2022年第四期-威尼斯5139手机版

1、电汇到指定账户

2、扫描支付（报名后联系工作人员索要支付码）

3、付款时请注明”大数据研修班 单位或姓名“字样，方便查账备案

账户名：广东泰迪智能科技股份有限公司

开户行：中国工商银行广州花城支行

账户名：3602 0285 0920 1663 221

请将报名表发送至邮箱：zengaizhi@tipdm.com

联系人：曾老师 13246821827

1 准备工作

2 列表操作

3 程序流程控制语句

4 字符串操作

4.1 字符串及其索引&切片

4.2 字符串的常见方法

4.3 字典的创建及索引

4.4 字典常用操作

4.5 字典推导式

5 python文件读取操作

5.1 python读取文件

5.2 练习3-统计小说中的单词频次

6 函数

6.1 python函数自定义

6.2 联席-自定义求序列偶数个数的函数

7 面向对象与模块

7.1 python方法与函数对比介绍

7.2 python面向对象示例

7.3 python模块使用

7.4 第三方库的安装与调用

8 注意事项

8.1 python工作路径说明

8.2 模块命名及存放路径的注意事项

8.3 结语

1 python数据分析概述

1.1 认识数据分析

1.2 熟悉python数据分析的工具

1.3 安装anaconda与掌握jupyter notebook常用功能

2 numpy数值计算

2.1 掌握numpy数组对象

2.1.1 numpy简介

2.1.2 数组创建及基础属性

2.1.3 处师数组的特点

2.1.4 常见常用数组

2.1.5 数组数据类型

2.1.6 生成随机数

2.1.7 一维数组的索引

2.1.8 逻辑型索引

2.1.9 多维数组的索引

2.1.10 求解距离矩阵

2.1.11 变化数据shape

2.2 掌握numpy矩阵与通用函数

2.2.1 numpy矩阵介绍

2.2.2 numpy通用函数介绍

2.2.3 通用函数的广播机制

2.3 利用numpy进行统计分析

2.3.1 numpy读写二进制文件

2.3.2 numpy读写txt文件

2.3.3 利用numpy对数据进行简单统计分析

05月20日

18:30 - 22:00

主讲：方海涛

主题内容：随机最优控制与人工智能

05月20日

18:30 - 22:00

1 pandas统计分析基础

1.1 pandas简介

1.2 读写不同数据源的数据

1.2.1 pandas读取文本数据

1.2.2 存储数据框

1.2.3 pandas 读取 excel 文件

1.2.4 将数据框存储为 excel 文件

1.3 数据框与数据框元素

1.3.1 构建数据框

1.3.2 查看数据框的常用属性

1.3.3 按行列顺序访问数据框中的元素

1.3.4 按行列名称访问数据框中的元素

1.3.5 修改数据框中的元素

1.3.6 删除数据框中的元素

1.3.7 描述分析数据框中的元素

1.4 转换成时间类型数据

1.4.2 时间类型数据发常用操作

1.5 使用分组聚合进行组内计算

1.5.1 groupby 分组操作

1.5.2 agg 聚合操作

1.6 创建透视表与交叉表

1.6.1 生成透视表

1.6.2 生成交叉表

05月21日

18:30 - 22:00

2 使用pandas进行数据预处理

2.1 合并数据

2.1.1 表堆叠

2.1.2 主键合并

2.1.3 重叠合并

2.2 清洗数据

2.2.1 检测与处理重复值

2.2.2 检测与处理缺失值

2.2.3 检测与处理异常值

2.3 标准化数据

2.4 转换数据

2.4.1 哑变量处理

2.4.2 离散化连续型数据

05月22日

18:30 - 22:00

1.1 matplotlib 绘制流程说明

1.2 添加文本和修改绘图风格

1.3 rc 参数

1.4 散点图

1.5 折线图

1.6 直方图和条形图

1.7 饼图

1.8 箱型图

1.9 人口特征间分布

1.10 人口各个特征分布

2.1 pyecharts 基础介绍

2.2 pyecharts 绘制日历图

2.3 pyecharts 绘制漏斗图

2.4 pyecharts 绘制仪表盘

2.5 pyecharts 绘制水球图

2.6 pyecharts 绘制关系图

2.7 pyecharts 绘制直角坐标系图表

2.8 pyecharts 绘制饼图

2.9 pyecharts 绘制雷达图

2.10 pyecharts 绘制词云图

2.11 pyecharts 绘制柱状图

