Python數(shù)據(jù)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(shè)計特點
2.3 對象的調(diào)用和屬性
2.4 import 引入
2.5 數(shù)據(jù)類型
2.6 控制流
2.7 數(shù)據(jù)結(jié)構(gòu)和序列
2.8 函數(shù)
2.9 文件和操作系統(tǒng) 2.10 面向?qū)ο?/font>
2.11 異常
2.12 案例與演示

3. NumPy

3.1 ndarray 多維數(shù)組對象處理與運算
3.2 元素級數(shù)組函數(shù)
3.3 利用數(shù)組進行數(shù)據(jù)處理
3.4 利用數(shù)組進行輸入和輸出
3.5 線性代數(shù)
3.6 隨機數(shù)生成
3.7 【案例與演示】

4. Pandas

4.1 Pandas 數(shù)據(jù)結(jié)構(gòu)介紹
4.2 基本功能
4.3 匯總和計算描述統(tǒng)計
4.4 處理缺失數(shù)據(jù)
4.5 【案例與演示】

5 Pandas 數(shù)據(jù)加載和存儲

5.1 讀寫結(jié)構(gòu)化數(shù)據(jù)
5.2 讀寫非結(jié)構(gòu)化數(shù)據(jù)
5.3 使用 HTML 和 Web API
5.4 使用數(shù)據(jù)庫
5.5 【案例與演示】

6. Pandas 數(shù)據(jù)預處理

6.1 合并數(shù)據(jù)集(以 merge 和 append 為主)
6.2 重塑和軸向旋轉(zhuǎn)
6.3 數(shù)據(jù)清洗
6.4 字符串操作
6.5 【案例與演示】

7. Pandas 數(shù)據(jù)聚合與分組運算

7.1 GroupBy 技術(shù)
7.2 數(shù)據(jù)聚合
7.3 分組運算和轉(zhuǎn)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(shù)
8.3 【案例與演示】

9. 時間序列

9.1 日期和時間數(shù)據(jù)類型及工具
9.2 時間數(shù)據(jù)處理
9.3 時期及其算術(shù)運算
9.4 時間序列繪圖
9.5 【案例與演示】

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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)

·?單層感知器

·?線形神經(jīng)網(wǎng)絡(luò)

·?BP神經(jīng)網(wǎng)絡(luò)

·?手寫數(shù)字識別

2、CNN卷積神經(jīng)網(wǎng)絡(luò)

·?CNN模型的推導與實現(xiàn)

·?CNN的反向求導及練習

>

·?CNN應用：文本分類

·?CNN 常見問題總結(jié)

3、RNN循環(huán)神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)LSTM

·?RNN模型的推導與實現(xiàn)

·?RNN應用

·?LSTM模型的推導與實現(xiàn)

·?LSTM模型的推導與實現(xiàn)

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(gòu)
6、Tensorflow 基本使用
7、TensorFlow實現(xiàn)多層感知機
8、TensorFlow實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
9、Tensorflow 實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)