Python开发特训班课程,以实战项目出发, 将部署运维和测试开发内容整合的项目中,真正让学员参与到实际开发中的各个流程环节,掌握完整Web开发中的各项技能,实现全方位、全流程、一站式开发,最终打造成为一个能测试会运维懂架构的Python开发工程师。
现有Python行业内的解决方案参差不齐,通用性不强,无法满足所有网站需求。研发团队整合各种方案,形成一套完善的解决方案,在实际公司开发中能够快速方便的解决实际问题。
Python Web课程全新Django框架美多商城项目、Flask框架黑马头条Web项目,美多商城支持前后台分离技术,融合多项主流技术要点,增加就业热点课程:ELK、高并发部署、Jenkins。黑马头条Web项目,以技术方案驱动讲解,提供8大技术方案。
研发团队结合市场上各大类型网站,融合市场先进技术,不断研发新类型的项目,经过4年的项目积累,产出项目数量已有10余个,涵盖小说、电商、在线教育,医疗健康、生活服务、新闻资讯等多种类型的网站,提升丰富项目开发经验,满足公司中的不同业务场景的开发需求。
0基础0经验的小白人员;想通过低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开发特训班基础班课程大纲 | |||
所处阶段 | 主讲内容 | 技术要点 | 学习目标 |
第1阶段: python基础编程 |
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: 掌握Python基础语法, 具备基础的编程能力。 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。 |
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、os模块文件与目录相关操作、文件应用案例 |
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开发特训班就业班课程大纲 | |||
所处阶段 | 主讲内容 | 技术要点 | 学习目标 |
第2阶段: Python高级 |
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 | 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,。 |
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 | ||
Linux系统使用 | CentOS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、vi编辑器使用、CentOS软件安装和软件卸载 | ||
多任务编程 | 多任务介绍、进程的使用、线程的使用、线程同步与互斥锁、死锁介绍 | ||
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 | ||
HTTP协议,静态Web服务器 | HTTP协议介绍、HTTP通讯过程、curl命令使用、urllib与requests模块使用 | ||
MySQL数据库 | SQL编程,使用「员工管理系统案例」,强化SQL,强调SQL与Python的同等重要性 | ||
高级语法、正则表达式 | 闭包、装饰器、迭代器、深浅拷贝、回收机制 | ||
HTML+CSS+JS+Jquery | HTML概述及基本结构、HTML标签介绍、CSS载入方式、CSS属性入门、JavaScript语法介绍、jQuery介绍、JSON、AJAX | ||
Mini-Web服务器 | Web框架和Web服务器的关系介绍、模板替换、黑马阅读案例、路由列表、ajax请求数据渲染个人中心页面、logging日志的使用 | ||
第3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、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 | ||
项目: 美多商城-MIS系统 |
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4阶段: 项目部署和管理 |
Docker | 容器管理、镜像管理、网络管理、数据管理、仓库管理、dockerfile | 可掌握的核心能力: 1、掌握Shell基本语法; 2、掌握复杂Shell脚本开发 3、具备配置自动化及日志分析能力。 4、能够熟练使用Docker容器。 可解决的现实问题: 1、具备一定的编程思维; 2、能够熟练编写复杂Shell脚本; 3、能使用ELK实现企业级日志分析; 4、能够实现企业项目的部署。 市场价值: 熟练掌握和学习后,可满足Linux运维开发行业的中级需求。 |