2.12 pyecharts 绘制树形图

2.13 pyecharts 绘制地理图表

3.1 seaborn 基础介绍

3.2 seaborn 简单绘图

3.3 seaborn 绘图风格

3.4 调色板 1

3.5 调色板 2

3.6 关系图

3.7 分类图

3.8 分布图

3.9 回归图

3.10 矩阵图

3.11 网格图

05月23日

18:30 - 22:00

1 python 爬虫环境与爬虫简介

1.1 认识爬虫

1.1.1 常见网上冲浪过程

1.1.2 爬虫的概念

1.1.3 爬虫的合法性

1.2 认识反爬虫

1.3 配置 python 爬虫环境

2 网页前端基础

2.1 认识网格信息传输过程

2.1.1 网络传输模型

2.1.2 网络信息传输过程

2.2 认识 http

2.2.1 认识 http

2.2.2 熟悉cookie

3 简单静态网页爬取

3.1 认识静态网页

3.2 实现http请求

3.2.1 创建工程

2.2.2 生成http请求

3.2.3 完善http请求

3.3 解析网页

3.3.1 为什么要解析网页

3.3.2 初识xpath

3.3.3 xpath 相对路径及属性查找

3.3.4 使用 beautifulsoup 解析网页

3.3.5 网页解析小结

3.4 存储数据

3.4.1 认识 chrome 开发者工具

3.4.2 任务演练：爬取并存储泰迪科技威尼斯5139手机版官网威尼斯5139手机版首页数据

05月24日

18:30 - 22:00

4 认识动态网页

4.1 认识动态网页

4.2 逆向分析爬取动态网页

4.2.1 通过网页源码追踪目标数据文件地址

4.2.2 通过开发者工具追踪目标数据文件地址

4.2.3 爬取数据并进行保存

4.3 使用 selenium 库爬取动态网页

4.3.1 搭建 selenium 环境

4.3.2 利用 selenium 获取网页数据

4.3.3 利用 selenium 控制点击操作

5 模拟登录

5.1 使用表单登录方法实现模拟登录

5.1.1 模拟登录的过程

5.1.2 查找提交入口和表单数据

5.1.3 提交表单完成模拟登录

5.1.4 使用表单登录的注意事项

5.2 使用cookie 登录方法实现模拟登录

5.3 使用 selenium 模拟登录

05月25日

18:30 - 22:00

6 scrapy 爬虫

6.1 认识 scrapy

6.2 通过 scrapy 爬取基本页面信息

6.2.1 创建项目

6.2.2 指定字段及创建 spiders

6.2.3 完成 spiders 编写

6.2.4 运行程序保存数据

6.3 通过 scrapy 抓取跳转页面数据

6.3.1 任务介绍及项目创建

6.3.2 获取所有页面的 url

6.3.3 获取每个页面的新闻二次页面 url

6.3.4 提取各新闻二次页面中的目标数据

6.3.5 运行程序保存数据

7. 拓展：终端协议及爬取工具介绍

05月26日

18:30 - 22:00

1.1 案例背景与挖掘目标

2.1 短评数据爬取介绍

2.2 安装 selenium 及配置 chrome driver

2.3 获取用户名

2.4 获取短评正文

2.5 设置cookies

2.6 获取用户居住地和入会时间信息

2.7 单页数据整理

2.8 自定义获取单页数据的函数

2.9 判定网页是否已被加载

2.10 翻页爬取

2.11 代码整理及小结

05月27日

18:30 - 22:00

3.1 短评正文数据预处理

3.2 词频统计

3.3 绘制整体评论数据的词云图

3.4 好评差评祠云图绘制及小结

4.1 评分分数分布统计

4.2 短评数量与日期的关系

4.3 短评数量与时刻的关系

4.4 不同评分数量与时间的关系

5.1 评论最多的前十个城市

5.2 评分数量与城市的关系

5.3 总结

05月28日

18:30 - 22:00

1.1 背景与分析目标

2.1 网页分析和爬虫思路

2.2 省份链接获取

2.3 获取省份名称

2.4 确定翻页数目

2.5 获取单页表格

2.6 获取所有省份和页面的数据

2.7 分布式爬取

3.1 数据预处理

3.2 数据指标提取

3.3 省级以上部门审定数量分析

3.4 水稻品种类型数量分析

3.5 主要水稻类型被审定的数量分析

3.6 水稻母本分析

3.7 主要审定公司分析

4 总结

05月29日

18:30 - 22:00

1 背景与目标

2 数据采集

2.1 网页结构探索

2.2 定位一级页面数据地址

