布莱顿prime怎么获得 www.wnjebw.com.cn 目前課程版本:5.0 升級時間:2019.02.21 查看詳細
Python基礎、Web、AI各個階段的前后銜接更為合理
- Python基礎課程和Web課程,前后銜接更為合理,前端由1個階段拆分成3個階段融入項目中,平滑學習曲線
- AI課程中,基于大數據、機器學習技術的Web業務流推薦。Web和AI課程前后鋪墊
Python Web課程全新Django框架美多商城項目、新增Flask框架黑馬頭條Web項目
- 美多商城支持前后臺分離、不分離技術,融合多項主流技術要點
- 就業熱點課程:增加Docker、高并發部署
- 黑馬頭條Web項目,以技術方案驅動講解,提供8大技術方案;對接第三方推薦系統和聊天機器人系統,呈現真實業務場景
Python人工智能課程立足于數據科學方向,并提供自然語言處理項目和物體檢測項目兩大延伸方向
- 重新設計8天的機器學習、數據挖掘入門課,降低學習難度、平滑學習曲線
- 全新黑馬頭條推薦系統項目,基于大數據的推薦系統,融合10+技術解決方案
針對各個就業方向,提供面試強化專題課程、熱點技術解決方案和熱點項目庫,拓展學員視野,提升工作經驗。目前已產出面試強化專題課程50 +,熱點技術解決方案20+,熱點項目庫8+,且在持續更新中
0基礎0經驗的小白人員;想通過最低的成本來試一下自己是否適合做Python編程相關工作的轉型人員。
注:獲取更多免費學習視頻+資料+筆記,請加QQ:2632311208。
全日制脫產,每周5天上課(實際培訓時間可能因法定節假日等因素發生變化)
部分校區可能會根據實際情況有所調整,詳情可詢咨詢老師 點擊咨詢
自帶筆記本
Python+人工智能基礎班課程大綱 | |||
所處階段 | 主講內容 | 技術要點 | 學習目標 |
第一階段: Python基礎 |
Python第一個程序 | 變量、標識符和關鍵字、輸入和輸出、數據類型轉換 | 可掌握的核心能力: 1. 掌握Python基礎語法, 具備基礎的編程能力; 2. 建立起編程思維以及面向對象程序設計思想。 可解決的現實問題: 能夠熟練使用Python技術完成針對小問題的程序編寫。 市場價值: 具備最基本的編程思維, 掌握基礎的Python編程技術, 能夠完成較小程序的開發,尚達不到企業的用人標準。 |
條件控制語句和循環語句 | 比較關系運算符、邏輯運算符、三目運算符、while循環、for循環、break和continue | ||
容器類型 | 列表、元組、字典、有序字典、公共函數、字符串 | ||
函數 | 函數的定義和調用、不定長參數函數、匿名函數、遞歸函數、可變和不可變類型 | ||
文件操作 | 文件打開和關閉、文件的讀寫、文件、目錄相關操作、文件應用案例 | ||
面向對象 | 面向對象介紹、類的定義和對象的創建、添加和獲取對象屬性、init方法、私有方法和私有屬性、繼承、多態、類方法、對象方法、靜態方法 | ||
異常處理 | 捕獲異常、異常的傳遞、自定義異常 | ||
??楹桶?/td> | ??榻檣?、??櫚牡既?、??櫓械?nbsp;__all__、??櫓?nbsp;__name__ 的作用、包的介紹、包的導入 |
本課程適合有Python語言基礎、面向對象編程思想,Linux基本操作基礎的人士,課上不講Python基礎知識。
培訓時間及周期:全日制脫產,每周5天上課(實際培訓時間可能因法定節假日等因素發生變化)
部分校區可能會根據實際情況有所調整,詳情可詢咨詢老師 點擊咨詢
Python+人工智能就業班課程大綱 | |||
所處階段 | 主講內容 | 技術要點 | 學習目標 |
第二階段: Python高級 |
Linux命令 | Ubuntu操作系統介紹與使用、Linux命令使用、Linux命令選項的使用、遠程登錄和遠程拷貝、vim編輯器使用、Ubuntu軟件安裝和軟件卸載 | 可掌握的核心能力: 1. 能夠熟練使用Linux操作系統; 2. 掌握網絡編程相關技術, 能夠實現網絡間數據通信; 3. 掌握程序設計開發中多任務實現方式; 4. 能夠熟練掌握MySQL操作相關技術, 熟練編寫各種數據庫操作SQL語句, 并能夠進行Python與MySQL之間的數據交互; 5. 掌握Python中的re??櫚氖褂? 能夠實現對字符串進行復雜模式匹配; 6. 掌握Web服務器的工作流程, 以及Web框架的實現原理。 可解決的現實問題: 能夠使用面向對象的程序設計方法, 基于Linux操作系統開發多任務的網絡程序開發。 市場價值: 熟練掌握Python技術和常見網絡協議, 可滿足企業開發的初級需求,。 |
網絡編程 | IP地址的介紹、端口和端口號的介紹、socket的介紹、基于TCP通信程序開發 | ||
多任務編程 | 多任務介紹、線程的使用、線程同步與互斥鎖、死鎖介紹、進程的使用、進程和線程的對比 | ||
正則表達式 | 正則表達式的介紹、re??櫚氖褂?、正則表達式的演練 | ||
