Python+數據分析+tensorflow培訓課程
?
?
?
培訓目標：?
·學習Python語言的編程基礎
·學習Python的數據分析工具與方法
·學習Tensorflow的機器學習應用
培訓對象：開發工程師、算法工程師，數據分析人員、對Python數據分析與機器學員感興趣的人員
學員基礎：具有Python編程基礎知識
培訓內容：
?
|
第一部分：Python數據分析應用
|
|
Python數據分析概覽
|
1.1 為什么使用 Python
1.2 重要的 Python 庫
·?NumPy
·?Pandas
·?SciPy
·?Matplotlib
1.3 IPython和Jupyter Notebook
1.4 Python IDE 的安裝和使用
|
|
2. Python 語言快速入門
|
?2.1 Python 解釋器
2.2 語言設計特點
2.3 對象的調用和屬性
2.4 import 引入
2.5 數據類型
2.6 控制流
2.7 數據結構和序列
2.8 函數
2.9 文件和操作系統 2.10 面向對象
2.11 異常
2.12 案例與演示
|
|
3. NumPy
|
3.1 ndarray 多維數組對象處理與運算
3.2 元素級數組函數
3.3 利用數組進行數據處理
3.4 利用數組進行輸入和輸出
3.5 線性代數
3.6 隨機數生成
3.7 【案例與演示】
|
|
4. Pandas
|
4.1 Pandas 數據結構介紹
4.2 基本功能
4.3 匯總和計算描述統計
4.4 處理缺失數據
4.5 【案例與演示】
|
|
5 Pandas 數據加載和存儲
|
5.1 讀寫結構化數據
5.2 讀寫非結構化數據
5.3 使用 HTML 和 Web API
5.4 使用數據庫
5.5 【案例與演示】
|
|
6. Pandas 數據預處理
|
6.1 合并數據集(以 merge 和 append 為主)
6.2 重塑和軸向旋轉
6.3 數據清洗
6.4 字符串操作
6.5 【案例與演示】
|
|
7. Pandas 數據聚合與分組運算
|
7.1 GroupBy 技術
7.2 數據聚合
7.3 分組運算和轉換
7.4 透視表和交叉表
7.5 【案例與演示】
|
|
8. 繪圖與可視化
|
8.1 Matplotlib 基本操作
8.2 Pandas 中的繪圖函數
8.3 【案例與演示】
|
|
9. 時間序列
|
9.1 日期和時間數據類型及工具
9.2 時間數據處理
9.3 時期及其算術運算
9.4 時間序列繪圖
9.5 【案例與演示】
|
?
|
|
第2部分：深度學習與Tensorflow框架
|
|
深度學習基本原理
|
1、深度學習簡介
2、深度學習成功應用
3、深度學習與神經網絡的對比
4、深度學習的訓練過程
5、深度學習應用案例
|
|
深度學習模型原理解析
|
1、神經網絡
·?單層感知器
·?線形神經網絡
·?BP神經網絡
·?手寫數字識別
2、CNN卷積神經網絡
·?CNN模型的推導與實現
·?CNN的反向求導及練習
>
·?CNN應用：文本分類
·?CNN 常見問題總結
3、RNN循環神經網絡和長短時記憶網絡LSTM
·?RNN模型的推導與實現
·?RNN應用
·?LSTM模型的推導與實現
·?LSTM模型的推導與實現
4、案例實踐
·?圖像識別
·?驗證碼識別
·?文本分類
|
|
深度學習框架實踐Tensorflow
|
1、Tensorflow框架介紹
2、TensorFlow和其他深度學習框架的對比
3、Tensorflow 特性
4、Tensorflow 下載及安裝
5、Tensorflow 架構
6、Tensorflow 基本使用
7、TensorFlow實現多層感知機
8、TensorFlow實現卷積神經網絡
9、Tensorflow 實現循環神經網絡
|
?
|
?
