearn实现 | |||
金融行业商业项目实战 | |||
Python机器学习中级 | 线性回归概述 | ||
多元线性回归原理 | |||
模型参数求解方法 | |||
回归模型评价标准 | |||
多重共线性与岭回归、Lasso | |||
非线性问题及处理方法 | |||
多项式回归 | |||
MSE、R^2、最小二乘法、梯度下降 | |||
名为"回归"的分类器 | |||
二元逻辑回归的损失函数 | |||
逻辑回归的重要参数 | |||
梯度下降求解逻辑回归最小损失函数 | |||
概率分类器概述 | |||
朴素贝叶斯概述 | |||
不同分布下的朴素贝叶斯 | |||
高斯贝叶斯下的拟合效果与运算速度 | |||
多项式朴素贝叶斯及优化 | |||
AUC、ROC、TF-IDF | |||
关联规则概述:频繁项集的产生与关联发现 | |||
Apriori算法原理 | |||
使用Apriori算法发现频率项集 | |||
协同过滤概述 | |||
协同过滤算法分类 | |||
基于商品的协同过滤 | |||
基于协同过滤的商品个性化推荐 | |||
Python机器学习高级 | 集成算法概述 | ||
随机森林分类器的实现 | |||
机器学习调参思路 | |||
MSE、R^2、最小二乘法、梯度下降 | |||
数据处理概述 | |||
数据量纲处理:归一化、标准化、缺失值处理 | |||
分类型数据处理:数据编码和哑变量 | |||
连续型数据处理:二值化与分箱 | |||
特征选择:过滤法、嵌入法、包装法 | |||
SVM概述:SVM工作原理 | |||
SVM模型构建 | |||
线性SVM | |||
AUC、ROC、TF-IDF | |||
梯度提升树概述 | |||
XGBoost选择若分类器 | |||
求解目标函数 | |||
参数化决策树 | |||
目标函数与树结构的直接关系 | |||
XGBoost的剪枝参数 | |||
XGBoost分类样本不均匀 | |||
XGBoost客户成交量预测 | |||
胜任职位:爬虫工程师 薪资待遇:12K-15K |
|||
数据采集(1周) | 数据采集 | 爬虫类库requests介绍及使用 |
xpath\bs4\sjon slenium requests 多线程 scrapy |
常见网络请求策略及解析(xpath\bs4\json) | |||
动态网页提取 | |||
验证码、IP池(打码平台介绍、验证码解决方案) | |||
多线程爬虫 | |||
scrapy框架(一) | |||
scrapy框架(二) |
项目类别 | 项目描述 | 可解决的问题 | 可掌握的核心能力 |
---|---|---|---|
数据采集项目实战 项目周期:2天 开发时间:第16周 |
项目背景&业务逻辑 | 使用python的数据采集技术,对精品数据进行商品全信息的抓取及保存,为行业精品分析提供数据准备 |
理解数据分析师采集数据常用解决方案 掌握数据采集的开发流程 具备数据采集的开发能力 |
指定采集方案 | |||
并发采集处理 | |||
并发采集处理 | |||
用户订单预测项目实战 项目周期:3天 开发时间:第16周 |
项目背景 | 对目标客户的运营数据,以行业常见指标对用户行为进行分析,包括UV、PV、新增用户分析、漏斗流失分析、留存分析、用户价值分析、复购分析等内容;并对数据进行建模实现用户订单的预测功能 |
理解用户订单预测的分析体系 掌握用户价值分析的基本方法 掌握用户订单预测的常用建模方法 熟练常用数据清洗与特征工程的处理办法 |
用户价值分析 | |||
数据清洗与特征工程 | |||
模型建立 | |||
方法与实现结果 | |||
电商市场数据挖掘项目实战 项目周期:1周 开发时间:第17周 |
项目背景&业务逻辑(1天) | 通过对目标客户(拜耳官方旗舰店)的蚊香市场的驱虫市场的潜力分析、灭鼠杀虫剂市场的机会点分析、相关竞争的产品分析及舆情分析,进而对目标客户给出产品的调整方案 |