nginx | 配置段配置、反向代理、负载均衡、日志处理、URL重写 | ||
shell | shell变量、表达式、流程控制、美多商城项目发布脚本 | ||
美多商城部署 | 美多商城项目部署 | ||
美多商城项目管理 | jenkins认证配置、任务构建、持续集成 | ||
美多商城日志管理 | ElasticSearch、Logstash、Filebeat、Kibana | ||
第5阶段: 项目测试和监控 |
美多商城自动化测试 | selenium、UnitTest框架、Xpath和CSS元素定位法、PO模式 | 可掌握的核心能力: 1、掌握selenium基本使用; 2、掌握UnitTest框架; 3、能够熟练使用request模块; 4、具备接口测试和接口测试框架开发能力; 5、掌握locust的使用。 可解决的现实问题: 1、web项目自动化测试。 可拥有的市场价值: 熟练掌握和学习后,可满足测试开发行业的中级需求。 |
美多商城接口测试 | 接口规范、Request库、接口测试框架开发、Mock测试 | ||
美多商城性能监控 | locust、断言、web性能测试、服务器性能监控 | ||
第6阶段: 数据采集 |
数据采集基础 | Http与Https的区别、常⻅请求头与相应头、响应状态码、浏览器运⾏过程 | 可掌握的核⼼能⼒: 1. ⽹⻚数据爬取; 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。 |
数据提取 | request模块的使⽤、xml与html、jsonpath、xpath、lxml、selenium | ||
反爬处理 | 反爬原理、验证码识别、js解析 | ||
数据存储 | mongodb的使⽤、mongodb插⼊数据、mongodb查询数据、聚合管道、pymongo使⽤ | ||
scrapy框架 | 项⽬开发流程、请求对象使⽤、模拟登录、管道使⽤、中间件使⽤ | ||
第7阶段: Web-Flask框架与项目 |
Flask框架 | Flask框架、路由定义及视图函数、蓝图、SQLAlchemy | 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。 |
黑马头条项目 | 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、、supervisor进程管理 | ||
第8阶段: 数据分析 |
Python数据科学库 | Pandas,Numpy, matplotlib,seaborn | 可掌握的核心能力: 1、 熟练掌握Pandas、HQL、Spark; 2、 熟悉常用数据挖掘算法与模型,熟悉逻辑回归、决策树、随机森林、GBDT、XGBoost、聚类等建模方法; 3、 熟练使用时间序列、聚类分析、逻辑回归、因果分析、关联分析等统计方法。 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: 具备互联网数据分析能力。 |
机器学习 | 线性回归、逻辑回归、决策树、随机森林、SVM、GBDT | ||
金融风控 | 风控数据挖掘方法,机器学习评分卡、迁移学习 | ||
数据仓库 | Hadoop、Hive、数仓建模理论、电商数仓搭建 | ||
SQL强化 | SQL多表查询、常用HQL函数、常用指标计算 | ||
推荐算法 | 推荐系统架构,常用召回、排序、重排序算法,冷启动问题处理 |
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开发特训班中级进修课--课程大纲 | ||
Web开发方向 | ||
课程内容 | 知识模块 | 知识点 |
web专题 | RPC原理与实践 | RPC原理、分布式RPC、Thrift、gRPC |
代码配置管理之工具&实践 | git基础、git代码管理 | |
RabbitMQ实战教程 | RabbitMQ简介、RabbitMQ使用 | |
爬虫开发方向 | ||
课程内容 | 知识模块 | 知识点 |
爬虫热点项目库 | 代理池 | 代理池介绍、代理池实现、数据库模块实现、爬虫模块实现、代理池检测模块实现 |
斗鱼弹幕 | asyncore介绍及使用、斗鱼弹幕分析、斗鱼弹幕基本实现、数据序列化、斗鱼登录及数据爬取 | |
京东爬虫 | 京东需求分析、商品数据获取、商品数据保存、下载中间件 | |
失信人被执行人名单 | 需求分析、百度失信人员信息、企业信用公告信息 | |
Selenium深入使用 | 截取图片验证码、获取滑块偏移、计算偏移步伐&拖动滑块 | |