html與css | html概述及基本結構、html標簽及布局入門、css載入方式、css選擇器、css屬性入門、css基本布局演示、列表及表單、盒子模型、css顯示屬性、css元素溢出、表格 | ||
JavaScript | 變量、數據類型及基本語法規范、函數、條件語句、獲取元素方法及操作元素、事件屬性、數組及操作方法、循環語句、字符串、定時器、變量作用域 | ||
jQuery | jquery選擇器、jquery樣式操作、綁定click事件、jquery動畫、jquery特殊效果、jquery屬性操作、jquery循環、jquery事件、事件委托、JavaScript對象、JSON 和 ajax 請求 | ||
數據庫編程 | 數據庫介紹、MySQL數據庫基本使用、MySQL查詢pymysql的使用、事務、索引 | ||
Python語法進階 | 深拷貝和淺拷貝、property屬性、with語句和上下文管理器、閉包、裝飾器 | ||
靜態Web服務器 | Web服務器通信過程、HTTP協議、Web服務器實現 | ||
mini-Web框架 | Web框架和Web服務器的關系介紹、模板替換、股票信息頁面開發、個人中心數據接口開發、路由列表、ajax請求數據渲染個人中心頁面、logging日志的使用 | ||
第三階段: Web-Django框架與項目 |
Django框架 | Git源代碼管理、Redis緩存、VUE介紹、Vue基本語法、ES6語法、VUE 生命周期、Django框架介紹、Django模型、ORM及數據庫操作、視圖及模板、Django中間件 | 可掌握的核心能力: 1、 掌握Python Web主流框架-Django的使用; 2、 可根據Web框架設計,開發對應的數據庫; 3、 可根據業務流程圖,開發Web網站的前后臺業務。 可解決的現實問題: 1、能夠開發主流Web網站,并掌握常見的技術要點; 2、根據實際問題設計出相應數據庫表。 市場價值: Web全棧工程師,獨立開發前端和后端業務。 |
項目: 美多商城-前臺 |
購物電商平臺項目編碼、前后端不分離模式、數據庫-讀寫分離、Django高級第三方???、FastDFS分布式文件系統、Celery異步操作、Vue雙向綁定、Docker 入門、Crontab定時任務、頁面靜態化、在線支付、Nginx+uWSGI部署 | ||
項目: 美多商城-MIS系統 |
前后端分離模式、VUE進階-組件式開發、Django REST framwork、統計、權限管理、商品數據管理、日志管理、用戶管理 | ||
第四階段: Web-Flask框架與項目 |
項目部署 | Docker 進階、uWSGI、Nginx進階、性能優化 | 可掌握的核心能力: 1、 掌握Python Web主流框架-Flask的使用; 2、 掌握常見的性能優化技術; 3、 緩存服務器的操作和設計; 4、 異步任務的實現。 可解決的現實問題: 1、高并發全功能的Web網站開發; 2、提升數據處理響應速度,靈活運用緩存。 市場價值: Web全棧工程師,獨立開發前端和后端業務。 |
Flask框架 | Flask框架、路由定義及視圖函數、藍圖、SQLAlchemy | ||
項目: 黑馬頭條 |
Flask-RESTful、手機 APP + PC Web前端、MySQL業務數據存儲、Redis緩存層、第三方對象存儲、RabbitMQ + Celery 異步任務、APSchedule定時任務、socket.io及時通訊、Elasticsearch 5.6 搜索+自動補全、RPC+kafka對接推薦系統與AI系統、supervisor進程管理 | ||
第五階段: 人工智能機器學習編程 |
機器學習 (科學計算庫篇) |
人工智能概述、數據可視化matplotlib、科學計算庫numpy、科學計算庫pandas | 可掌握的核心能力: 1、 掌握數據挖掘基礎工具使用; 2、 掌握機器學習中處理數據方法; 3、 理解常見機器學習算法原理。 可解決的現實問題: 1、 利用學習到的科學計算庫對收集到的數據進行數據基本處理,使其符合機器學習算法模型; 2、 利用學習到的機器學習算法解決部分實際問題。 市場價值: 具備可對數據進行初步分析和挖掘,進行機器學習建?;蟶疃妊把盜?。 |
機器學習 (算法篇) |
Scikit-learn使用、特征工程、k-近鄰算法、線性回歸、嶺回歸、邏輯回歸、決策樹、集成學習(Bagging, Boosting)、k-means、不同模型評估方法介紹、模型選擇與調優、模型保存和加載、聚類、分類、回歸案例實戰 | ||
第六階段: 人工智能基于大數據的推薦系統項目 |
