目前课程版本：5.0 升级时间：2019.02.21 查看详细
整个课程用采用双核心（Web方向、人工智能-数据科学方向）和六选一增强就业专业课
保证学员主流方向就业和全国二三线城市就业
- Web课程占比由28%提升至40%+
- 人工智能(AI)数据课程课程占比由16%提升至30%+
- 六选一增强就业专业课 六个方向分别10天，提升跨领域就业能力
- 六个方向为：数据分析、测试、运维、爬虫、自然语言处理、图像和视觉处理
Python基础、Web、AI各个阶段的前后衔接更为合理
- Python基础课程和Web课程，前后衔接更为合理，前端由1个阶段拆分成3个阶段融入项目中，平滑学习曲线
- AI课程中，基于大数据、机器学习技术的Web业务流推荐。Web和AI课程前后铺垫
Python Web课程全新Django框架美多商城项目、新增Flask框架黑马头条Web项目
- 美多商城支持前后台分离、不分离技术，融合多项主流技术要点
- 就业热点课程：增加Docker、高并发部署
- 黑马头条Web项目，以技术方案驱动讲解，提供8大技术方案；对接第三方推荐系统和聊天机器人系统，呈现真实业务场景
Python人工智能课程立足于数据科学方向，并提供自然语言处理项目和物体检测项目两大延伸方向
- 重新设计8天的机器学习、数据挖掘入门课，降低学习难度、平滑学习曲线
- 全新黑马头条推荐系统项目，基于大数据的推荐系统，融合10+技术解决方案
针对各个就业方向,提供面试强化专题课程、热点技术解决方案和热点项目库，拓展学员视野，提升工作经验。目前已产出面试强化专题课程50 +，热点技术解决方案20+，热点项目库8+，且在持续更新中
0基础0经验的小白人员；想通过最低的成本来试一下自己是否适合做Python编程相关工作的转型人员。
注：获取更多免费学习视频+资料+笔记，请加QQ：2632311208。
全日制脱产，每周5天上课（实际培训时间可能因法定节假日等因素发生变化）
部分校区可能会根据实际情况有所调整，详情可询咨询老师 点击咨询
自带笔记本
| Python+人工智能基础班课程大纲 | |||
| 所处阶段 | 主讲内容 | 技术要点 | 学习目标 |
| 第一阶段： Python基础 |
Python第一个程序 | 变量、标识符和关键字、输入和输出、数据类型转换 | 可掌握的核心能力： 1. 掌握Python基础语法, 具备基础的编程能力； 2. 建立起编程思维以及面向对象程序设计思想。 可解决的现实问题： 能够熟练使用Python技术完成针对小问题的程序编写。 市场价值： 具备最基本的编程思维, 掌握基础的Python编程技术, 能够完成较小程序的开发,尚达不到企业的用人标准。 |
| 条件控制语句和循环语句 | 比较关系运算符、逻辑运算符、三目运算符、while循环、for循环、break和continue | ||
| 容器类型 | 列表、元组、字典、有序字典、公共函数、字符串 | ||
| 函数 | 函数的定义和调用、不定长参数函数、匿名函数、递归函数、可变和不可变类型 | ||
| 文件操作 | 文件打开和关闭、文件的读写、文件、目录相关操作、文件应用案例 | ||
| 面向对象 | 面向对象介绍、类的定义和对象的创建、添加和获取对象属性、init方法、私有方法和私有属性、继承、多态、类方法、对象方法、静态方法 | ||
| 异常处理 | 捕获异常、异常的传递、自定义异常 | ||
| 模块和包 | 模块介绍、模块的导入、模块中的 __all__、模块中 __name__ 的作用、包的介绍、包的导入 | ||
本课程适合有Python语言基础、面向对象编程思想，Linux基本操作基础的人士，课上不讲Python基础知识。
培训时间及周期：全日制脱产，每周5天上课（实际培训时间可能因法定节假日等因素发生变化）
部分校区可能会根据实际情况有所调整，详情可询咨询老师 点击咨询
| Python+人工智能就业班课程大纲 | |||
| 所处阶段 | 主讲内容 | 技术要点 | 学习目标 |
| 第二阶段： Python高级 |
Linux命令 | Ubuntu操作系统介绍与使用、Linux命令使用、Linux命令选项的使用、远程登录和远程拷贝、vim编辑器使用、Ubuntu软件安装和软件卸载 | 可掌握的核心能力： 1. 能够熟练使用Linux操作系统； 2. 掌握网络编程相关技术, 能够实现网络间数据通信； 3. 掌握程序设计开发中多任务实现方式； 4. 能够熟练掌握MySQL操作相关技术, 熟练编写各种数据库操作SQL语句, 并能够进行Python与MySQL之间的数据交互； 5. 掌握Python中的re模块的使用, 能够实现对字符串进行复杂模式匹配； 6. 掌握Web服务器的工作流程, 以及Web框架的实现原理。 可解决的现实问题： 能够使用面向对象的程序设计方法, 基于Linux操作系统开发多任务的网络程序开发。 市场价值: 熟练掌握Python技术和常见网络协议, 可满足企业开发的初级需求,。 |
| 网络编程 | IP地址的介绍、端口和端口号的介绍、socket的介绍、基于TCP通信程序开发 | ||
| 多任务编程 | 多任务介绍、线程的使用、线程同步与互斥锁、死锁介绍、进程的使用、进程和线程的对比 | ||
| 正则表达式 | 正则表达式的介绍、re模块的使用、正则表达式的演练 | ||
| html与css | html概述及基本结构、html标签及布局入门、css载入方式、css选择器、css属性入门、css基本布局演示、列表及表单、盒子模型、css显示属性、css元素溢出、表格 | ||