2.3 爬取及解析一级页面数据

2.4 提取一级页面字段

2.5 定位二级页面数据地址

2.6 爬取及解析二级页面数据

2.7 翻页爬取及数据保存

3 数据处理

3.1 读取已爬取完成的数据

3.2 数据预处理操作

4 分析与可视化

4.1 招聘岗位对学历要求分析

4.2 各行业的大数据招聘需求数量分析

4.3 不同类型公司的薪资待遇分析

4.4 小结

1 思路介绍

2 单个图片文件爬取

3 获取一个页面所有图片网址

4 保存所有图片

5 翻页爬取更多数据

6 pdf 文件规律及问题

7 pdf 翻页刷新的网址规律

8 获取当前页所有图片网址

9 翻页刷新爬取所有图片

10 图片拼接成 pdf 文件

05月30日

19:00 - 21:00

1 准备工作

2 列表操作

3 程序流程控制语句

4 字符串操作

4.1 字符串及其索引&切片

4.2 字符串的常见方法

4.3 字典的创建及索引

4.4 字典常用操作

4.5 字典推导式

5 python文件读取操作

5.1 python读取文件

5.2 练习3-统计小说中的单词频次

6 函数

6.1 python函数自定义

6.2 联席-自定义求序列偶数个数的函数

7 面向对象与模块

7.1 python方法与函数对比介绍

7.2 python面向对象示例

7.3 python模块使用

7.4 第三方库的安装与调用

8 注意事项

8.1 python工作路径说明

8.2 模块命名及存放路径的注意事项

8.3 结语

1 python数据分析概述

1.1 认识数据分析

1.2 熟悉python数据分析的工具

1.3 安装anaconda与掌握jupyter notebook常用功能

2 numpy数值计算

2.1 掌握numpy数组对象

2.1.1 numpy简介

2.1.2 数组创建及基础属性

2.1.3 处师数组的特点

2.1.4 常见常用数组

2.1.5 数组数据类型

2.1.6 生成随机数

2.1.7 一维数组的索引

2.1.8 逻辑型索引

2.1.9 多维数组的索引

2.1.10 求解距离矩阵

2.1.11 变化数据shape

2.2 掌握numpy矩阵与通用函数

2.2.1 numpy矩阵介绍

2.2.2 numpy通用函数介绍

2.2.3 通用函数的广播机制

2.3 利用numpy进行统计分析

2.3.1 numpy读写二进制文件

2.3.2 numpy读写txt文件

2.3.3 利用numpy对数据进行简单统计分析

05月21日

18:30 - 22:00

主讲：方海涛

主题内容：随机最优控制与人工智能

05月21日

18:30 - 22:00

1 pandas 统计分析基础

1.1 pandas 简介

1.2 读写不同数据源的数据

1.2.1 pandas 读取文本数据

1.2.2 存储数据框

1.2.3 pandas 读取 excel 文件

1.2.4 将数据框存储为 excel 文件

1.3 数据框与数据框元素

1.3.1 构建数据框

1.3.2 查看数据框的常用属性

1.3.3 按行列顺序访问数据框中的元素

1.3.4 按行列名称访问数据框中的元素

1.3.5 修改数据框中的元素

1.3.6 删除数据框中的元素

1.3.7 描述分析数据框中的元素

1.4 转换与处理时间序列数据

1.4.1 转换成时间类型数据

1.4.2 时间类型数据的常用操作

1.5 使用分组聚合进行组内计算

1.5.1 groupby 分组操作

1.5.2 agg 聚合操作

1.6 创建透视表与交叉表

1.6.1 生成透视表

1.6.2 生成交叉表

2 使用 pandas 进行数据预处理

2.1 合并数据

2.1.1 表堆叠

2.1.2 主键合并

2.1.3 重叠合并

2.2 清洗数据

2.2.1 检测与处理重复值

2.2.2 检测与处理缺失值

2.2.3 检测与处理异常值

2.3 标准化数据

2.4 转换数据

2.4.1 哑变量处理

2.4.2 离散化连续型数据

05月22日

18:30 - 22:00

1.1 matplotlib 绘制流程说明

1.2 添加文本和修改绘图风格

1.3 rc 参数

1.4 散点图

1.5 折线图

1.6 直方图和条形图

1.7 饼图

1.8 箱线图

1.9 人口特征间分布

1.10 人口各个特征分布

2.1 pyecharts 基础介绍

2.2 pyecharts 绘制日历图

2.3 pyecharts 绘制漏斗图

2.4 pyecharts 绘制仪表盘

