杭州Python人工智能培训班

对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。

基础语法 ：Python简史、应用场景；Python当前发展、开发环境搭建 注释、输入和输出、变量与常量、Python数据类型、类型转换、运算符和表达式、条件控制语句 循环语句、break和continue控制语句、循环嵌套 字符串介绍、字符串的输出/输入、下标和切片、字符串常见操作 列表、深拷贝/浅拷贝、元组、字典、集合操作、推导式 函数的概念、函数的定义和调用；函数参数、关键字参数、不定长参数；函数的返回值、函数的嵌套调用、函数应用案例、递归函数、匿名函数；变量作用域、全局变量和局部变量、命名空间、闭包 异常概述、Try/except、Finally、Raise、with语句 Python模块基本使用、搜索路径、DIY自己的模块、包、常用模块 前期**学习常量变量的使用，运算符的使用，流程控制的使用，函数的定义和使用，容器处理方法，字符串处理方法，日期时间处理方法等，掌握Python编程语言基础内容；中期主要涉及OOP基础知识，学习后应该能自己处理OOP问题，具有初步软件工程知识并树立模块化编程思想
面向对象与设计模式： 面向对象编程介绍、类和对象、类的定义、对象的创建、self的作用、对象成员访问控制权限 单继承、多继承；实例属性和类属性；多态 魔法函数概述、构造类魔法函数、运算类魔法函数 装饰器、修饰符、迭代器、生成器 单例模式、策略模式、观察者模式
文件系统： 文件介绍、文件的打开与关闭、文件的读写
网络编程： 网络通信过程及tcp协议、udp协议、**协议；套接字、数据报套接字编程、广播和组播；poll方法和epoll方法
多任务 ：进程、进程池、进程内的通信；GIL全局解释锁、线程、多线程数据同步、互斥锁、死锁、ThreadLocal、异步、协程
数据结构+算法 ：数据结构的存储方式、逻辑结构与物理结构；线性表、线性表的顺序存取和链式存取、双向链表；栈和队列、循环队列；树、二叉树、满二叉树、构建二叉搜索树 查找算法：二分法查找；排序算法：冒泡排序、直接插入排序、选择排序、排序

静态页面|： HTML简介、基本语法、常用标签、表单元素 CSS简介、基本语法、选择器、常用样式、DIV+CSS布局 HTML5简介、视频、音频、HTML5表单；CSS3简介、常用样式
页面框架： JavaScript简介、基本语法、变量、数据类型、运算符、流程控制、函数、数组、DOM操作、BOM操作、事件编程、内置对象、正则表达式等 jQuery简介、基本语法、常用选择器、jQuery事件、jQuery操作DOM、jQuery遍历、 Ajax、jQuery操作HTML、CSS，jQuery遍历等 Vue.js基础、模块化、单文件组件、路由、与服务器通信、状态管理、单元测试、生产发布
数据库 ：Mysql简介、常用操作、设计及复杂查询、事务、存储过程、触发器、日志、数据恢复、mysql优化、Python操作mysql
Linux操作系统： 常见Linux操作系统的介绍、Ubuntu操作系统使用、Ubuntu软件安装与卸载 文件和目录操作命令、文件属性修改命令、查找与检索命令、压缩包管理、其他命令、常用服务器ftp/ssh、编辑器vim/sublime/gedit/pycharm
服务器集群架构： Docker、Nginx、集群、高可用网络、keepalive、zookeeper

爬虫与数据： 爬虫原理与数据爬取；B/S和C/S架构；Get/Post请求模式；网络请求模块：urllib和requests；代理服务器和伪造网络请求头；加密数据破解 结构化数据与非结构化数据提取、Fiddler代理器 数据提取模块：正则、xpath 反爬虫策略；Selenium/PhantomJS；模拟用户行为：登录状态、按钮点击、JS页面元素获取等操作
Scrapy框架： Scrapy框架原理；自定义数据模型、请求中间件；爬虫去重；日志；下载中间件结合Selenium；代理服务器
Mongodb+Redis Mongodb简介、安装、常见操作、高级特性以及在Python中操作Mongodb代码实现
Scrapy-redis框架： 爬虫分布式原理解析；Scrapy-redis分布式组件；定制化的爬虫采集系统；处理数据的抓取和解析存储

数据分析-基础内容： 常用的随机变量的数字特征、根据随机变量的分布求解随机变量函数的数字特征
数据分析-模块学习： Numpy数值计算基础、Pandas统计分析、获取数据与特征工程、模型训练
数据分析-数据清洗 ：检测处理重复、缺失、异常值；离散化连续型数据；特征选择、构建新特征等特征工程方法；熟悉数据预处理方法
数据分析-特征工程和结果可视化 ：Python绘图基本语法、参数设置、分析特征内部数据分布与分散情况；掌握常用的几种Python可视化的方法
人工智能—机器学习： map函数、filter函数、sorted函数、eval()、exec()函数 关联算法-掌握Apriori算法与FP-growth算法原理，熟悉频繁项的挖掘与常用剪枝策略、与关联规则 分类算法—掌握决策树算法、随机森林、KNN 、SVM及朴素贝叶斯算法原理，熟悉集成学习(Bagging、Boosing)对于分类算法的优化过程，掌握数据降维方法应用 聚类算法—掌握Kmeans，理解聚类算法与分类算法的区别，理解聚类算法的优缺点 回归算法—主流回归模型，线性回归，逻辑回归 LR 及其变种和扩展算法；梯度下降，逻辑回归优化问题的求解
人工智能—深度学习 ：基于PaddlePaddle深度学习框架讲解 深度学习正则化概述，模型拟合与过拟合问题 神经网络算法—垃圾邮件与反欺诈 图像识别技术—手写数字识别 强化深度学习—AlphaGo相关技术
人工智能-拓展课程 ：人工智能-拓展课程

当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学， 斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。