| JavaScript | 变量、数据类型及基本语法规范、函数、条件语句、获取元素方法及操作元素、事件属性、数组及操作方法、循环语句、字符串、定时器、变量作用域 | ||
| jQuery | jquery选择器、jquery样式操作、绑定click事件、jquery动画、jquery特殊效果、jquery属性操作、jquery循环、jquery事件、事件委托、JavaScript对象、JSON 和 ajax 请求 | ||
| 数据库编程 | 数据库介绍、MySQL数据库基本使用、MySQL查询pymysql的使用、事务、索引 | ||
| Python语法进阶 | 深拷贝和浅拷贝、property属性、with语句和上下文管理器、闭包、装饰器 | ||
| 静态Web服务器 | Web服务器通信过程、HTTP协议、Web服务器实现 | ||
| mini-Web框架 | Web框架和Web服务器的关系介绍、模板替换、股票信息页面开发、个人中心数据接口开发、路由列表、ajax请求数据渲染个人中心页面、logging日志的使用 | ||
| 第三阶段： Web-Django框架与项目 |
Django框架 | Git源代码管理、Redis缓存、VUE介绍、Vue基本语法、ES6语法、VUE 生命周期、Django框架介绍、Django模型、ORM及数据库操作、视图及模板、Django中间件 | 可掌握的核心能力： 1、 掌握Python Web主流框架-Django的使用； 2、 可根据Web框架设计，开发对应的数据库； 3、 可根据业务流程图，开发Web网站的前后台业务。 可解决的现实问题： 1、能够开发主流Web网站，并掌握常见的技术要点； 2、根据实际问题设计出相应数据库表。 市场价值： Web全栈工程师，独立开发前端和后端业务。 |
| 项目： 美多商城-前台 |
购物电商平台项目编码、前后端不分离模式、数据库-读写分离、Django高级第三方模块、FastDFS分布式文件系统、Celery异步操作、Vue双向绑定、Docker 入门、Crontab定时任务、页面静态化、在线支付、Nginx+uWSGI部署 | ||
| 项目： 美多商城-MIS系统 |
前后端分离模式、VUE进阶-组件式开发、Django REST framwork、统计、权限管理、商品数据管理、日志管理、用户管理 | ||
| 第四阶段： Web-Flask框架与项目 |
项目部署 | Docker 进阶、uWSGI、Nginx进阶、性能优化 | 可掌握的核心能力： 1、 掌握Python Web主流框架-Flask的使用； 2、 掌握常见的性能优化技术； 3、 缓存服务器的操作和设计； 4、 异步任务的实现。 可解决的现实问题： 1、高并发全功能的Web网站开发； 2、提升数据处理响应速度，灵活运用缓存。 市场价值： Web全栈工程师，独立开发前端和后端业务。 |
| Flask框架 | Flask框架、路由定义及视图函数、蓝图、SQLAlchemy | ||
| 项目： 黑马头条 |
Flask-RESTful、手机 APP + PC Web前端、MySQL业务数据存储、Redis缓存层、第三方对象存储、RabbitMQ + Celery 异步任务、APSchedule定时任务、socket.io及时通讯、Elasticsearch 5.6 搜索+自动补全、RPC+kafka对接推荐系统与AI系统、supervisor进程管理 | ||
| 第五阶段： 人工智能机器学习编程 |
机器学习 (科学计算库篇) |
人工智能概述、数据可视化matplotlib、科学计算库numpy、科学计算库pandas | 可掌握的核心能力： 1、 掌握数据挖掘基础工具使用； 2、 掌握机器学习中处理数据方法； 3、 理解常见机器学习算法原理。 可解决的现实问题： 1、 利用学习到的科学计算库对收集到的数据进行数据基本处理，使其符合机器学习算法模型； 2、 利用学习到的机器学习算法解决部分实际问题。 市场价值： 具备可对数据进行初步分析和挖掘，进行机器学习建模或深度学习训练。 |
| 机器学习 (算法篇) |
Scikit-learn使用、特征工程、k-近邻算法、线性回归、岭回归、逻辑回归、决策树、集成学习(Bagging, Boosting)、k-means、不同模型评估方法介绍、模型选择与调优、模型保存和加载、聚类、分类、回归案例实战 | ||
| 第六阶段： 人工智能基于大数据的推荐系统项目 |
推荐系统项目理论课 | 什么是推荐系统、Mini推荐系统--电影推荐、推荐系统概念、大规模用户物品推荐案例、新闻/文章场景推荐案例、混合推荐介绍 | 可掌握的核心能力： 1、 掌握推荐系统的工作原理和实现流程； 2、 掌握推荐系统的算法实现原理以及应用场景； 3、 掌握Lambda大数据相关基础； 4、 可实现基于大数据框架的推荐系统搭建； 5、 能够基于推荐业务流完成系统搭建。 可解决的现实问题： 1、能够实现推荐系统的算法不同场景应用； 2、能够根据推荐场景业务流完成推荐业务开发。 市场价值： 具备推荐系统的开发能力。 |
| 推荐系统项目 Lambda大数据开发 |
推荐系统Lambda架构介绍、分布式存储计算案例、数据仓库工具hive、spark介绍、spark-sql、spark sql与hive离线分析实战 | ||
| 推荐系统项目开发 | ABTest实验中心、埋点参数设置、推荐服务、缓存服务、实时日志分析、实时召回集、热门与新文章、文章画像构建、用户画像构建、文章用户画像业务实现、离线召回集介绍、排序模型选择介绍、spark mllib讲解、离线模型评价、评估场景需求 | ||
