Python+数据分析+tensorflow培训课程
培训目标：
·学习Python语言的编程基础
·学习Python的数据分析工具与方法
·学习Tensorflow的机器学习应用
培训对象：开发工程师、算法工程师，数据分析人员、对Python数据分析与机器学员感兴趣的人员
学员基础：具有Python编程基础知识
培训内容：
|
第一部分：Python数据分析应用
|
|
Python数据分析概览
|
1.1 为什么使用 Python
1.2 重要的 Python 库
· NumPy
· Pandas
· SciPy
· Matplotlib
1.3 IPython和Jupyter Notebook
1.4 Python IDE 的安装和使用
|
|
2. Python 语言快速入门
|
2.1 Python 解释器
2.2 语言设计特点
2.3 对象的调用和属性
2.4 import 引入
2.5 数据类型
2.6 控制流
2.7 数据结构和序列
2.8 函数
2.9 文件和操作系统 2.10 面向对象
2.11 异常
2.12 案例与演示
|
|
3. NumPy
|
3.1 ndarray 多维数组对象处理与运算
3.2 元素级数组函数
3.3 利用数组进行数据处理
3.4 利用数组进行输入和输出
3.5 线性代数
3.6 随机数生成
3.7 【案例与演示】
|
|
4. Pandas
|
4.1 Pandas 数据结构介绍
4.2 基本功能
4.3 汇总和计算描述统计
4.4 处理缺失数据
4.5 【案例与演示】
|
|
5 Pandas 数据加载和存储
|
5.1 读写结构化数据
5.2 读写非结构化数据
5.3 使用 HTML 和 Web API
5.4 使用数据库
5.5 【案例与演示】
|
|
6. Pandas 数据预处理
|
6.1 合并数据集(以 merge 和 append 为主)
6.2 重塑和轴向旋转
6.3 数据清洗
6.4 字符串操作
6.5 【案例与演示】
|
|
7. Pandas 数据聚合与分组运算
|
7.1 GroupBy 技术
7.2 数据聚合
7.3 分组运算和转换
7.4 透视表和交叉表
7.5 【案例与演示】
|
|
8. 绘图与可视化
|
8.1 Matplotlib 基本操作
8.2 Pandas 中的绘图函数
8.3 【案例与演示】
|
|
9. 时间序列
|
9.1 日期和时间数据类型及工具
9.2 时间数据处理
9.3 时期及其算术运算
9.4 时间序列绘图
9.5 【案例与演示】
|
|
|
第2部分：深度学习与Tensorflow框架
|
|
深度学习基本原理
|
1、深度学习简介
2、深度学习成功应用
3、深度学习与神经网络的对比
4、深度学习的训练过程
5、深度学习应用案例
|
|
深度学习模型原理解析
|
1、神经网络
· 单层感知器
· 线形神经网络
· BP神经网络
· 手写数字识别
2、CNN卷积神经网络
· CNN模型的推导与实现
· CNN的反向求导及练习
>
· CNN应用：文本分类
· CNN 常见问题总结
3、RNN循环神经网络和长短时记忆网络LSTM
· RNN模型的推导与实现
· RNN应用
· LSTM模型的推导与实现
· LSTM模型的推导与实现
4、案例实践
· 图像识别
· 验证码识别
· 文本分类
|
|
深度学习框架实践Tensorflow
|
1、Tensorflow框架介绍
2、TensorFlow和其他深度学习框架的对比
3、Tensorflow 特性
4、Tensorflow 下载及安装
5、Tensorflow 架构
6、Tensorflow 基本使用
7、TensorFlow实现多层感知机
8、TensorFlow实现卷积神经网络
9、Tensorflow 实现循环神经网络
|
|