推薦系統項目理論課 | 什么是推薦系統、Mini推薦系統--電影推薦、推薦系統概念、大規模用戶物品推薦案例、新聞/文章場景推薦案例、混合推薦介紹 | 可掌握的核心能力: 1、 掌握推薦系統的工作原理和實現流程; 2、 掌握推薦系統的算法實現原理以及應用場景; 3、 掌握Lambda大數據相關基??; 4、 可實現基于大數據框架的推薦系統搭建; 5、 能夠基于推薦業務流完成系統搭建。 可解決的現實問題: 1、能夠實現推薦系統的算法不同場景應用; 2、能夠根據推薦場景業務流完成推薦業務開發。 市場價值: 具備推薦系統的開發能力。 |
推薦系統項目 Lambda大數據開發 |
推薦系統Lambda架構介紹、分布式存儲計算案例、數據倉庫工具hive、spark介紹、spark-sql、spark sql與hive離線分析實戰 | ||
推薦系統項目開發 | ABTest實驗中心、埋點參數設置、推薦服務、緩存服務、實時日志分析、實時召回集、熱門與新文章、文章畫像構建、用戶畫像構建、文章用戶畫像業務實現、離線召回集介紹、排序模型選擇介紹、spark mllib講解、離線模型評價、評估場景需求 |
第七階段: 數據分析 |
課程介紹及 數據分析入門 |
整個階段課程的介紹,數據分析招聘崗位要求、課程的覆蓋度、學完后達到的能力、數據分析方向的職業發展通道。 | 可掌握的核心能力: 1、 掌握爬蟲的工作原理和實現流程; 2、 熟練掌握MySQL、Hive、Spark; 3、 掌握mongodb數據庫的應用; 4、 熟悉常用數據挖掘算法與模型,熟悉邏輯回歸、神經網絡、決策樹、聚類等建模方法; 5、 熟悉Python、R、Tableau、SPSS、SAS等多種數據分析工具; 6、 熟練使用時間序列、聚類分析、邏輯回歸、因果分析等統計方法。 可解決的現實問題: 1、 勝任相關的數據分析工作,對企業異常數據進行深入分析,對業務風險指標進行跟蹤分析及優化; 2、 搭建業務監控體系,及時發現、排查業務問題,并能提出有效的解決策略或方案; 3、 配合項目計劃,負責建模駐場項目,完成數據分析需求及任務; 4、 通過大數據算法對數據進行模型的構建、維護、和評估。 市場價值: 具備互聯網數據采集的爬蟲開發能力。 |
統計學基礎 | 描述統計,統計推斷:案例1:電影業商業數據統計分析; Power BI電商商品催單機制及銷售績效KPI定制實踐; 匯總分類變量,圖形顯示數據:案例2:高露潔公司數據統計及可視化分析; 分布形態及異常值檢測,變量之間的關系度量:案例3:Young Professional雜志銷量與讀者統計分析; 概率的性質,條件概率:案例4:美國審計總署統計數據分析; 泊松分布,二元分布等,案例5:Burke市場營銷服務公司商務數據分析; 正態分布,指數分布等,案例6:Bayview大學商科學生的道德行為; 方差分析,假設檢驗等的醫學領域病例分析及業務實踐; x抽樣,p抽樣: 案例7:Electronics Associates公司的抽樣問題; 數據分析常見方法,杜邦分析,帕累托分析,金字塔思維,SWOT,5W2H,波士頓矩陣等分析方法詳解及Power BI實踐。 |
||
數據挖掘項目實戰 +金融行業量化分析+ 數據挖掘項目實戰 | Python編程數據分析:案例8:航空系統客戶數據分析及客戶挖掘; SPSS數據分析:案例9: 醫療保險業的欺詐發現數據挖掘; SPSS數據分析:案例10:中國消費者信心指數影響因素分析; SPSS數據分析:案例11:員工發展前景多維度評估及客戶R價值分析RFM實踐; SPSS數據分析:案例12:聚類,回歸,分類等十余種機器學習算法的SPSS實現; SPSS數據分析:案例13:深度學習神經網絡模型的SPSS實現; SAS數據分析:基于SAS的數十種業務場景的數據分析及擬合檢驗等分析技術的實踐; 數據化運營,網絡游戲市場分析,及電商數據分析,問卷數據分析業務場景實踐經驗匯總; CRM:客戶關系管理模型。 |
||
BI理論 | BI(商業智能)基本概念和應用場景; 數據倉庫基本概念和設計規范; 維度建模技術。 |
||
數據可視化分析 | FineBI數據可視化分析:實例講解使用FineBI實施數據分析(暫定使用“零售連鎖商店數據集”:賬號申請、軟件下載與安裝、數據梳理、etl數據清洗、維度表、事實表抽取、數據cube 定義、數據鉆取實現、可視化組件選擇與展示、報表發布; Tableau數據可視化分析:實例講解使用FineBI實施數據分析(暫定使用“環境監測數據集”:賬號申請、軟件下載與安裝、數據梳理、維度表、事實表抽取、多維度分析主題實現數據鉆取實現、可視化組件選擇與展示、報表發布。 |
||
項目實戰 | Finebi + kettle +mysql 實現一個bi項目 (暫定 教育、環境監測、零售連鎖商店數據集)。 |
注:校區會根據當地就業市場情況,對第七階段選擇不同的課程實施(爬蟲、圖像識別、自然語言處理、自動化測試、自動化運維)。
具有一定開發經驗的Python Web工程師,爬蟲工程師,人工智能工程師,需要具備各個方向的專業知識基礎。
注:獲取更多免費學習視頻+資料+筆記,請加QQ:2632311208。
視頻贈送
Python+人工智能就業拓展課-課程大綱 | |||
所處階段 | 主講內容 | 技術要點 | 學習目標 |