| 第七阶段： 数据分析 |
课程介绍及 数据分析入门 |
整个阶段课程的介绍，数据分析招聘岗位要求、课程的覆盖度、学完后达到的能力、数据分析方向的职业发展通道。 | 可掌握的核心能力： 1、 掌握爬虫的工作原理和实现流程； 2、 熟练掌握MySQL、Hive、Spark； 3、 掌握mongodb数据库的应用; 4、 熟悉常用数据挖掘算法与模型，熟悉逻辑回归、神经网络、决策树、聚类等建模方法； 5、 熟悉Python、R、Tableau、SPSS、SAS等多种数据分析工具； 6、 熟练使用时间序列、聚类分析、逻辑回归、因果分析等统计方法。 可解决的现实问题： 1、 胜任相关的数据分析工作，对企业异常数据进行深入分析，对业务风险指标进行跟踪分析及优化； 2、 搭建业务监控体系，及时发现、排查业务问题，并能提出有效的解决策略或方案； 3、 配合项目计划，负责建模驻场项目，完成数据分析需求及任务； 4、 通过大数据算法对数据进行模型的构建、维护、和评估。 市场价值： 具备互联网数据采集的爬虫开发能力。 |
| 统计学基础 | 描述统计，统计推断：案例1：电影业商业数据统计分析； Power BI电商商品催单机制及销售绩效KPI定制实践； 汇总分类变量，图形显示数据：案例2：高露洁公司数据统计及可视化分析； 分布形态及异常值检测，变量之间的关系度量：案例3：Young Professional杂志销量与读者统计分析； 概率的性质，条件概率：案例4：美国审计总署统计数据分析； 泊松分布，二元分布等，案例5：Burke市场营销服务公司商务数据分析； 正态分布，指数分布等，案例6：Bayview大学商科学生的道德行为； 方差分析，假设检验等的医学领域病例分析及业务实践； x抽样,p抽样: 案例7：Electronics Associates公司的抽样问题； 数据分析常见方法，杜邦分析，帕累托分析，金字塔思维，SWOT,5W2H，波士顿矩阵等分析方法详解及Power BI实践。 |
||
| 数据挖掘项目实战 +金融行业量化分析+ 数据挖掘项目实战 | Python编程数据分析:案例8：航空系统客户数据分析及客户挖掘； SPSS数据分析：案例9: 医疗保险业的欺诈发现数据挖掘； SPSS数据分析：案例10：中国消费者信心指数影响因素分析； SPSS数据分析：案例11：员工发展前景多维度评估及客户R价值分析RFM实践； SPSS数据分析：案例12：聚类，回归，分类等十余种机器学习算法的SPSS实现； SPSS数据分析：案例13：深度学习神经网络模型的SPSS实现； SAS数据分析：基于SAS的数十种业务场景的数据分析及拟合检验等分析技术的实践； 数据化运营，网络游戏市场分析，及电商数据分析，问卷数据分析业务场景实践经验汇总； CRM：客户关系管理模型。 |
||
| BI理论 | BI(商业智能)基本概念和应用场景； 数据仓库基本概念和设计规范； 维度建模技术。 |
||
| 数据可视化分析 | FineBI数据可视化分析：实例讲解使用FineBI实施数据分析（暂定使用“零售连锁商店数据集”：账号申请、软件下载与安装、数据梳理、etl数据清洗、维度表、事实表抽取、数据cube 定义、数据钻取实现、可视化组件选择与展示、报表发布； Tableau数据可视化分析：实例讲解使用FineBI实施数据分析（暂定使用“环境监测数据集”：账号申请、软件下载与安装、数据梳理、维度表、事实表抽取、多维度分析主题实现数据钻取实现、可视化组件选择与展示、报表发布。 |
||
| 项目实战 | Finebi + kettle +mysql 实现一个bi项目 （暂定 教育、环境监测、零售连锁商店数据集）。 |
注：校区会根据当地就业市场情况，对第七阶段选择不同的课程实施（爬虫、图像识别、自然语言处理、自动化测试、自动化运维）。
具有一定开发经验的Python Web工程师，爬虫工程师，人工智能工程师，需要具备各个方向的专业知识基础。
注：获取更多免费学习视频+资料+笔记，请加QQ：2632311208。
视频赠送
| Python+人工智能就业拓展课-课程大纲 | |||
| 所处阶段 | 主讲内容 | 技术要点 | 学习目标 |
| 就业拓展课 | Python数据采集 （爬虫） |
爬虫基础、requests模块、数据提取、Selenium、抓包反爬与反反爬方案、MongoDB数据库、Scrapy爬虫框架、Appium的使用、爬虫项目 | 可掌握的核心能力： 1. 网页数据爬取； 2. App数据爬取； 3. 反反爬解决方案； 4. MongoDB数据存储。 可解决的现实问题： 自动化爬取浏览器网站数据或App应用数据，对爬取中遇到的反爬措施应用相应的反反爬方案解决处理。 市场价值： 为企业爬取采集数据，胜任爬虫工程师职位。 |
| Python自动化 测试开发 |
测试理论基础、项目开发流程、禅道工具使用、Jira工具使用、Web自动化测试（Selenium、Appium、Unittest等使用）、JMeter接口测试、性能测试 | 可掌握的核心能力： 1. 项目开发流程与测试方法； 2. 自动化测试工具的使用； 3. 接口测试； 4. 性能测试。 可解决的现实问题： 能够针对企业中开发的项目进行自动化测试。 市场价值： 作为开发人员自动化测试技能补充，同时也可胜任自动化测试职位。 |
|
| Python自动化 运维开发 |
