人才需求大，入门简单，发展空间大，前景好—Python-你会吗

最近几年Python在国内引起了不小的轰动，应用非常广泛，并且入门非常简单。

在如今的时代，做数据相关工作不会Python迟早会被淘汰；

在未来的人工智能中，Python依旧可以发挥相当大的作用。

Python成为潮流语言不无原因：

这个五月，Python月，北京现场+全国远程，从Python编程基础，到数据清洗，爬虫专题，到算法与实战案例，四个等级课+一个专题课，Python学起来：

一，Python概述 (0.5天)

注: 本部分课程主要为Python语言的介绍及基础环境的安装配置。

0.1Python语言介绍、Anaconda科学计算集成介绍安装

0.2Python编译器、Shell、编辑器介绍

0.3Python的第三方包的管理

0.4Python在数据分析领域的生态介绍

二，Python编程基础 (3.5天)

注: 本部分主要为讲解Python的基础编程知识，侧重于Python数据分析常用的功能和知识点进行讲解。

课程安排:

1.1 Python语言特点

1.2 Python的数据类型和变量

1.3 Python中的运算

1.4 Python的数据结构

1.5 Python的控制流语句

1.6 Python中的异常处理和调试

1.7函数调用和定义以及函数的参数

1.8 Python的类和面向对象编程

1.9 Python的文件、模块操作

1.10其他高级特性

练习项目:

-蒙特卡罗模拟求圆周率

-冒泡算法和二分查找

-实现计算器

-堆栈和队列的实现

-模拟实现ATM机取钱

-求阶乘

-模拟管理学生成绩信息

-编程实现24点扑克游戏

-会员信息管理的实现

-虚拟水果店进销存系统

-投票系统

-汉诺塔问题

-离散事件模拟

-堆排序的实现

一，Numpy(Numerical Python)是高性能科学计算和数据分析的基础包，是数据分析几乎所有的高级工具的构建基础。

Numpy基础

-Numpy的ndarray

-数组的索引和切片

-数组的运算

-常用的数组方法

二，Pandas包提供了大量能使我们快速便捷地处理数据的函数和方法，它是Python成为强大而高效的数据分析环境的重要因素之一。

Pandas基础应用

-Series数据结构

-DataFrame数据结构

-基本功能

-汇总和计算统计描述

-缺失值的处理

Pandas数据规整

-数据加载&输出

-数据集的合并

-数据集的重塑

-数据重构

Pandas分组运算

-GroupBy技术

-数据聚合

-分组级运算和转换

-透视表和交叉表

一，Python静态网页解析的学习

· 该部分课程讲解如何解析静态网页(beautifulsoup), 对最常用的部分进行重点讲解, 以保证学员在没有HTML语言的基础下依旧能够较好的完成网页的解析工作.

· 该部分课程在讲解时会结合实际的网页进行操作, 需要学员随堂一起操作.

· 本部分需要学员安装Chrome浏览器, 以便在爬取网页时方便进行调试.

· 本部分涉及少量的HTML知识, 学员可提前做一个了解(但不是必须的).

· 本部分涉及少量数据库知识, 学员可提前了解, 为提高教学质量, 保证学员能够在自己的电脑上完成爬取和存储, 本部分采用Python内置数据库sqlite3. 从而避免学员自己电脑上未安装数据库导致无法跟上的问题.

· 该部分课程需要学员随堂一起练习.

· 本部分课程需要掌握的要点如下:

· 静态网页的请求以及基础的网页的结构(requests库, urllib库)

· 静态网页如何进行解析(beautifulsoup库)

· 如何将数据保存到数据库

二，Python动态网页的抓取

· 该部分课程主要讲解动态加载的网页如何进行处理.(selenium库)

· 常用的动态网页的处理方法.

· 提高爬取速度, 无头浏览器的使用.(PhantomJS的安装使用)

· 该部分需要学员额外安装selenium库, 以及PhantomJS软件.