爬虫高薪课 | 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 |
运维开发方向 | ||
课程内容 | 知识模块 | 知识点 |
Ansible系统管理 | Ansibl系统管理 | Ansibl项目管理基础、Ansible软件环境搭建 |
Ansible基本使用 | Ansible日常模块使用、Ansible系统模块使用、Ansible命令操作 | |
Ansible进阶 | Playbook使用、Ansible变量使用、Ansible模板使用、Role使用 | |
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 | |
图像识别与自然语言处理方向 | ||
课程内容 | 知识模块 | 知识点 |
图像与视觉处理基础专业课 | 图像与视觉处理介绍 | 计算机视觉定义、计算机视觉发展历史;计算机视觉技术和应用场景、计算机视觉知识树和几大任务 |
目标分类和经典CV网络 | CNN:感受野、卷积、零填充、过滤器大小、多通道卷积、全连接层、卷积网络结构:LeNet5、AlexNet、VGG、Inception、GoogleNet、残差网络、深度学习正则化与算法优化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam、TF分布式训练:TF Strategy;迁移学习:TensorFlow HUB、模型压缩:模型剪枝、参数压缩、二进制网络、目标分类实战案例:ImageNet分类;Apache Flink极客挑战赛——垃圾图片分类 | |
目标检测和经典CV网络 | 目标检测任务与数据集介绍:检测任务目的、常见数据集、应用场景、RCNN:交并比、map、非极大抑制NMS、正负样本;SPPNet:SPP层映射、FastRCNN:ROI Pooling;FasterRCNN:RPN、代价函数、训练流程与结果分析、FPN与FasterRCNN结合、YOLOv1、YOLOv2、YOLOv3:结构与工作流程、代价函数、anchor、维度聚类、细粒度与多尺度特征、先验框与代价函数、SSD:Detector & classifier、SSD代价函数、特征金字塔、目标检测实战案例:COCO数据集上目标检测 | |
目标分割和经典CV网络 | 目标分割任务类型、数据集、全卷积FCN网络:网络结构、跳级连接、语义分割评价标准、结果分析、U-Net:拼接特征向量;Dilated Convolutions:聚合多尺度的信息、context module、PSPNet:金字塔池化模块;Deeplab:串行部署 ASPP、Mask-RCNN:结构介绍、ROI Align与Pooling对比、代价函数介绍、端到端联合训练、目标分割实战案例 | |
OpenCV库与图像处理基础 | 基本的OpenCV代码、IplImage数据结构、读写图像、基本的灰度变换函数 :灰度直方图、灰度的线性变换、灰度对数变换、伽玛变换、灰度阈值变换、分段线性变换、直方图处理:图像矩特征点度量特征、全局直方图、局部区域直方图、散点图和3D直方图、OpenCV实践、几何变换:翻转、剪裁、遮挡、图像算数、图像金字塔、OpenCV几何变换操作、形态学:形态学定义、连通性、二值操作、平滑、梯度、纹理分割及OpenCV实践 | |
OpenCV库与图像处理进阶 | 边缘检测技术:边缘检测的目的和模型、噪声、导数算子、Marr-Hildreth边缘检测器、基于模板的边缘检测、Canny Edge边缘检测器、Shen-Castan(ISEF)边缘检测器、彩色边缘、OpenCV边缘检测操作;特征检测和描述:哈里斯角点检测、Shi-Tomasi角落探测器、SIFT、SURF、FAST、ORB、霍夫变换;视频操作:读取摄像头、读取视频、视频写入;空间滤波:平滑空间滤波器、锐化空间滤波器、拉普拉斯算子、空间滤波综合及OpenCV实践;OpenCV综合实战案例 | |
推荐系统基础专业课 | 推荐系统介绍 | 推荐系统概念、推荐系统架构、评估和常见问题 |
推荐系统算法 | 协同过滤推荐算法、基于内容推荐算法 | |
Hadoop | Hadoop简介、HDFS、MapReduce和YARN | |
Hive | Hive简介、Hive数据模型及常用操作、Hive综合案例 | |
HBase | HBase的原理和常用Shell命令、HappyBase操作HBase | |
SparkCore | Spark简介和RDD的常用算子介绍、SparkCore案例 | |
SparkSQL | SparkSQL概念和DataFrame简介、Spark SQL案例 | |