CentOS系统安装、Linux系统优化、常用工具使用、Linux文件管理、软件管理、权限管理、日志管理、进程管理、Apache服务器使用、防火墙管理、LVS集群、keepalived使用、Shell编程、Ansible、Nagios监控、自动化运维案例 | 可掌握的核心能力： 1. Linux系统安装使用（CentOS系统）； 2. Linux系统管理与维护； 3. Shell编程； 4. 自动化运维与监控。 可解决的现实问题： 能够搭建部署运行维护Linux环境。 市场价值： 作为开发人员的自动化运维技能补充，同时也可胜任自动化运维职位。 |
|
备注：该课程大纲仅供参考，实际课程内容可能在授课过程中发生更新或变化，具体授课内容最终以各班级课表为准。
具有一定开发经验的Python Web工程师，爬虫工程师，人工智能工程师，需要具备各个方向的专业知识基础。
注：获取更多免费学习视频+资料+笔记，请加QQ：2632311208。
在线学习
随到随学，详情可询咨询老师 点击咨询
| Python+人工智能中级进修课-课程大纲（AI方向） | ||
| 泛娱乐推荐系统项目 | ||
| 推荐系统的在当下的火爆程度毋庸置疑，个性化推荐的需求也是每一个toC产品应该实现的目标。我们的泛娱乐推荐系统使用主流的Retrive-Ranking(召回-排序)架构。该推荐系统的主要目标: 通过向用户推荐更合适的帖子, 增加用户交互行为(点赞，评论，转发，收藏等), 进而增加用户平均使用时长。同时满足的用户体验要求: 多样性，新颖性和数据合理性。在排序模块即AI部分，我们将从模型选择，超参数调优，损失函数机器优化方法等多维度深层次进行剖析，诠释为何我们能够推荐出满足用户“嗨点”的作品。 | 技术亮点： 1、丰富的召回策略帮助我们尽可能多的覆盖不同用户对产品推荐的不同需求, 进而提升用户粘度； 2、金字塔召回机制：海量数据下实时响应用户行为变化； 3、更加科学合理的构建双画像，保证原始数据的准确，为模型收敛奠定基础； 4、分布式训练减少了大型模型训练时间，加速模型调优效率, 更好的利用深度模型发掘海量数据价值； 5、使用wide-deep模型进行排序，在类似工程推荐项目中已经取得成功, eg, google play 提升3.9%。 |
|
| 章节 | 课程 | 知识点 |
| 1 | 整体系统概述与搭建 | 背景介绍、环境配置、系统搭建、业务流实现 |
| 2 | 构建双画像 | neo4j安装与使用、cypher语句学习与深入、标签体系设计、用户画像与帖子画像的实现 |
| 3 | 多召回策略 | 多召回策略的设计原理、多召回策略实现 |
| 4 | 召回金字塔 | 召回金字塔机制原理、召回金字塔实现 |
| 5 | 规则过滤器服务 | 规则过滤器的设计原理、规则过滤器实现 |
| 6 | 模型的选择与实现 | 正负样本的定义标准、正负样本的采集与评估指标、模型特征的选择准则、模型特征的定义与实现、wide-deep模型的选用 |
| 7 | 模型的结构与参数 | LR与MLP学习、wide-deep模型结构与参数分析 |
| 8 | 损失函数与优化方法 | 二分类交叉熵损失函数详解、FTRL优化方法详解、Adagrad优化方法详解 |
| 9 | 超参数调优 | 超参数调优理论发展、网格搜索与随机搜索、贝叶斯优化 |
| 10 | 使用gcp进行模型训练 | gcp的基本使用方法、构建gcp规范下的模型、使用gcp进行超参数调优、使用gcp进行优化训练方案 |
| 11 | 模型评估与部署 | 模型的评估、深度模型的部署方案、推荐系统的总体检验标准 |
| 在线医生项目 | ||
| 在线医生项目是一个基于自然语言理解方向的问答机器人。类似的应用，还有百度地图的小度、天猫精灵、淘宝小蜜，招商银行的小招等。该项目结合医学知识图谱、深度学习、对话管理、微信公众号开发等技术，旨在降低首医成本，为患者提供基本医学诊断意见服务。 技术层面包含语音识别、自然语言理解、对话管理以及自然语言生成等环节，其中又包含领域识别，用户意图识别，槽位填充，对话状态追踪，对话策略等技术细节。功能上为患者提供根据症状信息给出诊断意见任务与就近治疗任务。通过学习该课程，学生可以了解多轮多任务对话系统的技术点以及业务流程。 |
技术亮点： 1、基于大规模知识图谱技术与自然语言处理在医疗领域的应用场景； 2、基于语音识别与语音生成技术的与患者语音沟通的交互方式； 3、基于微服务架构的人工智能产品； 4、基于端到端以及结合知识库的多轮多任务对话系统网络结构。 能掌握的技术： 1、数据清洗以及知识抽取、知识图谱构建； 2、图数据库neo4j相关技术点及基本操作； 3、Pipeline方式与end-to-end流程设计方式以及不同； 4、mem2seq模型论文到代码实现方案； 5、微信公众号接口开发以及第三发api接口集成。 技术解决方案： 1、端到端任务对话系统解决； 2、知识图谱与深度学习结合解决方案； 3、深度学习模型微服务化以及负载均衡处理解决方案； 4、多领域对话系统集成方案。 |
|
| 章节 | 课程 | 知识点 |
| 1 | 项目介绍 | 生活类任务对话系统介绍、在线医生项目介绍 |
| 2 | 聊天机器人入门 | 申请公众号、搭建微信开发环境、安装werobot以及常用接口实现、Demo：你说我学与图尚往来、案例：配置自己的机器人 |
| 3 | 数据爬取 | 爬取专业医疗知识网站、数据筛选，清理不完备数据、数据提取定位以及知识抽取数据准备、医学问答数据提取、疾病、症状知识抽取 |
| 4 | 医学知识图谱 | 知识图谱介绍、知识图谱在医疗领域的应用、知识存储各大厂商介绍、Neo4j安装环境搭建、Python调用neo4j并完成数据插入与查询操作、案例：完成基于知识图谱的对话机器人 |