就業拓展課 | Python數據采集 (爬蟲) |
爬蟲基礎、requests???、數據提取、Selenium、抓包反爬與反反爬方案、MongoDB數據庫、Scrapy爬蟲框架、Appium的使用、爬蟲項目 | 可掌握的核心能力: 1. 網頁數據爬??; 2. App數據爬??; 3. 反反爬解決方案; 4. MongoDB數據存儲。 可解決的現實問題: 自動化爬取瀏覽器網站數據或App應用數據,對爬取中遇到的反爬措施應用相應的反反爬方案解決處理。 市場價值: 為企業爬取采集數據,勝任爬蟲工程師職位。 |
Python自動化 測試開發 |
測試理論基礎、項目開發流程、禪道工具使用、Jira工具使用、Web自動化測試(Selenium、Appium、Unittest等使用)、JMeter接口測試、性能測試 | 可掌握的核心能力: 1. 項目開發流程與測試方法; 2. 自動化測試工具的使用; 3. 接口測試; 4. 性能測試。 可解決的現實問題: 能夠針對企業中開發的項目進行自動化測試。 市場價值: 作為開發人員自動化測試技能補充,同時也可勝任自動化測試職位。 |
|
Python自動化 運維開發 |
CentOS系統安裝、Linux系統優化、常用工具使用、Linux文件管理、軟件管理、權限管理、日志管理、進程管理、Apache服務器使用、防火墻管理、LVS集群、keepalived使用、Shell編程、Ansible、Nagios監控、自動化運維案例 | 可掌握的核心能力: 1. Linux系統安裝使用(CentOS系統); 2. Linux系統管理與維護; 3. Shell編程; 4. 自動化運維與監控。 可解決的現實問題: 能夠搭建部署運行維護Linux環境。 市場價值: 作為開發人員的自動化運維技能補充,同時也可勝任自動化運維職位。 |
備注:該課程大綱僅供參考,實際課程內容可能在授課過程中發生更新或變化,具體授課內容最終以各班級課表為準。
具有一定開發經驗的Python Web工程師,爬蟲工程師,人工智能工程師,需要具備各個方向的專業知識基礎。
注:獲取更多免費學習視頻+資料+筆記,請加QQ:2632311208。
在線學習
隨到隨學,詳情可詢咨詢老師 點擊咨詢
Python+人工智能中級進修課-課程大綱(AI方向) | ||
泛娛樂推薦系統項目 | ||
推薦系統的在當下的火爆程度毋庸置疑,個性化推薦的需求也是每一個toC產品應該實現的目標。我們的泛娛樂推薦系統使用主流的Retrive-Ranking(召回-排序)架構。該推薦系統的主要目標: 通過向用戶推薦更合適的帖子, 增加用戶交互行為(點贊,評論,轉發,收藏等), 進而增加用戶平均使用時長。同時滿足的用戶體驗要求: 多樣性,新穎性和數據合理性。在排序??榧碅I部分,我們將從模型選擇,超參數調優,損失函數機器優化方法等多維度深層次進行剖析,詮釋為何我們能夠推薦出滿足用戶“嗨點”的作品。 | 技術亮點: 1、豐富的召回策略幫助我們盡可能多的覆蓋不同用戶對產品推薦的不同需求, 進而提升用戶粘度; 2、金字塔召回機制:海量數據下實時響應用戶行為變化; 3、更加科學合理的構建雙畫像,保證原始數據的準確,為模型收斂奠定基??; 4、分布式訓練減少了大型模型訓練時間,加速模型調優效率, 更好的利用深度模型發掘海量數據價值; 5、使用wide-deep模型進行排序,在類似工程推薦項目中已經取得成功, eg, google play 提升3.9%。 |
|
章節 | 課程 | 知識點 |
1 | 整體系統概述與搭建 | 背景介紹、環境配置、系統搭建、業務流實現 |
2 | 構建雙畫像 | neo4j安裝與使用、cypher語句學習與深入、標簽體系設計、用戶畫像與帖子畫像的實現 |
3 | 多召回策略 | 多召回策略的設計原理、多召回策略實現 |
4 | 召回金字塔 | 召回金字塔機制原理、召回金字塔實現 |
5 | 規則過濾器服務 | 規則過濾器的設計原理、規則過濾器實現 |
6 | 模型的選擇與實現 | 正負樣本的定義標準、正負樣本的采集與評估指標、模型特征的選擇準則、模型特征的定義與實現、wide-deep模型的選用 |
7 | 模型的結構與參數 | LR與MLP學習、wide-deep模型結構與參數分析 |
8 | 損失函數與優化方法 | 二分類交叉熵損失函數詳解、FTRL優化方法詳解、Adagrad優化方法詳解 |
9 | 超參數調優 | 超參數調優理論發展、網格搜索與隨機搜索、貝葉斯優化 |
10 | 使用gcp進行模型訓練 | gcp的基本使用方法、構建gcp規范下的模型、使用gcp進行超參數調優、使用gcp進行優化訓練方案 |
11 | 模型評估與部署 | 模型的評估、深度模型的部署方案、推薦系統的總體檢驗標準 |
在線醫生項目 | ||