SparkStreaming | SparkStreaming概念及常用API介绍、Spark Streaming处理有状态操作 | |
Python开发特训班中级进修项目课--课程大纲 | ||
Web方向 | ||
兴发云课堂项目 | ||
兴发云课堂项目是提供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 |
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 |
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 |
天天生鲜项目 | ||
天天生鲜围绕着老百姓餐桌的生鲜B2C电商平台。以品质生活为目标,服务每一个家庭,覆盖了水果蔬菜、海鲜肉禽、牛奶零食等全品类。为每一位用户带来放心的食材、实惠的价格和品质的服务。 | 技术解决方案: 分布式存储; whosh搜索; 页面静态化; 第三方短信; 定时任务; redis缓存; celery异步任务; 负载均衡; 消息队列; 第三方支付。 技术亮点: 1、采用前后端分离的技术; 2、使用最热门的Django REST framework技术实现; 3、使用docker+nginx进行部署; 4、采用七牛对象存储服务作为图片存储; 5、可掌握搜索相关技术的使用。 |
|
章节 | 课程 | 知识点 |
1 | 项目介绍及项目设计 | 电商项目介绍、功能模块划分、项目搭建 |
2 | 用户模块开发(1) | 模型类设计、注册、发送邮件、celery异步任务发送邮件、 登录 |
3 | 用户模块开发(2) | 个人信息展示、收货地址管理、用户登录验证、登录状态、退出功能 |
4 | 商品功能开发(1) | 商品功能模型类设计、富文本编辑器、admin配置使用、首页、列表页 |
5 | 商品功能开发(2) | 详情页、全文检索、最近浏览 |
6 | 购物车功能 | 模型类设计、加入购物车、购车车列表、购物车显示数量 |
7 | 订单 | 模型类设计、订单结算、订单提交、全部订单 |
8 | 部署 | 部署环境搭建、uwsgi配置使用、Nginx后端配置、Nginx前端配置 |
新经资讯项目 | ||
新经资讯网是一个新闻资讯类门户网站,为用户 提供优质的新闻资讯内容。项目使用前后端不分离方 式实现,后端采用Python Web开发框架Flask,前端使 用jQuery + AJAX技术。系统前台主要由首页、新闻详情 页、新闻评论、用户个人页等功能组成。 | 技术解决方案: 第三方短信; 定时任务; redis缓存; 负载均衡; 消息队列; 对象存储。 技术亮点: 1.前端采用jQuery + AJAX 实现页面局部刷新; 2.采用Flask作为后端开发框架; 3.采用Jinja2模板实现服务器端渲染; 4.采用云通讯发送短信; 5.采用Redis做缓存; 6.采用七牛对象存储服务作为图片存储。 |
|
章节 | 课程 | 知识点 |
1 | 项目开发准备 | 项目分析、项目框架搭建、日志使用、数据库表创建、静态文件导入、注册根路由 |
2 | 登录注册 | 图片验证码、第三方短信验证码使用、注册功能、登录功能、退出功能 |
3 | 新闻首页及详情 | 首页排行、新闻分类展示、新闻列表数据、详情用户数据展示、详情新闻数据展示、新闻收藏功能、新闻评论 |
4 | 个人中心 | 基本资料设置、用户头像上传、密码修改、用户新闻收藏、用户新闻发布、用户新闻列表、404页面、关注与取消关注、我的关注 |
5 | 后台登录及后台首页 | 管理员登录、管理员后台首页 |
6 | 用户和权限管理 | 后台访问权限控制、用户统计、用户列表 |
7 | 新闻管理 | 新闻审核、新闻版式编辑、新闻分类管理 |
8 | 项目部署 | 阿里云服务器使用、环境搭建 |
爱家租房项目 | ||
爱家租房项目是一个生活类的移动O2O项目,提供一个方便房屋短租供需双方交易的平台。通过本项目,学生 可以掌握完整的企业项目开发流程。同时,项目中采用Web前端与后端完全分离的技术,可以让学生掌握后端对接 不同前端产品的开发方法。在项目开发中,学生分别从后端开发工程师和前端开发工程师两个角度开发产品,可以 加深学生对Web应用的理解,巩固前面所学的前端知识。 | 技术解决方案: 缓存方案; 对象存储解决方案; 短信解决方案; 支付方案; 异步任务方案; 客户端渲染方案。 技术亮点: 1.采用前后端分离模式,前端使用art-template模板引擎; 2.采用jQuery + AJAX 实现页面局部刷新; 3.采用Flask作为后端开发框架; 4.采用Jinja2模板实现服务器端渲染; 5.采用云通讯发送短信; 6.采用Redis做缓存; 7.采用七牛对象存储服务作为图片存储; 8.采用Celery异步任务方案; 9.采用支付宝支付。 |