2.5 pyecharts 绘制水球图

2.6 pyecharts 绘制关系图

2.7 pyecharts 绘制直角坐标系图表

2.8 pyecharts 绘制饼图

2.9 pyecharts 绘制雷达图

2.10 pyecharts 绘制词云图

2.11 pyecharts 绘制柱状图

2.12 pyecharts 绘制树形图

2.13 pyecharts 绘制地理图表

3.1 seaborn 基础介绍

3.2 seaborn 简单绘图

3.3 seaborn 绘图风格

3.4 调色板 1

3.5 调色板 2

3.6 关系图

3.7 分类图

3.8 分布图

3.9 回归图

3.10 矩阵图

3.11 网格图

05月23日

18:30 - 22:00 

1 机器学习绪论

1.1 引言

1.2 基本术语

1.3 假设空间&归纳偏好

2 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.3 性能度量

2.4 性能度量python实现

05月24日

18:30 - 22:00

3 回归分析

3.1 线性回归基本形式

3.2 线性回归模型的python实现

3.3 波士顿房价预测的python实现

3.4 逻辑回归介绍

3.5 研究生入学录取预测的python实现

4 决策树

4.1 从女生相亲到决策树

4.2 明天适合打球吗

4.3 决策树拆分属性选择

4.4 决策树算法家族

4.5 泰坦尼克号生还者预测—数据预处理

4.6 泰坦尼克号生还者预测—模型构建与预测

05月25日

18:30 - 22:00

5 人工神经网络

5.1 单个神经元介绍

5.2 经典网络结构接收

5.3 神经网络工作流程演示

5.4 如何修正网络参数-梯度下降法

5.5 网格工作原理推导

5.6 网络搭建准备

5.7 样本从输入层到隐层传输的python实现

5.8 网络输出的python实现

5.9 单样本网络训练的python实现

5.10 全样本网络训练的python实现

5.11 网络性能评价

5.12 调用 sklearn 实现神经网络算法

05月26日

18:30 - 22:00

6 最近邻算法（knn）

6.1 knn 算法介绍

6.2 knn 算法解决鸢尾花分类问题

7 朴素贝叶斯

7.1 非洲人还是北美人

7.2 为什么有“朴素”二字

7.3 拉普拉斯修正

7.4 用高斯朴素贝叶斯算法解决鸢尾花分类问题

8 聚类分析

8.1 聚类分析概述

8.2 相似性度量

8.3 k-means 聚类分析算法介绍

8.4 利用k-means 算法对鸢尾花进行聚类

8.5 聚类结果的性能度量

8.6 调用 sklearn 实现聚类分析

9 集成学习

9.1 集成学习基本概念

9.2 并行集成算法-bagging&randomforest

9.3 串行集成算法-boosting 算法流程

9.4 串行集成算法-boosting 代码实现

9.5 stacking 算法流程

9.6 stacking 代码实现

05月27日

18:30 - 22:00

1.1 背景与目标

1.2 案例思路分析

2.1 数据探索

2.2 数据去重及删除无关属性

2.3 缺失值处理

2.4 异常值处理

2.5 数据合并

3 数据可视化分析

3.1 食堂就餐行为分析

3.2 学生早中晚餐就餐地点占比饼图

3.3 工作日和非工作日食堂就餐时间曲线图

3.4 不同专业、不同性别的学生消费分析

4 模型构建

4.1 构建聚类模型

4.2 模型性能评估

5 小结

05月28日

18:30 - 22:00

1.1 背景与分析目标

2.1 会员信息表处理

2.2 销售流水表处理

3.1 会员年龄分析

3.2 不同年龄的消费能力

3.3 不同性别的消费情况

3.4 会员和非会员消费情况

3.5 商场会员年消费情况

3.6 不同月份的消费趋势

3.7 每年每月的消费金额趋势

3.8 不同时刻的消费情况

05月29日

18:30 - 22:00

1 北京与目标

2.1 线下训练集数据介绍

2.2 线上训练集数据介绍

2.3 测试数据介绍

2.4 项目流程介绍

3.1 构建正样本

3.2 构建负样本

3.3 构建样本标签

4.1 特征构建介绍

4.2 处理discount_rate列

4.3 特征1-折扣率

4.4 特征2-商户与用户之间的距离

5.1 建模前数据准备

5.2 初级模型构建

5.3 roc 曲线与 auc 值

5.4 模型性能评估

5.5 训练函数封装