在線醫生項目是一個基于自然語言理解方向的問答機器人。類似的應用,還有百度地圖的小度、天貓精靈、淘寶小蜜,招商銀行的小招等。該項目結合醫學知識圖譜、深度學習、對話管理、微信公眾號開發等技術,旨在降低首醫成本,為患者提供基本醫學診斷意見服務。 技術層面包含語音識別、自然語言理解、對話管理以及自然語言生成等環節,其中又包含領域識別,用戶意圖識別,槽位填充,對話狀態追蹤,對話策略等技術細節。功能上為患者提供根據癥狀信息給出診斷意見任務與就近治療任務。通過學習該課程,學生可以了解多輪多任務對話系統的技術點以及業務流程。 |
技術亮點: 1、基于大規模知識圖譜技術與自然語言處理在醫療領域的應用場景; 2、基于語音識別與語音生成技術的與患者語音溝通的交互方式; 3、基于微服務架構的人工智能產品; 4、基于端到端以及結合知識庫的多輪多任務對話系統網絡結構。 能掌握的技術: 1、數據清洗以及知識抽取、知識圖譜構建; 2、圖數據庫neo4j相關技術點及基本操作; 3、Pipeline方式與end-to-end流程設計方式以及不同; 4、mem2seq模型論文到代碼實現方案; 5、微信公眾號接口開發以及第三發api接口集成。 技術解決方案: 1、端到端任務對話系統解決; 2、知識圖譜與深度學習結合解決方案; 3、深度學習模型微服務化以及負載均衡處理解決方案; 4、多領域對話系統集成方案。 |
|
章節 | 課程 | 知識點 |
1 | 項目介紹 | 生活類任務對話系統介紹、在線醫生項目介紹 |
2 | 聊天機器人入門 | 申請公眾號、搭建微信開發環境、安裝werobot以及常用接口實現、Demo:你說我學與圖尚往來、案例:配置自己的機器人 |
3 | 數據爬取 | 爬取專業醫療知識網站、數據篩選,清理不完備數據、數據提取定位以及知識抽取數據準備、醫學問答數據提取、疾病、癥狀知識抽取 |
4 | 醫學知識圖譜 | 知識圖譜介紹、知識圖譜在醫療領域的應用、知識存儲各大廠商介紹、Neo4j安裝環境搭建、Python調用neo4j并完成數據插入與查詢操作、案例:完成基于知識圖譜的對話機器人 |
5 | 醫學命名實體識別 | 命名實體識別介紹、命名實體識別在醫學方面的應用、BiLSTM+CRF模型原理介紹、BiLSTM+CRF模型實現、IDCNN模型原理介紹、IDCNN模型實現、案例:疾病與癥狀命名實體識別 |
6 | 任務對話系統(Pipeline方法) | 任務對話系統介紹、自然語言理解介紹-領域識別、自然語言理解介紹-用戶意圖識別、語義槽介紹以及在任務對話系統中的作用、語義槽設計、命名實體識別在語義槽中的應用、語義槽實現、對話管理-對話狀態追蹤介紹、對話狀態追蹤實現、對話管理-對話策略介紹、對話策略實現、項目:基于pipeline的對話系統實現 |
7 | 論文學習與轉化 | Mem2seq的來龍去脈以及論文解讀、模型對比:包括與seq2seq以及+attention、準備訓練數據、Mem2seq模型實現 |
8 | 任務對話系統 (end-to-end方法) |
端到端對話系統介紹、基于端到端模型Mem2seq的項目介紹、項目:基于端到端的任務對話系統部署上線 |
智能文本分類-NLP基礎設施項目 | ||
中文標簽化系統是NLP基礎任務的綜合系統,同時又是NLP應用的基礎設施。根據文本信息,給出對應的預定義標簽將能夠有效的支持用戶畫像,推薦系統等。同時,對于高階NLP任務,如對話,翻譯,寓意蘊含等在語料分類上將有很大的幫助。 | 技術亮點: 1、搭建多模型訓練服務,保證在訓練過程中,進行資源監控和分配,得以最高效率在有限資源內進行模型訓練; 2、搭建多線程并行預測服務, 為了滿足性能要求,這里我們將利用多線程的方式,并對每一個獲得結果做最后綜合處理; 3、圖譜權重更新, 隨著模型的預測完成,將使用預測概率更新在該路徑權重,最后根據權重計算規則,獲得最后結果; 4、使用n-gram特征工程, 來捕捉詞序對結果的影響; 5、使用fasttext模型,適應在語料變化大,模型數量規模大,模型上下線頻繁的場景。 |
|
章節 | 課程 | 知識點 |
1 | 整體系統概述與搭建 | 背景介紹、環境配置、輸入預處理、輸出規范處理 |
2 | 構建標簽詞匯圖譜 | 標簽的制定、詞匯的采集、構建圖譜、實現查詢與修改邏輯、基于模型的權重更新 |
3 | fasttext模型與特征工程 | fasttext發展簡介、fasttext模型結構與參數解析、fasttext的選用原因、n-gram特征使用 |
4 | 損失函數與優化方法 | fasttext的損失函數解析、fasttext的優化方法解析、使用keras實現fasttext |
5 | 多模型訓練服務 | 單模型訓練流實現、多模型訓練服務搭建、多模型訓練API開發、算力資源分配設計原理、算力資源分配主邏輯實現、多模型訓練服務實驗與部署 |
6 | 單模型微服務部署 | 模型格式詳解、h5格式如何轉為pb格式、使用tensorflow-seving封裝 |
7 | 多模型預測服務 | 模型預測主服務搭建、多線程與多進程的比較、模型并行預測的實現 |
NLP小智聊天機器人項目 | ||
