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】

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