理解电商系统数据分析体系 掌握电商市场数据分析的基本思路 掌握文本分析在电商类数据分析中的应用场景 掌握常用特征预处理的思路和方法 |
指定分析策略(1天) | |||
方法实现与结果(1天) | |||
营销活动设计及结果评价(1天) | |||
撰写数据分析报告(1天) | |||
金融风险信用评估项目实战 项目周期:1周 开发时间:第18周 |
项目背景&业务逻辑(1天) | 信用风险是对交易对手未能履行约定合同中的义务造成经济损失的风险,即受信人不能履行还 本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性,它是金融风险的主要类型。借贷 场景中的评分卡是一种以分数的形式来衡量风险几率的一种手段,也是对未来一段时间内违约、逾期、 失联概率的预测。一般来说,分数越高,风险越小。 |
理解金融风控系统的完整体系 掌握时间窗口类型的数据分析数据思路 掌握Logisitc回归在风控系统的使用方法 掌握风控系统建模类的常用评估指标 熟练常用特征处理的操作方法 |
建模准备(1天) | |||
数据清洗(1天) | |||
模型训练(0.5天) | |||
模型评估(0.5天) | |||
模型部署与更新(1天) |
课程阶段 | 课程内容 | 掌握能力 | 解决问题 |
---|---|---|---|
团队企业拓展训练 | 参观企业 | 企业经历,感同身受 |
融入企业 对企业、公司全方位了解 |
企业文化 | |||
程序员工作场景体验 | |||
企业合作项目课程 | 项目经理职责介绍 | 项目开发流程 |
提升面试经验 提升工作经验 提升项目经验 |
项目介绍 | |||
项目分工 | |||
项目开发市场 | |||
项目上线部署问题 | |||
项目运行管理 | |||
项目管理课程 | 项目需求分析 | 企业真实项目管理经验 | 快速进入公司项目开发角色 |
项目管理 | |||
项目代码分工合作 | |||
项目上线管理 | |||
项目迭代管理 | |||
职业素养课程 | 专业与素养 | 职场专业人士 只会写代码的不一定是程序员 专业的程序员 | 职业程序员 程序开发职业‘杀手’ |
培养自己职业素养 | |||
该说‘不’就说‘不’ | |||
只说‘是’不说‘试一试’ |
课程阶段 | 课程目录 | 课程介绍 | 掌握能力 |
---|---|---|---|
《企业初认知》 |
1、公司类型 2、企业组织架构 3、企业岗位发布及招聘流程 4、企业招聘途径 5、对标IT职业人的综合素养和技术 |
从准职业人到标准职业人,综合素养和技能缺一不可,如何选择适合自己的平台成就以后的职业提升? 本课程以当下IT企业公司的文化、架构、管理、要求为切入点,并结合当下公司招聘的流程和招聘要点进行分析,让学员一开始树立未来职场目标的同时,更能提前做到知己知彼,稳握进入职场的入场券。 | 通过本课程学习熟悉公司类型,组织架构和本职位相关的工作流程以及公司招聘常用哪些招聘平台等信息,让学员对公司有了初步认知,清晰目标,走出舒服区,努力修炼技能,拿到职场入场券。 |
《市场行情分析及职业发展》 |
1、市场行情分析 2、岗位招聘需求分析 3、职业生涯规划 4、技术网站拓展 |
本课程通过分析市场行情,把握每一季的行业动态以及深度剖析招聘岗位需求,直击招聘需求背后的需求,在把握时机、掌握企业招人动机的前提下规划学习从而规划自己的职业生涯,走上事业巅峰。 | 通过本课程的学习了解当下知名招聘平台全国各个城市的招聘需求数量、薪资分布岗位职责等内容并且360度解读一名程序员的职业生涯发展路线。对从事岗位有了具体、细致的了解,从而有了清晰的规划职业。 |
《企业需求及职场规则》 |
1、企业软需求 2、情商提升 3、职场规则 |
当代大学生常说的一句话“毕业即失业”,随着市场经济的深入,正在进入“后学历时代”,企业用人目的明确,本课程重点讲职场“潜规则”让学员在进入职场之前掌握职场生存、提升的精华,从而规避掉职场陷阱,穿越事业成功的新途径。 | 本课程重点从公司考察的硬实力和软实力出发分析需要掌握的技能,同时纵向横向三位一体的从态度、言行、微笑等细节及职场潜规则等方面解读让准职业人了解职场法则。 |