智能客服項目是一個自然語言處理的項目,實現的功能類似于電商等平臺的智能客服。在用戶遇到基礎的問題的時候,可以和智能客服進行基礎的對話,從而解決問題,減少了人工客服的工作量;整個客服項目包含兩個部分:閑聊部分和問答部分。項目涉及了70%的自然語言處理的知識點,包括分詞、詞向量的訓練、seq2seq模型、attention、BeamSearch等內容。 | 本項目能掌握的技術: 1、文本向量化的方法:詞袋模型,one-hot編碼,word embedding等; 2、 循環神經網絡RNN,包括LSTM、GRU以及雙向LSTM等; 3、深度學習中的梯度爆炸、梯度消失原理和解決方法、RELU和ELU、Batch Normalization; 4、文本分類和意圖識別的常見方法; 5、 fastText的使用和原理、Seq2Seq、注意力機制、BeamSearch; 6、. 常見檢索模型的實現方法和流程; 7、基于簇修建的相似度計算類方法; 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、基于深度學習的文本向量化方法; 11、孿生神經網絡的搭建; 12、深度模型中self-attenion的原理和實現、池化。 |
|
章節 | 課程 | 知識點 |
1 | 深度學習介紹 | 深度學習介紹、神經網絡介紹 |
2 | pytroch | Pytorch的安裝和入門使用、梯度下降和反向傳播原理、案例:使用pytorch完成線性回歸、pytorch的數據加載方法、案例:Pytorch實現手寫數字識別 |
3 | 循環神經網絡 | word embedding、案例:完成情感分類練習、循環神經網絡、梯度爆炸和梯度消失原理和解決方法、pytorch中的序列化容器、案例:使用循環神經網絡完成情感分類 |
4 | 項目準備和fasttext實現意圖識別 | 需求分析和項目流程介紹、語料準備和基礎api的實現、常見意圖識別的方法、fasttext的使用方法、fasttext的原理、使用fasttext完成項目代碼的封裝 |
5 | Seq2seq實現閑聊機器人 | Seq2Seq模型原理、案例:使用Seq2seq完成基礎的預測任務、使用seq2seq完成聊天機器人、優化:使用attention優化模型效果、優化:使用BeamSearch優化預測效果 |
6 | 問答機器人實現 | 問答模型的介紹和流程分析、問答模型中召回模型的實現、優化:召回模型的優化、問答模型中排序模型的實現、優化:排序模型的優化 |
物體檢測項目 | ||
在線商品檢測項目是一個基于圖像方向的一個目標檢測的項目。類似的項目應用如淘寶拍立淘等。該項目結合當前CV領域常用工具、深度學習、目標檢測算法、微信小程序對接、百度機器人對接等技術,能夠為用戶或者消費者拍攝的照片、視頻中存在的目標做出標記與類別判斷。 該項目使用的技術包括圖像領域中目標檢測YOLO,SSD等算法做模型訓練,輸入模型的數據使用OpenCV進行讀取處理,并進行data argumentation、多GPU模型訓練及部署等。通過學習該課程能夠掌握對物體檢測的技術點以及業務流程。 |
技術亮點: 1、使用OpenCV作為圖像與視頻的讀取工具; 2、基于端到端的目標檢測算法YOLO、SSD系統結構; 3、使用數據增強技術進行圖片的處理增加泛化能力; 4、使用Web server + TensorFlow serving Client完成前端對接; 5、使用Docker + TensorFlow serving部署模型; 6、使用Label image進行圖像的標注存儲; 7、進行微信公眾號接口開發; 8、使用百度機器人平臺對接項目檢測服務。 技術解決方案: 1、端到端目標檢測系統解決方案; 2、數據標注存儲解決方案; 3、第三方平臺圖像接口接入解決方案; 4、模型服務部署以及負載均衡解決方案。 |
|
章節 | 課程 | 知識點 |
1 | 項目介紹 | 目標檢測項目演示、目標檢測架構、技術介紹 |
2 | 深度學習 | 神經網絡基礎與原理、神經網絡算法優化、案例: tf.keras實現神經網絡圖片分類 |
3 | 卷積網絡 | 卷積神經網絡介紹與原理、神經網絡調優與BN、經典分類網絡結構、CNN實戰與遷移學習、案例:VGG遷移學習進行圖像識別 |
4 | 深度學習正則化 | 偏差、方差、L1與L2、Dropout正則化、早停止法、數據增強、神經網絡調優、Batch Normal |
5 | CV目標檢測算法 | 物體檢測算法-RCNN、SPPNet、物體檢測算法-Fast-RCNN、Faster-RCNN、物體檢測算法-YOLO、物體檢測算法-SSD、案例:SSD算法進行圖片預測 |
6 | 項目構建 | 數據集的制作與處理、商品檢測模型訓練、多GPU訓練、NMS處理、Matplotib標記、商品檢測模型導出 |