| 5 | 医学命名实体识别 | 命名实体识别介绍、命名实体识别在医学方面的应用、BiLSTM+CRF模型原理介绍、BiLSTM+CRF模型实现、IDCNN模型原理介绍、IDCNN模型实现、案例：疾病与症状命名实体识别 |
| 6 | 任务对话系统（Pipeline方法） | 任务对话系统介绍、自然语言理解介绍-领域识别、自然语言理解介绍-用户意图识别、语义槽介绍以及在任务对话系统中的作用、语义槽设计、命名实体识别在语义槽中的应用、语义槽实现、对话管理-对话状态追踪介绍、对话状态追踪实现、对话管理-对话策略介绍、对话策略实现、项目：基于pipeline的对话系统实现 |
| 7 | 论文学习与转化 | Mem2seq的来龙去脉以及论文解读、模型对比：包括与seq2seq以及+attention、准备训练数据、Mem2seq模型实现 |
| 8 | 任务对话系统 （end-to-end方法） |
端到端对话系统介绍、基于端到端模型Mem2seq的项目介绍、项目：基于端到端的任务对话系统部署上线 |
| 智能文本分类-NLP基础设施项目 | ||
| 中文标签化系统是NLP基础任务的综合系统，同时又是NLP应用的基础设施。根据文本信息，给出对应的预定义标签将能够有效的支持用户画像，推荐系统等。同时，对于高阶NLP任务，如对话，翻译，寓意蕴含等在语料分类上将有很大的帮助。 | 技术亮点： 1、搭建多模型训练服务，保证在训练过程中，进行资源监控和分配，得以最高效率在有限资源内进行模型训练； 2、搭建多线程并行预测服务， 为了满足性能要求，这里我们将利用多线程的方式，并对每一个获得结果做最后综合处理； 3、图谱权重更新， 随着模型的预测完成，将使用预测概率更新在该路径权重，最后根据权重计算规则，获得最后结果； 4、使用n-gram特征工程， 来捕捉词序对结果的影响； 5、使用fasttext模型，适应在语料变化大，模型数量规模大，模型上下线频繁的场景。 |
|
| 章节 | 课程 | 知识点 |
| 1 | 整体系统概述与搭建 | 背景介绍、环境配置、输入预处理、输出规范处理 |
| 2 | 构建标签词汇图谱 | 标签的制定、词汇的采集、构建图谱、实现查询与修改逻辑、基于模型的权重更新 |
| 3 | fasttext模型与特征工程 | fasttext发展简介、fasttext模型结构与参数解析、fasttext的选用原因、n-gram特征使用 |
| 4 | 损失函数与优化方法 | fasttext的损失函数解析、fasttext的优化方法解析、使用keras实现fasttext |
| 5 | 多模型训练服务 | 单模型训练流实现、多模型训练服务搭建、多模型训练API开发、算力资源分配设计原理、算力资源分配主逻辑实现、多模型训练服务实验与部署 |
| 6 | 单模型微服务部署 | 模型格式详解、h5格式如何转为pb格式、使用tensorflow-seving封装 |
| 7 | 多模型预测服务 | 模型预测主服务搭建、多线程与多进程的比较、模型并行预测的实现 |
| NLP小智聊天机器人项目 | ||
| 智能客服项目是一个自然语言处理的项目，实现的功能类似于电商等平台的智能客服。在用户遇到基础的问题的时候，可以和智能客服进行基础的对话，从而解决问题，减少了人工客服的工作量；整个客服项目包含两个部分：闲聊部分和问答部分。项目涉及了70%的自然语言处理的知识点，包括分词、词向量的训练、seq2seq模型、attention、BeamSearch等内容。 | 本项目能掌握的技术： 1、文本向量化的方法：词袋模型，one-hot编码，word embedding等； 2、 循环神经网络RNN，包括LSTM、GRU以及双向LSTM等； 3、深度学习中的梯度爆炸、梯度消失原理和解决方法、RELU和ELU、Batch Normalization； 4、文本分类和意图识别的常见方法； 5、 fastText的使用和原理、Seq2Seq、注意力机制、BeamSearch； 6、. 常见检索模型的实现方法和流程； 7、基于簇修建的相似度计算类方法； 8、基于tfidf的文本向量化方法； 9、基于BM25的文本向量化方法； 10、基于深度学习的文本向量化方法； 11、孪生神经网络的搭建； 12、深度模型中self-attenion的原理和实现、池化。 |
|
| 章节 | 课程 | 知识点 |
| 1 | 深度学习介绍 | 深度学习介绍、神经网络介绍 |
| 2 | pytroch | Pytorch的安装和入门使用、梯度下降和反向传播原理、案例：使用pytorch完成线性回归、pytorch的数据加载方法、案例：Pytorch实现手写数字识别 |
| 3 | 循环神经网络 | word embedding、案例：完成情感分类练习、循环神经网络、梯度爆炸和梯度消失原理和解决方法、pytorch中的序列化容器、案例：使用循环神经网络完成情感分类 |
| 4 | 项目准备和fasttext实现意图识别 | 需求分析和项目流程介绍、语料准备和基础api的实现、常见意图识别的方法、fasttext的使用方法、fasttext的原理、使用fasttext完成项目代码的封装 |
| 5 | Seq2seq实现闲聊机器人 | Seq2Seq模型原理、案例：使用Seq2seq完成基础的预测任务、使用seq2seq完成聊天机器人、优化：使用attention优化模型效果、优化：使用BeamSearch优化预测效果 |
| 6 | 问答机器人实现 | 问答模型的介绍和流程分析、问答模型中召回模型的实现、优化：召回模型的优化、问答模型中排序模型的实现、优化：排序模型的优化 |