《求职礼仪及面试常见问题》 |
1、求职礼仪 2、薪资构成解读 3、社保及合同解读 4、其他职场常见问题 |
职场礼仪可以提高人文素质,塑造你具有高尚的精神境界和高品位的文化境界。本课程核心关键字:沟通、情绪、压力、态度等旨在改变人的价值观、人生观、个性,提高并维护自我职业形象,并延伸了很多学员在薪资以及社保等常识问题进行精讲,全方位360度为职场护航。 | 本课程重点讲解着装、谈话、仪容、薪资构成以及五险一金、合同等方面讲解,从个人形象的打造到熟悉法律法规保护个人权益,进行全方位解读,为能进入职场保驾护航。 |
课程阶段 | 学习内容 | 掌握能力 | 解决问题 |
---|---|---|---|
数据挖掘 | 数据挖掘策略分析 | 掌握数据分析、数据挖掘、分析商业数据的综合能力 | 企业中数据挖掘遇到的瓶颈 |
数据挖掘常用指标 | |||
数据挖掘业务分析 | |||
大数据处理分析 | hadoop | 掌握海量数据存储、处理、机器学习能力 | 人工智能海量数据数据挖掘 |
大数据处理技术 | |||
spark | |||
hive | |||
商业BI决策师 | Power BI | 学过商业数据收集、管理、分析从而为公司决策提供支持 |
提升公司决策效率和质量 数据是企业的眼睛 使企业以更快的反应应对市场变化 |
Tableau | |||
商业决策案例 | |||
数据质量控制 | |||
收集、管理、分析 | |||
Android移动开发 | 基础UI学习 | 了解基本的移动端Adroid开发 | 项目中移动端问题,沟通和解决得心应手 |
六大布局 | |||
四大组件 | |||
用户交互界面视图 | |||
数据存储 | |||
动画 | |||
自定义View | |||
多媒体和相机 | |||
高级UI组件 | |||
网络访问 | |||
样式开发 | |||
多线程通信 | |||
IOS移动开发 | UIKit | 了解基本的移动端IOS开发 | 技不压身,移动端问题 沟通和解决得心应手 |
JSON | |||
AFNetworking | |||
UITableView | |||
UITableViewcell | |||
MJRefresh | |||
MJExcetions | |||
社交分享与登录 | |||
消息推送 | |||
自定义控件 | |||
面向对象 | |||
内存管理 | |||
Category protocol block copy KVC/KVO ,Foundation框架 | |||
自动化运维开发 | 监控目标 | 掌握自动化运维概念和操作 Python应用的另一种方面 | 提升个人全面技能 深度了解项目整体运行情况 |
监控方法 | |||
监控核心 | |||
监控工具 | |||
监控指标 | |||
监控流程 | |||
监控报警 | |||
报警处理 | |||
自动化测试开发 | 对Web UI的自动化测试程序 | 掌握自动化测试基本技术 | 提升全面技术栈 |
对Windows窗体UI的自动化测试程序 | |||
API测试 | |||
数据库测试 | |||
接口测试,也叫业务流程测试(包括功能模块之间、模块与模块之间、子系统之间) | |||
单元测试 | |||
性能测试(TPS吞吐量、响应速度、cpu占用率、内存占用率) | |||
负载测试(压力测试、强度测试、容量测试) |
项目描述:只给出半张人脸,使用算法,自动补全另一半人脸,想要掌握这项技能,刑侦部门素描室,往往需要经过十几年的训练,我们使用算法,以非常核心技术:主要用到一系列回归算法
业务:1.pandas数据读取2.异常数据清晰、空值处理3.根据评分表打分4.本地化
技术应用点:1.pandas数据分组groupby 2.2.map映射3.pandas数据预处理4.4.Excel数据预处理5.数据分析报告
淘宝用户行为数据分析:
介绍:针对淘宝app的运营数据,以行业常见指标对用户行为进行分析,包括UV、PV、新增用户分析、漏斗流失分析、留存分析、用户价值分析、复购分析等内容;本文使用的分析工具以MySQL为主,涉及分组汇总,引用变量,视图,关联查询等内容。
业务:1.基于AARRR漏斗模型,使用常见电商分析指标,从新增用户数量、各环节转化率、新用户留存率三个方面进行分析2.确定影响新增用户数量的因素,找到需要改进的转化环节,发现留存现存问题3.研究用户在不同时间尺度下的行为规律,找到用户在不同时间周期下的活跃规律4.找出价值的核心付费用户群,对这部分用户的行为进行分析5.找到用户对不同种类商品的偏好,制定针对不同商品的营销策略
技术应用点:1.AARRR模型2.电商分析常用指标3.Pandas数据清洗4.Groupby函数、交叉表、透视表5.Matplotlib+Searborn可视化
金融公司风控系统:
介绍:信用风险指的是交易对手未能履行约定合同中的义务造成经济损失的风险,即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性,它是金融风险的主要类型。借贷场景中的评分卡是一种以分数的形式来衡量风险几率的一种手段,也是对未来一段时间内违约、逾期、失联概率的预测。一般来说,分数越高,风险越小。
业务:1.获取存量客户及潜在客户的数据2.EDA探索性数据分析3.数据预处理4.特征选择+LDA分析5.模型开发6.模型评估7.模型实施与检测报告
技术应用点:1.Pandas数据分箱操作2.OneHotEncoder独热编码3.Pandas数据清洗4.Logistic逻辑斯蒂回归5.GBDT 6.LDA
购物网站用户画像:
介绍:用户点击流日志收集、用户画像建模、推荐对象画像建模、数据实时计算平台、数据离线计算平台、推荐算法模型、协同过滤算法,使用python最流行的scikit-learn实现的聚类分析项目。聚类分析是机器学习中非常重要的算法,此项目主要利用KMeans对附近的用户进行聚类分析,达到针对不同用户采用不同的商业推广方案的目的。
业务:1.构建用户画像2.用户行为分析3.用户推荐系统4.潜在客户挖掘
技术应用点:1.RFM 2.Kmeans 3.Apriori关联分析4.协同过滤
基于电商用户文本挖掘:
介绍:想要用产品价值撬动一个用户,同纬度竞争别家的先发优势门槛太高,如果别家体量很大,基本可以放弃。创新可能就是剩下的活路,而面对互联网的高速发展,线下需求基本都被互联网化,切入点可能就转移到细分市场。
业务:1.了解项目公司的背景和对接人员情况2.沟通明确实际的项目需求3.根据项目需求梳理分析思路4.确定分析工具和人员配置,进行数据分析5.撰写分析结论和方案
技术应用点:1.Jieba分词2.WordCloud词云3.朴素贝叶斯4.波士顿矩阵5.Pandas数据处理6.Matplotlib+Seaborn可视化处理7.Logistic回归
目标检测介绍:
介绍:目标检测,人脸识别在企业方方面面都有广泛应用。在安防,智能家居更是前景广阔,本案例通过学习Opencv与dlib进行目标检测与人脸识别。
业务:1.环境安装2.人脸识别,人脸关键点识别3.视频和摄像头人脸识别4.自己训练分类器
技术应用点:1.Tensorflow 2.神经网络3.Opencv 4.dlib
(深度学习)图片风格迁移:
介绍:通过深度学习算法,制作自己的艺术抽象画。
业务:1.数据准备2.Tensorflow深度神经网络搭建训练3.模型预测
技术应用点:1.Tensorflow 2.神经网络3.Opencv 4.CNNRNN
全学科覆盖企业项目开发前端、中台、后台全流程,真实承接上下游需求,高效协作。
跨平台实施
项目交叉融合,PC端、移动端、智能终端,各平台功能实现,技能进步看得见!
真场景实操
还原企业真实开发场景,从项目立项到部署上线全程参与,不落下每一个开发环节。
高标准验收
超高验收标准,以真实企业需求要求功能实现,确保项目无BUG,流畅运行。
上一篇:西安UI设计培训
下一篇:西安Java培训