7 | 項目部署對接 | OpenCV Python、案例:視頻流數據物體檢測、Docker開啟Tensorflow serving服務、TensorFlow serving client實現、Docker開啟Web服務、百度機器人平臺接口對接 |
8 | 百度服務平臺拓展 | 服務訪問方式、人臉識別、物體識別、文字識別、語音識別與合成、語言處理基礎技術 |
Python+人工智能中級進修課-課程大綱(Web方向) | ||
學成在線項目 | ||
學成在線項目是提供IT職業在線課程的學習平臺,為即將和已經加入IT領域的技術人才提供在線學習服務。用戶通過錄播學習掌握IT技能。項目包括門戶、學習中心、評論系統、教學管理中心、系統管理中心等平臺構成,為學生提供學習服務。 | 技術方案: 1、CMS內容發布解決方案; 2、分布式圖片服務器解決方案; 3、資文件管理解決方案; 4、全文檢索服務解決方案; 5、分布式事務解決方案。 技術亮點: 1、RabbitMQ消息隊列; 2、Logstash+ElasticSearch 全文檢索; 3、Oauth2+JWT; 4、FastDFS+GridFS分布式文件系統; 5、Nuxt.js服務端渲染; 6、APScheduler+FFmpeg+Nginx+Video.js+ HLS視頻處理及點播技術方案; 7、大文件斷點續傳技術 WebUploader; 8、APScheduler+MQ完成分布式事務控制解決方案。 |
|
章節 | 課程 | 知識點 |
1 | 搭建開發環境 | DRF開發環境搭建 |
2 | CMS系統開發 | CMS前端開發;CMS頁面管理開發;CMS頁面靜態化;RabbitMQ研究;MonoDB數據庫操作;GridFS使用;頁面預覽;頁面發布 |
3 | 課程管理 | 我的課程;課程管理實戰;課程文件管理;分布式文件系統FastFDS;課程詳情頁靜態化;課程預覽;課程發布 |
4 | 課程搜索 | ElasticSearch研究;Logstash;課程搜索服務;搜索前端 Nuxt.js |
5 | 媒資管理 | 媒體文件上傳斷點續傳;調用第三方程序; 視頻處理進程;我的媒資;媒資與課程計劃關聯;課程發布存儲媒資信息; |
6 | 在線學習HLS | 在線點播解決方案;播放器;學習頁面查詢課程計劃;學習頁面獲取視頻播放地址; |
7 | 用戶授權認證 | JWT認證;用戶登錄與注冊;用戶授權 |
8 | 分布式事務 | 分布式事務解決方案; Apscheduler定時任務;訂單服務定時發送消息;自動添加選課開發 |
9 | 項目部署 | Git/Gitlab代碼管理,Gunicorn,Supervisor |
黑馬付費文學項目 | ||
黑馬文學是傳智播客開發的專注于電子書閱讀的客戶端,本著幫助用戶“多看書、多交朋友”的宗旨,多看以不斷滿足用戶需求、為世界各地的用戶提供更好的中文閱讀產品為己任,立志給廣大消費者提供更好的閱讀體驗。 | 技術亮點: 1. 前端使用微信小程序技術; 2. 采用Flask-RESTful作為后端開發框架; 3. 采用JWT完成用戶認證; 4. 采用七牛對象存儲服務; 5. 融入CORS跨域技術; 6. 采用RESTful接口設計; 7. 采用數據庫主從同步機制,實現讀寫分離; 8. 采用Redis Cluster集群; 9. 采用Nginx反向代理實現負載均衡。 |
|
章節 | 課程 | 知識點 |
1 | 搭建環境 | Flask虛擬環境,擴展安裝 |
2 | 登錄注冊 | captcha短信驗證, 云通訊,跨域解決方案,JWT用戶認證系統,郵件系統 |
3 | 小說中心 | redis緩存系統方案, CDN網絡加速處理,負載均衡優化控制 |
4 | 通用功能 | 夜間模式控制,護眼默認,小說詳情分頁處理 |
5 | 書架開發 | 書架收藏最后閱讀,書架列表,書架移出,書籍分類處理 |
6 | 書籍搜索 | 熱詞搜索, 精準匹配, 模糊匹配, 熱銷書籍推薦 |
7 | 歷史足跡 | 添加用戶足跡, 足跡最大緩存設置, 清除足跡 |
8 | 書籍中心 | 偏好設置, 偏好書籍推薦, 閱讀模式設置 |
律師在線項目 | ||
隨著時代的發展,人們的法律意識的提高,非法律專業人士對法律問題的需求,該平臺能夠提供法律咨詢問題信息,專業法律從業者的回答和建議,為非法律專業人士提供專業的法律知識了解渠道,解決自己在生活中,工作中,甚至事業上等遇到的涉及法律方面的問題。讓人們更知法,更懂法,從而減少社會上因法律知識淡薄而產生的觸犯法律的事跡,同時也增強人們的法律意識。 | 技術方案: 1、即時通訊解決方案; 2、文件存儲解決方案; 3、緩存解決方案。 技術亮點: 1、采用主流的前端混合開發技術uni-app的開發。實現從移動webH5頁面到微信小程序的開發; 2、采用Flask作為后端開發框架; 3、采用云通訊發送短信; 4、采用Redis做緩存; 5、采用七牛對象存儲服務作為圖片存儲; 6、登錄功能實現限制多點登錄; 7、GeventWebSocket即時通訊。 |
|
章節 | 課程 | 知識點 |