|
章节 | 课程 | 知识点 |
1 | 项目介绍及项目搭建 | 项目介绍 需求分析 项目搭建 |
2 | 登录注册 | 图片验证码 短信验证码 注册 登录 退出 |
3 | 用户中心 | 个人中心 个人头像上传 用户名修改 用户实名认证 |
4 | 房屋模块 | 城区列表 发布房源 上传房源图片 我的房屋列表 首页房屋推荐 房屋数据搜索 房屋详情页面 |
5 | 订单模块 | 添加订单 获取订单列表 接单和拒单 评价订单 |
6 | 项目部署 | Uwsgi nginx |
人工智能方向 | ||
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 |
12 | 基于图像和视频分析的人脸推荐解决方案 | opencv 视频处理:视频解码,图像基本处理;mtcnn人脸检测算法:p-net、r-net、o-net级联,分类+框回归+关键点回归;inception resnet v2提取人脸特征:人脸区域提取出128/512个特征值;mlp 人脸特征分类:神经网络基于人脸特征做分类;人脸特征提取用到的loss函数原理;model 服务器端部署:基于tensorflow serving |
13 | 基于图像和视频分析的场景推荐解决方案 | opencv 视频处理:视频解码,图像基本处理;nasnet/inception resnet v2 场景分类:cnn提取图片特征进行分类;model 服务器端部署:基于tensorflow serving |
14 | 基于图像和视频分析的表情推荐解决方案 | opencv 视频处理:视频解码,图像基本处理;mtcnn人脸检测算法:p-net、r-net、o-net级联,分类+框回归+关键点回归;人脸矫正:基于人脸关键点对齐;cnn提取人脸特征进行分类;model 服务器端部署:基于tensorflow serving |
15 | 基于图像和视频分析的姿态推荐解决方案 | opencv 视频处理:视频解码,图像基本处理;mask r-cnn 检测人体关键点:先检测人体,然后检测人体骨骼关键点;mlp关键点分类:神经网络基于人体关键点做分类;model 服务器端部署:基于tensorflow serving |
黑马头条推荐系统 | ||
黑马头条推荐建立在海量用户与海量文章之上,主要在Feed流推荐、相关推荐、猜你喜欢应用场景。黑马他头条推荐使用Lambda大数据架构做为实时和离线计算整体架构,提供了大量数据的计算支持。并且通过使用分布式环境达到计算能力的提升。黑马头条使用Flume收集用户在APP上的点击行为、浏览行为、收藏行为等。建立用户与文章之间的交互关系,建立起用户画像和文章画像,并存储在HDFS集群中。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、FM等机器学习与深度学习推荐算法进行智能推荐。提高了优秀文章的点击率,增加热门文章和新文章的推荐占比,达到千人千面的用户推荐效果。 | 技术亮点: 1、完整采用一套lambda大数据计算框架; 2、采用Flume进行日志采集工作; 3、采用Sqoop进行Mysql业务数据迁移; 4、使用hadoop分布式文件系统; 5、采用HIVE作为离线数据仓储; 6、采用Spark SQL作为离线分析工具; 7、采取Spark Streaming实现流式计算; 8、采用TFIDF与TextRank完成文章关键词计算; 9、采用spark LDA完成文章主题词计算; 10、采用spark Word2Vec模型计算文章向量; 11、文章相似度计算使用BucketRandomProjectionLSH计算; 12、用户画像引入时间衰减因子计算关键词权重结果; 13、采用Spark建立特征服务中心平台,完成特征提供任务; 14、推荐部分采取召回、排序两种策略任务; 15、召回部分采取多路召回合并,包括ALS召回、模型召回、新文章召回、热门召回; 16、排序部分引入模型融合,使用LR排序、GBDT特征处理、FM模型推荐、Wide&Deep模型; 17、采用Hbase集群完成用户画像、特征结果、推荐结果存储; 18、采用实时画像与实施召回等解决用户冷启动问题; 19、采用GRPC作为用户推荐接口; 20、引入ABTest实验中心,完成埋点参数设置,实时推荐效果反馈和分析,以及模型替换方案; 21、使用Redis作为推荐结果的缓存。 |
|
章节 | 课程 | 知识点 |
1 | 离线计算 | 文章画像构建、用户画像构建、用户召回集合、离线spark排序模型、特征中心平台 |
2 | 在线计算 | 实时日志分析、实时召回集、热门与新文章 |