5.6 模型预测

5.7 预测函数封装

6.1 特征3-优惠券流行度

6.2 特征4-用户在商家中的消费次数

6.3 如何进行特征拼接

6.4 拼接训练集的特征3&4

6.5 拼接测试集的特征3&4

7.1 模型训练

7.2 预测

7.3 代码整理

7.4 结果提交

05月30日

18:30 - 22:00

1 背景与目标

2 数据预处理

2.1 数据读取

2.2 数据预处理

2.3 数据拆分

3 模型构建

3.1 模型选型分析

3.2 模型构建

4 模型评价

4.1 模型性能评估

4.2 模型优化

5 部署设置

05月31日

19:00 - 21:00

1 准备工作

2 列表操作

3 程序流程控制语句

4 字符串操作

4.1 字符串及其索引&切片

4.2 字符串的常见方法

4.3 字典的创建及索引

4.4 字典常用操作

4.5 字典推导式

5 python文件读取操作

5.1 python读取文件

5.2 练习3-统计小说中的单词频次

6 函数

6.1 python函数自定义

6.2 联席-自定义求序列偶数个数的函数

7 面向对象与模块

7.1 python方法与函数对比介绍

7.2 python面向对象示例

7.3 python模块使用

7.4 第三方库的安装与调用

8 注意事项

8.1 python工作路径说明

8.2 模块命名及存放路径的注意事项

8.3 结语

1 python数据分析概述

1.1 认识数据分析

1.2 熟悉python数据分析的工具

1.3 安装anaconda与掌握jupyter notebook常用功能

2 numpy数值计算

2.1 掌握numpy数组对象

2.1.1 numpy简介

2.1.2 数组创建及基础属性

2.1.3 处师数组的特点

2.1.4 常见常用数组

2.1.5 数组数据类型

2.1.6 生成随机数

2.1.7 一维数组的索引

2.1.8 逻辑型索引

2.1.9 多维数组的索引

2.1.10 求解距离矩阵

2.1.11 变化数据shape

2.2 掌握numpy矩阵与通用函数

2.2.1 numpy矩阵介绍

2.2.2 numpy通用函数介绍

2.2.3 通用函数的广播机制

2.3 利用numpy进行统计分析

2.3.1 numpy读写二进制文件

2.3.2 numpy读写txt文件

2.3.3 利用numpy对数据进行简单统计分析

3 pandas统计分析基础

3.1 读写不同数据源的数据

3.2.1 pandas读取文本数据

3.2.2 存储数据框

3.2.3 pandas读取excel文件

3.2.4 将数据框存储为excel文件

3.3 数据框与数据框元素

3.3.1 构建数据框

3.3.2 查看数据框的常用属性

3.3.3 按行列顺序访问数据框中的元素

3.3.4 按行列名称访问数据框中的元素

3.3.5 修改数据框中的元素

3.3.6 删除数据框中的元素

3.3.7 描述分析数据框中的元素

3.4 转换与处理时间序列数据

3.4.1 转换成时间类型数据

3.4.2 时间类型数据的常用操作

4.5 使用分组聚合进行组内计算

4.5.1 groupby分组操作

4.5.2 agg聚合操作

4.6 创建透视表与交叉表

4.6.1 生成透视表

4.6.2 生成交叉表

5 使用pandas进行数据预处理

5.1 合并数据

5.1.1 表堆叠

5.1.2 主键合并

5.1.3 重叠合并

5.2 清洗数据

5.2.1 检测与处理重复值

5.2.2 检测与处理缺失值

5.2.3 检测与处理异常值

5.3 标准化数据

5.4 转换数据

5.4.1 哑变量处理

5.4.2 离散化连续型数据

05月21日

18:30 - 22:00

主讲：方海涛

主题内容：随机最优控制与人工智能

05月21日

18:30 - 22:00

1 机器学习绪论

1.1 引言

1.2 基本术语

1.3 假设空间&归纳偏好

2 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.3 性能度量

2.4 性能度量 python 实现

3 回归分析

3.1 线性回归基本形式

3.2 线性回归模型的 python 实现

3.3 波士顿房价预测的 python 实现

3.4 逻辑回归介绍

3.5 研究生入学录取预测的 python 实现

4.1 单个神经元介绍

4.2 经典网络结构介绍

4.3 神经网络工作流程演示

4.4 如何修正网络参数-梯度下降法

4.5 网络工作原理推导