| 物体检测项目 | ||
| 在线商品检测项目是一个基于图像方向的一个目标检测的项目。类似的项目应用如淘宝拍立淘等。该项目结合当前CV领域常用工具、深度学习、目标检测算法、微信小程序对接、百度机器人对接等技术，能够为用户或者消费者拍摄的照片、视频中存在的目标做出标记与类别判断。 该项目使用的技术包括图像领域中目标检测YOLO,SSD等算法做模型训练，输入模型的数据使用OpenCV进行读取处理，并进行data argumentation、多GPU模型训练及部署等。通过学习该课程能够掌握对物体检测的技术点以及业务流程。 |
技术亮点： 1、使用OpenCV作为图像与视频的读取工具； 2、基于端到端的目标检测算法YOLO、SSD系统结构； 3、使用数据增强技术进行图片的处理增加泛化能力； 4、使用Web server + TensorFlow serving Client完成前端对接； 5、使用Docker + TensorFlow serving部署模型； 6、使用Label image进行图像的标注存储； 7、进行微信公众号接口开发； 8、使用百度机器人平台对接项目检测服务。 技术解决方案： 1、端到端目标检测系统解决方案； 2、数据标注存储解决方案； 3、第三方平台图像接口接入解决方案； 4、模型服务部署以及负载均衡解决方案。 |
|
| 章节 | 课程 | 知识点 |
| 1 | 项目介绍 | 目标检测项目演示、目标检测架构、技术介绍 |
| 2 | 深度学习 | 神经网络基础与原理、神经网络算法优化、案例: tf.keras实现神经网络图片分类 |
| 3 | 卷积网络 | 卷积神经网络介绍与原理、神经网络调优与BN、经典分类网络结构、CNN实战与迁移学习、案例：VGG迁移学习进行图像识别 |
| 4 | 深度学习正则化 | 偏差、方差、L1与L2、Dropout正则化、早停止法、数据增强、神经网络调优、Batch Normal |
| 5 | CV目标检测算法 | 物体检测算法-RCNN、SPPNet、物体检测算法-Fast-RCNN、Faster-RCNN、物体检测算法-YOLO、物体检测算法-SSD、案例：SSD算法进行图片预测 |
| 6 | 项目构建 | 数据集的制作与处理、商品检测模型训练、多GPU训练、NMS处理、Matplotib标记、商品检测模型导出 |
| 7 | 项目部署对接 | OpenCV Python、案例：视频流数据物体检测、Docker开启Tensorflow serving服务、TensorFlow serving client实现、Docker开启Web服务、百度机器人平台接口对接 |
| 8 | 百度服务平台拓展 | 服务访问方式、人脸识别、物体识别、文字识别、语音识别与合成、语言处理基础技术 |
| Python+人工智能中级进修课-课程大纲（Web方向） | ||
| 学成在线项目 | ||
| 学成在线项目是提供IT职业在线课程的学习平台，为即将和已经加入IT领域的技术人才提供在线学习服务。用户通过录播学习掌握IT技能。项目包括门户、学习中心、评论系统、教学管理中心、系统管理中心等平台构成，为学生提供学习服务。 | 技术方案： 1、CMS内容发布解决方案； 2、分布式图片服务器解决方案； 3、资文件管理解决方案； 4、全文检索服务解决方案； 5、分布式事务解决方案。 技术亮点： 1、RabbitMQ消息队列； 2、Logstash+ElasticSearch 全文检索； 3、Oauth2+JWT； 4、FastDFS+GridFS分布式文件系统； 5、Nuxt.js服务端渲染； 6、APScheduler+FFmpeg+Nginx+Video.js+ HLS视频处理及点播技术方案； 7、大文件断点续传技术 WebUploader； 8、APScheduler+MQ完成分布式事务控制解决方案。 |
|
| 章节 | 课程 | 知识点 |
| 1 | 搭建开发环境 | DRF开发环境搭建 |
| 2 | CMS系统开发 | CMS前端开发；CMS页面管理开发；CMS页面静态化；RabbitMQ研究；MonoDB数据库操作；GridFS使用；页面预览；页面发布 |
| 3 | 课程管理 | 我的课程；课程管理实战；课程文件管理；分布式文件系统FastFDS；课程详情页静态化；课程预览；课程发布 |
| 4 | 课程搜索 | ElasticSearch研究；Logstash；课程搜索服务；搜索前端 Nuxt.js |
| 5 | 媒资管理 | 媒体文件上传断点续传;调用第三方程序; 视频处理进程;我的媒资;媒资与课程计划关联；课程发布存储媒资信息; |
| 6 | 在线学习HLS | 在线点播解决方案;播放器;学习页面查询课程计划;学习页面获取视频播放地址; |
| 7 | 用户授权认证 | JWT认证；用户登录与注册；用户授权 |
| 8 | 分布式事务 | 分布式事务解决方案; Apscheduler定时任务;订单服务定时发送消息;自动添加选课开发 |
| 9 | 项目部署 | Git/Gitlab代码管理,Gunicorn，Supervisor |
| 黑马付费文学项目 | ||
| 黑马文学是兴发登录132 开发的专注于电子书阅读的客户端，本着帮助用户“多看书、多交朋友”的宗旨，多看以不断满足用户需求、为世界各地的用户提供更好的中文阅读产品为己任，立志给广大消费者提供更好的阅读体验。 | 技术亮点： 1. 前端使用微信小程序技术； 2. 采用Flask-RESTful作为后端开发框架； 3. 采用JWT完成用户认证； 4. 采用七牛对象存储服务； 5. 融入CORS跨域技术； 6. 采用RESTful接口设计； 7. 采用数据库主从同步机制，实现读写分离； 8. 采用Redis Cluster集群； 9. 采用Nginx反向代理实现负载均衡。 |