Python案例分析大全（但不局限于）：

1.文本挖掘原理和案例-数据可视化的各种方式

2.预测分析核心算法-Python图片结构和分析（图片的k-means聚类分析）

3.机器学习经典算法-图片的识别和分类：PCA建模

4.Python概率统计-二维手写数字识别（KNN方法）

5.数据可视化-推荐系统的构建（最近邻方法、协同过滤）

6.Python经典金融分析-垃圾短信或邮件的识别与分类（Logistic对文本的分类）

7.Python量化投资-新闻的文本分类（TF-IDF准则、旅游新闻个性化推荐）

8.算法和模型的优化-人脸识别

9.模型精度评估和提升-朴素贝叶斯决策

10.特征选取的方法-酒的品质分类预测

11.最佳k-means分类数-机器学习的格点搜索和参数寻优

12.交叉验证（CV）-惩罚线性回归分类器

13.不平衡数据处理-使用支持向量机识别和分类

14.XGBoost-时间序列预测案例

15.贝叶斯分析-机器集成学习算法案例

16.逼近和最优化-Python随机模拟案例

17.概率图模型-Python金融分析案例

18.马尔科夫&蒙特卡罗-使用Python进行量化投资案例

第1天上午 机器学习基础原理

1.1机器学习、数据挖掘概述

1.2机器学习、数据挖掘和大数据的关系

1.3典型机器学习应用

1.4机器学习基本思想与原理

1.4.1主要流派

1.4.2类别 (监督算法/无监督算法/组合算法/强化学习)

1.5 Python语法（编程）

1.5.1数据类型

1.5.2数据结构

1.5.3函数与模块

1.6 构建建模用宽表的过程

案例1：基于原始数据的贷款违约建模全流程

第1天下午 回归算法

2.1回归算法原理与要点

2.1.1线性回归与逻辑回归

2.1.2最小二乘法与极大似然法

2.1.3岭回归

2.2分类模型的评估方法:

2.2.1混淆矩阵\准确率\召回率\特效性\精度\ROC\Lift\KS

案例2：信用卡客户价值预测模型

案例3：电信流失客户预测模型

第2天上午 分类器与决策树

3.1分类器:

3.1.1朴素贝叶斯

3.1.2支持向量机

3.2决策树算法

3.2.1信息熵

3.2.2 ID3、C4.5、CART

案例4：电子产品客户购买决策模型

案例5：相亲成功预测案例

第2天下午 组合算法与神经网络

2.1组合算法:

2.1.1随机森林与Adaboost

2.1.2 GBDT 和XGboost

2.2 BP神经网络

2.2.1算法原理

2.2.2 Python代码实现或调用

2.2.3实战案例讲解

案例6：信用卡欺诈案例

第3天上午 聚类算法与特征工程

3.1特征工程

3.1.1数据清洗

3.1.2数据规约

3.1.3特征筛选

3.2聚类算法

3.2.1 K-means

3.2.2混合高斯模型与EM算法

3.2.3密度聚类

案例7：K-means和混合高斯模型在银行、电信公司客户分群中的运用

案例8：基于密度的聚类在欺诈甄别中的运用

第3天下午 文本挖掘

3.1文本挖掘

3.1.1 中文编码知识

3.1.2中文分词

3.1.3文本分类

3.1.4主题模型

案例9：电商客户评价数据分析

现场班老学员9折优惠；
同一单位三人以上9折优惠；
同时选择2门课程9折优惠；
同时选择3门以上课程8折优惠；
以上优惠不叠加。

1，点击阅读原文中的“现场/远程报名”，在线提交信息；

PS：如需报名多门，在留言中注明，无需多次填写信息~

也欢迎直接联系我们报名：）

2，跟我们确认报名信息，通过订单提交发票信息，支付；

3，开课前发送电子版资料及交通住宿指南。

魏老师

QQ：2881989714

Tel：010-68478566

Mail：[email protected]