4.6 网络搭建准备

4.7 样本从输入层到隐层传输的 python 实现

4.8 网络输出的 python 实现

4.9 单样本网络训练的 python 实现

4.10 全样本网络训练的 python 实现

4.11 网络性能评价

4.12 调用 sklearn 实现神经网络算法

05月22日

18:30 - 22:00

1 任务1：构建一个线性模型

1.1 tensorflow 介绍

1.2 tensorflow2 常用数据类型和操作

1.3 初始化模型

1.4 构建损失函数

1.5 模型训练及可视化

1.6 使用高阶 api-keras

2 任务2：mnist 手写数字识别

2.1 数据读取及探索

2.2 交叉熵

2.3 模型构建及训练

2.4 调用保存好的模型对新样本进行预测

05月23日

18:30 - 22:00

1.1 深度神经网络-引言

2 卷积神经网络cnn

2.1 浅层神经网络的局限

2.2 卷积操作

2.3 卷积操作的优势

2.4 池化及全连接

2.5 高维输入及多 filter 卷积

2.6 实现卷积操作

2.7 实现池化操作

05月24日

18:30 - 22:00

3 循环神经网络 rnn

3.1 循环神经网络简介

3.2 循环神经网络的常见结构

4 长短时记忆网络 lstm

4.1 lstm 的三个门

4.2 lstm 三个门的计算示例

4.3 利用 rnn&lstm 实现 mnist 手写数字识别

5.1 生成对抗神经网络简介

5.2 生成对抗神经网络训练流程

5.3 生成手写数字照片-数据准备&定义生成器网络

5.4 生成手写数字照片-判别器网络结构

5.5 生成手写数字照片-网络传输及网络损失值

5.6 生成手写数字照片-模型训练及效果展示

05月25日

18:30 - 22:00

1 自然语言处理概述

1.1 自然语言处理概述

2 nlp 的基本流程

2.1 nlp 的基本流程

2.2 语料字符处理

2.2.1 语料字符处理-字符串函数

2.2.2 正则表达式

2.2.3 正则表达式应用

2.3 分词和停用祠处理

2.3.1 分词：正向最大匹配法

2.3.2 分词：正向最大匹配法实现

2.3.3 分词：逆向最大匹配法

05月26日

18:30 - 22:00

2.4.1 n 元语法模型

2.4.2 n 元语法模型与分词

2.5.1 隐马尔可夫概述

2.5.2 隐马尔可夫实例

2.5.3 viterbi 算法

2.5.4 viterbi 算法应用

2.6 jieba 分词

2.7 去停用词

05月27日

18:30 - 22:00

3 文本向量化

3.1.1 向量化与独热编码

3.1.2 基于字典的 one-hot 实现

3.1.3 基于 keras 的 one-hot 表示

3.2 词袋模型

3.3 tf-idf

3.4.1 word2vec 模型概述

3.4.2 word2vec 模型训练

3.4.3 word2vec 模型应用

3.5 doc2vec 模型

05月28日

18:30 - 22:00

1 背景与挖掘目标

2 数据读取与探索

3.1 分词与去除停用词

3.2 词嵌入原理介绍

3.3 词嵌入实现

3.4 问句数据转换

4.1 lstm 模型原理介绍

4.2 lstm 模型构建

4.3 性能度量

4.4 模型评估

5 小结

05月29日

18:30 - 22:00

1 案例背景与目标

1.1 背景与目标

1.2 流程介绍

2 语料库预处理

2.1 语料库介绍

2.2 工程和数据准备

2.3 语料分词处理

2.4 预处理结果保存

2.5 语料预处理代码整理

3 模型构建

3.1 模型介绍

3.2 构建哈希表

3.3 问答数据向量化

3.4 问答向量长度填充

3.5 模型准备

3.6 模型编译

3.7 训练步

3.8 迭代训练

3.9 模型预测的句子分词

3.10 模型预测输入输出

3.11 模型整理、类化

4 网页前端展示

5 拓展思考

05月30日

18:30 - 22:00

1 任务 1-了解背景与目标

2 数据探索

2.1 任务 2 说明-数据探索

2.2 项目文件结构及编辑环境介绍

2.3 数据获取与探索分析

3 获取用户单击流数据

3.1 任务 3 说明-获取用户单击流数据

3.2 理解用户单击流相关概念

3.3 获取用户的各单击流数据

4 实现词嵌入操作-1

4.1 任务 4 说明-实现词嵌入操作-1

4.2 对各单击流数据进行探索

5 实现词嵌入操作-2

5.1 任务 5 说明-实现词嵌入才做-2