|
| 章节 | 课程 | 知识点 |
| 1 | 搭建环境 | Flask虚拟环境,扩展安装 |
| 2 | 登录注册 | captcha短信验证, 云通讯,跨域解决方案,JWT用户认证系统,邮件系统 |
| 3 | 小说中心 | redis缓存系统方案, CDN网络加速处理,负载均衡优化控制 |
| 4 | 通用功能 | 夜间模式控制,护眼默认,小说详情分页处理 |
| 5 | 书架开发 | 书架收藏最后阅读,书架列表,书架移出,书籍分类处理 |
| 6 | 书籍搜索 | 热词搜索, 精准匹配, 模糊匹配, 热销书籍推荐 |
| 7 | 历史足迹 | 添加用户足迹, 足迹最大缓存设置, 清除足迹 |
| 8 | 书籍中心 | 偏好设置, 偏好书籍推荐, 阅读模式设置 |
| 律师在线项目 | ||
| 随着时代的发展，人们的法律意识的提高，非法律专业人士对法律问题的需求，该平台能够提供法律咨询问题信息，专业法律从业者的回答和建议，为非法律专业人士提供专业的法律知识了解渠道，解决自己在生活中，工作中，甚至事业上等遇到的涉及法律方面的问题。让人们更知法，更懂法，从而减少社会上因法律知识淡薄而产生的触犯法律的事迹，同时也增强人们的法律意识。 | 技术方案： 1、即时通讯解决方案； 2、文件存储解决方案； 3、缓存解决方案。 技术亮点： 1、采用主流的前端混合开发技术uni-app的开发。实现从移动webH5页面到微信小程序的开发； 2、采用Flask作为后端开发框架； 3、采用云通讯发送短信； 4、采用Redis做缓存； 5、采用七牛对象存储服务作为图片存储； 6、登录功能实现限制多点登录； 7、GeventWebSocket即时通讯。 |
|
| 章节 | 课程 | 知识点 |
| 1 | 普通用户问题模块 | 问题列表、问题详情页、搜索问题、提问问题页面 |
| 2 | 律师用户问题模块 | 问题列表、问题详情页、搜索问题、回答问题页面 |
| 3 | 普通用户找律师模块 | 律师列表，律师信息展示页面，关注律师，对关注的律师进行在线咨询 |
| 4 | 在线咨询(即时聊天)模块 | 普通用户只能对关注的律师进行在线咨询；律师用户无法主动咨询未关注自己的用户；普通用户进行在线咨询的时候，如果律师用户在线，即可直接接收到消息，并可回复消息；普通用户进行在线咨询的时候，如果律师用户不在线，则等到律师用户登录之后，才可收到普通用户咨询的消息 |
| 5 | 普通用户个人中心 | 登录、注册、登录区分用户类型，我的提问，我的关注的律师，修改资料等 |
| 6 | 律师用户个人中心 | 登录、注册、登录区分用户类型，我的解答，我的回复，修改资料；游客用户只能查看到法律问题列表和律师列表，法律问题提问和在线咨询律师需要登录后才能操作 |
| 7 | 后台模块 | 律师注册审核、普通用户活跃情况、律师用户活跃情况、对用户提问进行审核、对未认证律师回答进行审核 |
| 8 | 审核机制 | 根据定位, 获取所在的资源审核系统, 对律师资质进行校验, 校验执照唯一性和真实性 |
| PythonWeb领域中级程序员课程 | ||
| 模块 | 课程 | 知识点 |
| RPC原理与实践 | RPC原理 | RPC介绍、RPC结构与调用流程；消息协议设计、消息协议实现、struct模块使用、消息数据转换；RPC传输控制、RPC传输实现；手动实现RPC通讯、多线程RPC服务构建 |
| 分布式RPC | 分布式系统需要解决的问题；zookeeper介绍、zookeeper安装、kazoo使用；利用zookeeper构建分布式RPC | |
| Thrift | 认识Thrift、Thrift实现技术架构；Thrift安装；Thrift接口定义语言语法；使用Thrfit完成RPC调用 | |
| gRPC | HTTP/2协议；gRPC接口类型；Protobuf语法；一元RPC调用实现、服务器流式RPC调用实现、客户端流式RPC调用实现、双向流式RPC调用实现 | |
| OpenStack云计算 | 云计算基础 | 什么是云计算、云计算历史、云计算实现方式、云计算分类、选用标准；云计算实现方式、云计算分类、选用标准；云计算基本架构；虚拟化与云计算 |
| OpenStack | Openstack简介、架构设计、组件介绍；实验环境搭建、支撑性服务、认证组件、镜像组件、计算组件、网络组件；VM创建、可视化界面、块存储部署、深入理解VM；定制映像、定制网络、防火墙、节点维护 | |
| 代码配置管理 之流程与方案 |
项目管理基础 | 项目生命周期、项目演变、版本控制、分支管理、开发模型 |
| Git进阶 | Git历史、Git生态、Git安装、Git数据结构、区域管理、文件状态；基础操作、文件区别、文件级撤销、对象级撤销、忽略文件、Git远程仓库、标签管理 | |
| Docker虚拟化开发 | Docker运行环境和组件 | Docker镜像、容器、网络管理、数据卷、仓库等工作原理与使用、Dockerfile、Docker-Compose工作原理与使用 |