1 | 普通用戶問題???/td> | 問題列表、問題詳情頁、搜索問題、提問問題頁面 |
2 | 律師用戶問題???/td> | 問題列表、問題詳情頁、搜索問題、回答問題頁面 |
3 | 普通用戶找律師???/td> | 律師列表,律師信息展示頁面,關注律師,對關注的律師進行在線咨詢 |
4 | 在線咨詢(即時聊天)???/td> | 普通用戶只能對關注的律師進行在線咨詢;律師用戶無法主動咨詢未關注自己的用戶;普通用戶進行在線咨詢的時候,如果律師用戶在線,即可直接接收到消息,并可回復消息;普通用戶進行在線咨詢的時候,如果律師用戶不在線,則等到律師用戶登錄之后,才可收到普通用戶咨詢的消息 |
5 | 普通用戶個人中心 | 登錄、注冊、登錄區分用戶類型,我的提問,我的關注的律師,修改資料等 |
6 | 律師用戶個人中心 | 登錄、注冊、登錄區分用戶類型,我的解答,我的回復,修改資料;游客用戶只能查看到法律問題列表和律師列表,法律問題提問和在線咨詢律師需要登錄后才能操作 |
7 | 后臺???/td> | 律師注冊審核、普通用戶活躍情況、律師用戶活躍情況、對用戶提問進行審核、對未認證律師回答進行審核 |
8 | 審核機制 | 根據定位, 獲取所在的資源審核系統, 對律師資質進行校驗, 校驗執照唯一性和真實性 |
PythonWeb領域中級程序員課程 | ||
???/strong> | 課程 | 知識點 |
RPC原理與實踐 | RPC原理 | RPC介紹、RPC結構與調用流程;消息協議設計、消息協議實現、struct??槭褂?、消息數據轉換;RPC傳輸控制、RPC傳輸實現;手動實現RPC通訊、多線程RPC服務構建 |
分布式RPC | 分布式系統需要解決的問題;zookeeper介紹、zookeeper安裝、kazoo使用;利用zookeeper構建分布式RPC | |
Thrift | 認識Thrift、Thrift實現技術架構;Thrift安裝;Thrift接口定義語言語法;使用Thrfit完成RPC調用 | |
gRPC | HTTP/2協議;gRPC接口類型;Protobuf語法;一元RPC調用實現、服務器流式RPC調用實現、客戶端流式RPC調用實現、雙向流式RPC調用實現 | |
OpenStack云計算 | 云計算基礎 | 什么是云計算、云計算歷史、云計算實現方式、云計算分類、選用標準;云計算實現方式、云計算分類、選用標準;云計算基本架構;虛擬化與云計算 |
OpenStack | Openstack簡介、架構設計、組件介紹;實驗環境搭建、支撐性服務、認證組件、鏡像組件、計算組件、網絡組件;VM創建、可視化界面、塊存儲部署、深入理解VM;定制映像、定制網絡、防火墻、節點維護 | |
代碼配置管理 之流程與方案 |
項目管理基礎 | 項目生命周期、項目演變、版本控制、分支管理、開發模型 |
Git進階 | Git歷史、Git生態、Git安裝、Git數據結構、區域管理、文件狀態;基礎操作、文件區別、文件級撤銷、對象級撤銷、忽略文件、Git遠程倉庫、標簽管理 | |
Docker虛擬化開發 | Docker運行環境和組件 | Docker鏡像、容器、網絡管理、數據卷、倉庫等工作原理與使用、Dockerfile、Docker-Compose工作原理與使用 |
web爬蟲進階開發 | web爬蟲高級 | 數據抓包、基于Docker的爬蟲開發環境搭建;爬蟲去重原理、simhash、信息摘要算法、布隆過濾器;基于redis的持久化請求隊列、消息隊列技術、斷點續爬、增量采集;正則、jsonpath、xpath等數據提取、pyexecjs、js2py;基于mongodb、postgresql、mysql的數據存儲;IO設計模式、協程原理、Asyncio、Tornado、Gevent等異步IO庫;爬蟲架構實現、爬蟲反爬分析與應對 |
備注:該課程大綱僅供參考,實際課程內容可能在授課過程中發生更新或變化,具體授課內容最終以各班級課表為準。
每晚對學員當天知識的吸收程度、老師授課內容難易程度進行評分,老師會根據學員反饋進行分析,對學員吸收情況調整授課內容、課程節奏,最終讓每位學員都可以跟上班級學習的整體節奏。
為每個就業班都安排了一名優秀的技術指導老師,不管是白天還是晚自習時間,隨時解答學員問題,進一步鞏固和加強課上知識。
為了能輔助學員掌握所學知識,黑馬程序員自主研發了6大學習系統,包括教學反饋系統、學習難易和吸收分析系統、學習測試系統、在線作業系統、學習任務手冊、學員綜合能力評定分析等。
末位輔導隊列的學員,將會得到重點關心。技術輔導老師會在學員休息時間,針對學員的疑惑進行知識點梳理、答疑、輔導。以確保知識點掌握上沒有一個學員掉隊,真正落實不拋棄,不放棄任何一個學員。
從學員學習中的心態調整,到生活中的困難協助,從課上班級氛圍塑造到課下多彩的班級活動,班主任360度暖心鼓勵相伴。
小到五險一金的解釋、面試禮儀的培訓;大到500強企業面試實訓及如何針對性地制定復習計劃,幫助學員拿到高薪Offer。