5.2 对用户单击流数据进行预处理

5.3 进行词向量训练

5.4 对用户的单击流进行编码及padding操作

5.5 将词向量矩阵做相应排序并储存

5.6 将单击流数据转化为二维样本数据并存储

6 模型构建

6.1 任务 6 说明-模型构建

6.2 建模前数据整理

6.3 模型训练及性能评估

7 模型优化

7.1 任务 7 说明-模型优化

7.2 模型优化-并行网络结构介绍

7.3 模型优化

05月31日

19:00 - 21:00

1 准备工作

2 列表操作

3 程序流程控制语句

4 字符串操作

4.1 字符串及其索引&切片

4.2 字符串的常见方法

4.3 字典的创建及索引

4.4 字典常用操作

4.5 字典推导式

5 python文件读取操作

5.1 python读取文件

5.2 练习3-统计小说中的单词频次

6 函数

6.1 python函数自定义

6.2 联席-自定义求序列偶数个数的函数

7 面向对象与模块

7.1 python方法与函数对比介绍

7.2 python面向对象示例

7.3 python模块使用

7.4 第三方库的安装与调用

8 注意事项

8.1 python工作路径说明

8.2 模块命名及存放路径的注意事项

8.3 结语

1 python数据分析概述

1.1 认识数据分析

1.2 熟悉python数据分析的工具

1.3 安装anaconda与掌握jupyter notebook常用功能

2 numpy数值计算

2.1 掌握numpy数组对象

2.1.1 numpy简介

2.1.2 数组创建及基础属性

2.1.3 处师数组的特点

2.1.4 常见常用数组

2.1.5 数组数据类型

2.1.6 生成随机数

2.1.7 一维数组的索引

2.1.8 逻辑型索引

2.1.9 多维数组的索引

2.1.10 求解距离矩阵

2.1.11 变化数据shape

2.2 掌握numpy矩阵与通用函数

2.2.1 numpy矩阵介绍

2.2.2 numpy通用函数介绍

2.2.3 通用函数的广播机制

2.3 利用numpy进行统计分析

2.3.1 numpy读写二进制文件

2.3.2 numpy读写txt文件

2.3.3 利用numpy对数据进行简单统计分析

3 pandas统计分析基础

3.1 读写不同数据源的数据

3.2.1 pandas读取文本数据

3.2.2 存储数据框

3.2.3 pandas读取excel文件

3.2.4 将数据框存储为excel文件

3.3 数据框与数据框元素

3.3.1 构建数据框

3.3.2 查看数据框的常用属性

3.3.3 按行列顺序访问数据框中的元素

3.3.4 按行列名称访问数据框中的元素

3.3.5 修改数据框中的元素

3.3.6 删除数据框中的元素

3.3.7 描述分析数据框中的元素

3.4 转换与处理时间序列数据

3.4.1 转换成时间类型数据

3.4.2 时间类型数据的常用操作

4.5 使用分组聚合进行组内计算

4.5.1 groupby分组操作

4.5.2 agg聚合操作

4.6 创建透视表与交叉表

4.6.1 生成透视表

4.6.2 生成交叉表

5 使用pandas进行数据预处理

5.1 合并数据

5.1.1 表堆叠

5.1.2 主键合并

5.1.3 重叠合并

5.2 清洗数据

5.2.1 检测与处理重复值

5.2.2 检测与处理缺失值

5.2.3 检测与处理异常值

5.3 标准化数据

5.4 转换数据

5.4.1 哑变量处理

5.4.2 离散化连续型数据

05月20日

18:30 - 22：00

主讲：方海涛

主题内容：随机最优控制与人工智能

05月20日

18:30 - 22:00

1 机器学习绪论

1.1 引言

1.2 基本术语

1.3 假设空间&归纳偏好

2 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.3 性能度量

2.4 性能度量python实现

05月21日

18:30 - 22:00

3 回归分析

3.1 线性回归基本形式

3.2 线性回归模型的python实现

3.3 波士顿房价预测的python实现

3.4 逻辑回归介绍

3.5 研究生入学录取预测的python实现

4.1 单个神经元介绍

4.2 经典网络工作流程演示

4.3 神经网络工作流程演示

4.4 如何修正网络参数-梯度下降法

4.5 网络工作原理推导

4.6 网络搭建准备

4.7 样本从输入层到隐层传输的python实现