| web爬虫进阶开发 | web爬虫高级 | 数据抓包、基于Docker的爬虫开发环境搭建；爬虫去重原理、simhash、信息摘要算法、布隆过滤器；基于redis的持久化请求队列、消息队列技术、断点续爬、增量采集；正则、jsonpath、xpath等数据提取、pyexecjs、js2py；基于mongodb、postgresql、mysql的数据存储；IO设计模式、协程原理、Asyncio、Tornado、Gevent等异步IO库；爬虫架构实现、爬虫反爬分析与应对 |
备注：该课程大纲仅供参考，实际课程内容可能在授课过程中发生更新或变化，具体授课内容最终以各班级课表为准。
项目简介：
一款新闻类型的Web项目，主要为用户提供最新的金融资讯、数据，以抓取其他网站数据和用户发布作为新闻的主要来源。
项目特色：
1、使用Flask Web框架 实现
2、前后端不分离的形式实现具体业务逻辑
3、常见的Web开发流程以及第三方平台工具的集成和使用
项目简介：
大型B2C电子商务平台，包含用户中心、商品展示、购物车、订单、支付、评论、搜索等功能。
项目特色：
1、采用前后端分离的技术
2、使用最热门的Django REST framework +VUE技术实现
3、采用数据库读写分离技术
4、使用FastDFS实现商品图片数据的存储
5、可掌握支付相关业务的实现
6、可掌握搜索相关技术的使用
项目简介：
大型门户网站和大型婚恋网站积累了海量信息，提取有用的价值，应用于数据挖掘、海量数据分析、市场分析（包括热点资讯、关键词点击、舆情分析、全国婚恋市场、个人信息分析等情况），掌握爬虫技术显得尤为重要。
项目特色：
1、Python 多线程爬虫及其机制
2、使用Python urllib、urllib2、requests等网络模块
3、使用Python lxml、BeautifulSoup、re、json模块进行数据提取
4、XPath语法规则和各CSS Selector的使用
5、Tesseract机器图像识别系统，并处理简单的文字验证码
6、使用Selenium+PhantomJS(headless)实施动态HTML抓取
7、掌握Scrapy框架，以及编写各类中间件
8、掌握scrapy-redis分布式框架，了解各组件工作机制
项目简介：
AI Quant是一个自动量化交易系统，主要用户策略分析以及回测。通过高质量的预处理金融数据，分析数据中的因子，使用机器学习算法实现自动化策略产生，并且使用策略相关指标达到回测的能力，最后能够进行模拟交易。该平台能够实现自动进行策略分析完成交易。
项目特色：
1、历史数据、实时数据
2、股票、期货数据指标
3、多因子模型
4、量化交易策略
5、回测框架
6、交易框架
项目简介：
黑马头条项目是一款汇集科技资讯、技术文章和问答交流的用户移动终端产品。黑马头条提供用户移动App端、自媒体PC Web端和系统MIS PC Web端三大应用，让用户轻松获取最新资讯，发布资讯文章。对接推荐系统，收集埋点数据、获取推荐结果；对接AI系统，提供聊天机器人通讯平台。
项目特色：
1、使用Flask-RESTful实现REST API
2、灵活使用SQLAlchemy的数据库ORM解决方案
3、采用企业的Gitflow工作流开发
4、采用企业级的缓存方案
5、使用gRPC与推荐系统和AI系统对接
6、采用Elasticsearch搜索引擎
7、使用socket.io实现即时通讯
8、使用APScheduler实现定时任务
9、使用RabbitMQ消息队列
10、引入极验行为验证
项目简介：
黑马头条推荐系统建立在海量用户与海量文章之上，使用Lambda架构整合实时计算和离线计算，借助分布式环境提升计算能力；使用Flume收集用户的点击、浏览、收藏等行为，建立用户画像和文章画像，并存储于HDFS集群；通过离线Spark SQL计算建立HIVE特征中心，存储到HBase集群；通过ALS、LR、Wide&Deep等机器学习与深度学习、推荐算法进行智能推荐，达到千人千面的用户推荐效果。
项目特色：
1、ABTest实验平台
2、用户反馈收集
3、实时计算平台
4、离线计算分析平台
5、召回算法模型
6、排序算法模型
7、用户画像建模
8、文章画像建模
9、基于Lambda大数据架构进行数据处理
项目简介：
小智聊天机器人，使用了自然语言处理的技术，实现人机对话。实现的是一个类似智能客服的系统，实现了闲聊功能和问答功能，在App上提供了入口，能够和机器人闲聊和编程相关的问题。
项目特色：
1、接受用户的输入
2、对输入内容进行预处理和特征提取
3、使用分类方法判断用户输入的内容
4、如果意图为闲聊，调用闲聊的模型返回结果
5、如果意图为提问，调用问答模型返回结果
每日测评
每晚对学员当天知识的吸收程度、老师授课内容难易程度进行评分，老师会根据学员反馈进行分析，对学员吸收情况调整授课内容、课程节奏，最终让每位学员都可以跟上班级学习的整体节奏。
技术辅导
为每个就业班都安排了一名优秀的技术指导老师，不管是白天还是晚自习时间，随时解答学员问题，进一步巩固和加强课上知识。
学习系统
为了能辅助学员掌握所学知识，黑马程序员自主研发了6大学习系统，包括教学反馈系统、学习难易和吸收分析系统、学习测试系统、在线作业系统、学习任务手册、学员综合能力评定分析等。
末位辅导
末位辅导队列的学员，将会得到重点关心。技术辅导老师会在学员休息时间，针对学员的疑惑进行知识点梳理、答疑、辅导。以确保知识点掌握上没有一个学员掉队，真正落实不抛弃，不放弃任何一个学员。
生活关怀
从学员学习中的心态调整，到生活中的困难协助，从课上班级氛围塑造到课下多彩的班级活动，班主任360度暖心鼓励相伴。
就业辅导
小到五险一金的解释、面试礼仪的培训；大到500强企业面试实训及如何针对性地制定复习计划，帮助学员拿到高薪Offer。
全国咨询/投诉热线：400-618-4000