3 | 实时推荐 | ABTest实验中心、推荐中心服务 |
4 | 深度排序模型 | TensorFlow基础、TensorFlow进阶、深度学习与排序模型、CTR模型部署与测试 |
智慧交通 | ||
本项目利用深度学习技术,跟踪路面实时车辆通行状况,并逐帧记录不同行车道车流量数目。车辆自动计数系统由计数系统、图像抓拍系统、实时监控录像系统组成,可在视频看出每个车辆的连续帧路径。该项目可拓展性强,可根据企业业务,外接计费结算系统、LED显示系统、语音播报系统、供电防雷系统等。 | 技术亮点: 1、利用卡尔曼滤波最优滤波方程对建立的交通流系统状态方程、观测方程; 2、采用背景差分法对在检测区的车辆进行检测和跟踪; 3、利用DGPS/DR组合车辆定位中各子系统的模型对车辆定位提高精度; 4,利用Haar Adaboost 自定义目标检测对过往的车辆进行检测、计数和分类。 |
|
章节 | 课程 | 知识点 |
1 | 项目概述 | 系统架构设计、项目关键技术说明;项目业务需求分析、项目业务流程设计 |
2 | 环境部署 | 系统介绍项目开发环境概述、Tensorflow框架、项目工程文件创建;项目开发环境配置、项目性能优化设置;视频数据源的Python读入及逐帧识别;交通流量解决方案分析及数据源处理 |
3 | 道路车辆跟踪及流量统计项目流程方案 | 业务理解,任务拆解;目标检测模型实现;图像理解框架及马尔方法;图像视频理解:运动目标检测与跟踪主流工程实践方法;视频背景建模与前景选取实践 |
4 | 车辆跟踪核心技术 | 背景建模实现:基于视频的运动目标分割;前景探测:运动目标车辆的检测与跟踪;基于光流的目标跟踪实践;基于均值偏移的目标跟踪实践;基于粒子滤波的目标跟踪实践;卡尔曼滤波实践 |
5 | 流量统计核心技术 | 首先采用背景差分法和卡尔曼滤波算法对在检测区的车辆进行检测和跟踪;使用经过检测、处理的被测车辆图像触发距其最近的相机进行图形分割;通过LDA分类器对分段车辆的几何形状及外观特征进行正确地分类;实现滤波,参照DELOS算法实现对城市快速路的事故检测 |
6 | 模型训练及项目主流程 | 车辆区域特征样本标注;车辆检测模型训练及测试;深度学习CNN建模,建立车辆分类器;系统逐帧采集视频图像并检测车辆;为检测到每个车辆目标初始化卡尔曼滤波器,通过卡尔曼滤波器逐帧匹配目标进行位置预测;对比检测位置与预测位置,逐帧链接前景图像,获取车辆的跟踪路径 |
7 | 项目总结 | HEVC压缩域等的车流量检测应用优劣比较总结、帧间差分法、图像阈值分割和数学形态学的运动目标检测方法总结、结合智能优化算法对其改进的遗传算法—克隆选择遗传算法比较总结 |
在线商品检测项目 | ||
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。 |
|
章节 | 课程 | 知识点 |
1 | 项目介绍和深度学习 | 目标检测项目演示、目标检测架构、技术介绍、神经网络算法优化、神经网络基础与原理;案例: tf.keras实现神经网络图片分类 |
2 | 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 |
3 | 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 |
4 | CV目标检测算法 | 物体检测算法-RCNN、SPPNet、Fast-RCNN、Faster-RCNN、YOLO、SSD;案例:SSD算法进行图片预测 |
5 | 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 |
6 | 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 |
7 | 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 |
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。
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。
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。
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。
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。
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。