|
细分课程 |
周 |
日 |
内容 |
详细内容 |
预习课
（录播） |
|
|
数据库sql |
1. 数据库基本概念
2. ddl数据定义语言
3. dml数据操作语言
4. 单表查询
5. 多表查询
6. python连接sql |
|
python编程 |
1. python标准数据类型
2. 控制流语句
3. 自定义函数
4. 异常和错误
5. 类与面向对象编程
6. numpy数组操作
7. 用python做数据分析，必会的库pandas
8. 用pandas做数据清洗与数据探索
9. python数据可视化库（matplotlib，seaborn） |
|
数学与统计学基础 |
1. 线性代数
2. 微积分
3. 描述性统计
4. 参数估计
5. 假设检验
6. 相关分析
7. 卡方分析
8. 一元线性回归理论推导
9. 多元线性回归理论推导 |
|
附加内容 |
第1周 |
周六 |
etl数据接入与数据模型管理 |
1. 数据分类
2. 数据建模
3. etl基本概念与常用工具
4. 基于python的etl程序开发
5. etl实战项目
6. 数据接入策略与调度工具 |
机器学习进阶
(level 3) |
周日 |
大数据平台spark，数据挖掘导论 |
1. 数据挖掘导论
2. 梯度下降
3. 分布式存储与计算
4. spark与flink工作原理
5. spark基本语法
6. 使用pyspark实现分布式计算 |
|
第2周 |
周六 |
决策树 |
1. 决策树与信息熵
2. id3, c4.5, cart树
3. 模型调优：网格搜索与交叉验证
4. 决策树的pyspark实现
5. 分类模型的评估（混淆矩阵，roc等）
6. 决策树之欺诈识别案例 |
|
周日 |
正则回归，pipeline |
1. 正则项的理论基础
2. 带正则项的回归
3. pipeline工作流专题
4. 使用pipeline部署算法模型 |
|
第3周 |
周六 |
关联规则与协同过滤 |
1. 关联规则（关联规则的概念，评估指标，apriori算法）
2. 协同过滤
3. 大数据环境下的协同过滤实现
4. 产品组合策略-零售产品捆绑销售策略分析案例 |
|
周日 |
集成算法基础 |
1. 集成学习的理论基础
2. bagging, boosting, stacking
3. adaboost
4. 随机森林
5. gbdt, xgboost |
|
第4周 |
周六 |
爬虫，文本分析 |
1. 数据的爬取（http原理, requests应用, html结构及xpath应用）
2, 非结构化数据的加工处理
3. 文本数据处理之正则表达式 |
|
周日 |
机器学习进阶，人工智能基础 |
1. lightgbm
2. 数据不平衡问题
3. 进阶调参方法python实践
4. 贝叶斯调参python实践
5. 人工智能基础与网页端的使用
6. 常用人工智能软件
7. 人工智能相关库的环境配置 |
|
第5周 |
周六 |
人工智能基础 |
1. 深度神经网络基础：感知器及多层感知器
2. 神经网络架构
3. bp反向传播算法
4. 优化算法专题
5. 卷积神经网络（选修）
6. pytorch框架与代码实践
7. openai api之python代码实践
8. 图像分析-手写数字自动识别 |
|
周日 |
聚类分析进阶与异常识别 |
1. 聚类分析进阶（密度聚类，高斯混合聚类）
2. 聚类分析的spark实现
3. 异常识别（孤立森林，局部异常因子）
4. 交易反欺诈-异常交易识别案例 |
|
第6周 |
周六 |
人工智能nlp之文本挖掘 |
1. 分词与词性标注
2. 文本信息提取
3. 词嵌入与词模型（cbow与skip-gram）
4. 构建文本信息库
5. 文本聚类算法
6. 词模型的pytorch实现
7. 文本分类算法的pytorch实现 |
|
周日 |
大型项目案例 |
实战项目-金融风控大型案例 |
|
第7周 |
周六 |
人工智能nlp之大语言模型llm |
1. 循环神经网络rnn
2. 编码器与迁移学习
3. 残差连接resnet
4. transformer架构
5. 大语言模型llm技术架构与训练方法
6. 开源模型平台与框架的代码实践
7. llm的本地化部署 |
|
第8周 |
周六 |
大语言模型llm前沿方法 |
1. 聊天机器人的本地化部署
2. fine tuning
3. lora专题
4. 本地化llm的tuning代码实践
5. agent与lang chain
6. 向量数据库与知识库
7. 人工智能nlp的前沿方向 |
cda认证考试辅导
（仅限报名考试的学生） |
|
|
level 3 认证考试辅导 |
cda level 3 认证考试辅导
1. 数据挖掘概论
2. 高级数据处理与特征工程
3. 自然语言处理与文本分析
4. 机器学习算法
5. 机器学习进阶（自动机器学习，样本不平衡问题，半监督学习，模型优化） |
|
选修课 |
|
|
选修课 |
1、互联网数字化运营【18课时】
2、何为数据产品经理？【1课时】
3、python爬虫【15课时】
4、人工智能(深度学习)实战之图像识别【6课时】
5、tableau多维可视化分析【3课时】
6、spss统计分析【12课时】 |