4.8 网络输出的python实现

4.9 单样本网络训练的python实现

4.10 全样本网络训练的python实现

4.11 网络性能评价

4.12 调用sklearn实现神经网络算法

05月22日

18:30 - 22:00

1 任务1：构建一个线性模型

1.1 tensorflow介绍

1.2 tensorflow2常用数据类型和操作

1.3 初始化模型

1.4 构建损失函数

1.5 模型训练及可视化

1.6 使用高阶api-keras

2 任务2：mnist手写数字识别

2.1 数据读取及探索

2.2 交叉熵

2.3 模型构建及训练

2.4 调用保存好的模型对新样本进行预测

05月23日

18:30 - 22:00

1.1 深度神经网络-引言

2 卷积神经网络 cnn

2.1 浅层神经网络的局限

2.2 卷积操作

2.3 卷积操作的优势

2.4 池化及全连接

2.5 高维输入及 filter 卷积

2.6 实现卷积操作

2.7 实现池化操作

2.8 作业：使用cnn实现

3.1 生成对抗神经网络简介

3.2 生成对抗神经网络训练流程

3.3 生成手写数字照片-数据准备&定义生成器网络

3.4 生成手写数字照片-判别器网络结构

3.5 生成手写数字照片-网络传输及网络损失值

3.6 生成手写数字照片-模型训练及效果展示

4 循环神经网络 run

4.1 循环神经网络简介

4.2 循环神经网络的常见结构

5 长短时记忆网络 lstm

5.1 lstm 的三个门

5.2 lstm 三个门的计算示例

5.3 利用 run&lstm 实现 mnist 手写数字识别

05月24日

18: 30 - 22:00

1 概述

2.1 图像基础

2.2 读写图像

3.1 几何变换-图像平移和旋转

3.2 几何变换-最近邻插值

3.3 几何变换-其他插值方法介绍

05月25日

18:30 - 22:00

4.1 灰度处理-线性变换

4.2 灰度处理-非线性变换

4.3 灰度处理-直方图均衡化

4.4 图像二值化

5.1 图像平滑

5.2 图像锐化-sobel 算子

5.3 图像锐化-其他算法

6 练习

05月26日

18:30 - 22:00

7 图像批处理任务示例

8.1 opencv 循环读取-批量获取图像路径

8.2 opencv 循环读取-批量读取图片和标签

8.3 opencv 循环读取-数据应用示例

9.1 图像文件读取-参数说明

9.2 图像文件读取-读取训练和测试数据

9.3 图像文件读取-查看数据情况

9.4 图像文件读取-数据应用示例

10.1 imagedategenerator 图像增强-方法介绍

10.2 imagedategenerator 图像增强-单张图像增强

10.3 imagedategenerator 图像增强-多张图像增强

10.4 imagedategenerator 图像增强-从文件夹读取图片并增强

10.5 imagedategenerator 图像增强-数据应用示例

05月27日

18:30 - 22:00

1 背景与目标

2.1 图片统一规格

2.2 图片增强

3 图片批处理

4.1 alexnet 网络介绍

4.2 搭建 alexnet 网络层

4.3 模型训练

4.4 模型预测

5 模型验证及小结

05月28日

18:30 - 22:00

1.1 案例背景

1.2 数据说明与目标

2.1.1 数据预处理流程介绍

2.1.2 打开工程文件

2.1.3 dicom 医学图像数据加载

2.2.1 windows 方法介绍与参数选择

2.2.2 windows 方法实现

2.3 ct 对比增强：直方图均衡化

2.4 掩膜图像加载

2.5 自定义提取肿瘤掩膜图位置的函数

2.6 文件保存

2.7 循环操作 20 名病人 ct 图像

05月29日

18:30 - 22:00

3.1 数据增强：定义图像生成器

3.2 数据增强：图像数据增强设置及可视化

3.3 数据增强：归一化与自动以增强函数

4.1.1 u-net 网络结构介绍

4.1.2 u-net 网络结构实现

4.2 模型编译

5.1 模型训练

5.2 模型训练结果展示

6 模型预测

7 拓展思考

05月30日

18:30 - 22:00

1 背景与目标

2 过程与步骤

2.1 数据读取

2.2 数据预处理

2.3 数据集整理

3 模型构建

3.1 gan 网络搭建

3.2 定义 gan 损失函数

3.3 训练网络

3.4 结果分析

4 小结

05月31日

19:00 - 21:00