岗前高薪就业培训方案

1 Linux简介与安装

2 Linux目录与权限管理

3文件基础操作与vim 程序编辑器

4   Bash简介及功能介绍、Shell Script编程

5 数据库概述

6 MySQL基本知识与体系结构

7 MySQL基础语句与编程

8 数据库和表的创建及增删改查操作

1 准备工作

1.1 认识Python

1.2 搭建Python环境

1.3 安装PyCharm并创建一个应声虫程序

2 Python基础知识

2.1 掌握Python固定语法

2.2 创建字符串变量并提取里面的数值

2.3 计算圆形的各参数

3 Python数据结构

3.1 创建一个列表（list）并进行增删改查操作

3.2 转换一个元组（tuple）并进行取值操作

3.3 创建一个字典（dict）并进行增删改查操作

3.4 将两个列表转换为集合（set）并进行集合运算

4程序流程控制语句

4.1实现考试成绩划分

4.2实现一组数的连加与连乘

4.3使用冒泡排序法排序

4.4实训（猜数字游戏）

5 函数

5.1自定义函数实现输出方差

5.2使用匿名函数添加列表元素

5.3存储并导入函数模块

6 面向对象

6.1 认识面向对象编程

6.2 创建Car类

6.3 创建Car对象

6.4 迭代Car对象

6.5 产生Land_Rover对象（子类）

7 文件基础

7.1 认识文件

7.2 读取txt文件中的数据

7.3 保存数据为csv格式文件

7.4 认识os模块

1 微积分基础

2 概率论与数理统计

3 线性代数

4 数值计算基础

1 Python数据分析概述

1.1认识数据分析

1.2熟悉Python数据分析的工具

1.3安装Python3的Anaconda发行版

1.4掌握Jupyter Notebook常用功能

2 NumPy数值计算基础

2.1认识NumPy数组对象ndarray

2.2认识NumPy矩阵与通用函数

2.3利用NumPy进行统计分析

3 Matplotlib数据可视化基础

3.1了解绘图基础语法与常用参数

3.2分析特征间的关系

3.3分析特征内部数据分布与分散状况

4 Pandas统计分析基础

4.1读写不同数据源的数据

4.2掌握DataFrame的常用操作

4.3转换与处理时间序列数据

4.4使用分组聚合进行组内计算

4.5创建透视表与交叉表

5 使用Pandas进行数据预处理

5.1合并数据

5.2清洗数据

5.3标准化数据

5.4转换数据

6使用scikit-learn构建模型

6.1使用sklearn转换器处理数据

6.2构建并评价聚类模型

6.3构建并评价分类模型

6.4构建并评价回归模型

7 航空公司客户价值分析

7.1了解航空公司现状与客户价值分析

7.2预处理航空客户数据

7.3使用K-Means算法进行客户分群

1机器学习绪论

1.1 引言

1.2 基本术语

1.3 假设空间

1.4 归纳偏好

2 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.3 性能度量

2.4 偏差与方差

3 回归分析(Regression Analysis)

3.1 基本形式

3.2 线性模型

3.3 逻辑回归

4 决策树(Decision Tree)

4.1 基本流程

4.2 划分选择

4.3 剪枝

5 人工神经网络(Artificial Neural Network)

5.1 神经元模型

5.2 感知机与多层网络

5.3 误差逆传播

5.4 BP神经网络

6 最近邻算法（KNN）

7 朴素贝叶斯分类(Naive Bayesian)

8 聚类分析(Cluster Analysis)

8.1 聚类任务

8.2 性能度量

8.3 距离计算

8.4 常用聚类算法

9 关联规则(Apriori)

10 支持向量机(Support Vector Machine)

10.1 间隔与支持向量

10.2 对偶问题

10.3 核函数

10.4 软间隔与正则化

11 智能推荐(Collaborative Filtering)

12 深度学习介绍(Deep Learning)

Python自然语言处理

Python机器视觉与图像处理

综合案例

项目实训

1 文本挖掘全流程概述

2文本挖掘预处理技术

3 中文分词介绍（jieba）

4 词云介绍（wordcloud）

5 正则表达式

6 文本特征提取

7 文本聚类

8 主题分析

1 图像数据处理

2 水质图像识别

3 TensorFlow入门与应用

4 图像识别与卷积神经网络

5 MNIST数字识别

1 电力窃漏电用户自动识别

2 垃圾短信分类与识别

3 电商产品评论数据情感分析

4 电子商务智能推荐服务

5 基于微博数据的网络舆情分析

1 家用电器用户行为分析及事件识别

2 金融广告精准投放

3 基于图片处理的机器人智能抓取

……

1.Linux操作系统简介、安装及使用；

2.Linux档案权限与目录配置、档案与目录管理、用户账号管理；

3.文件操作、文本编辑、vim 程序编辑器；

4.Bash简介及功能介绍、Shell Script编程；

1.数据库概述、数据库系统、管理系统；

2.MySQL安装配置、基本操作、MySQL连接工具的使用；

3.数据库基础知识概述：数据库、表结构、字段及其数据类型、运算符；

4.SQL概述,数据库及表的创建基本操作；

5.增删改查语句,使用Java程序进行增删改查。

1.Java基础程序设计：数据类型、运算符、表达式、判断循环语言；

2.数组定义与使用、方法定义与重载；

3.面向对象（基础）；

4.面向对象（高级）；

5.异常概念与编程；包概念与导入；泛型概念与编程应用；

6.Java类集：Collection接口主要操作方法：List、Set、Map常用子类与使用，集合操作与遍历方法；

7.多线程编程及应用；

8.Java EE编程实战；JavaEE基础，HTML，JavaScript，Java Web，Tomcat，JSP。

1.Hadoop简介、架构、原理；

2.集群配置及安装（JDK、SSH）；

2. Hadoop   IDE开发环境配置（Eclipse配置）；

3. Hadoop   MapReduce实战：单词计数；

4. Hadoop命令（hadoop   fs , hadoop job, Hadoop jar）；

5.分布式文件系统HDFS  Java API实战：创建目录，上传，下载，删除；

5. Hadoop基础编程（Mapper、Reducer、Driver）；

6. Hadoop高级编程（Combiner／Partitioner原理实战及自定义，FileInputFormat、FileOutputFormat）；

8. Hadoop高级编程（自定义键值对）；

9. Hadoop高级编程（开发环境直接运行MapReduce程序）；

10. Hadoop案例1：基于KNN的鸢尾花分类预测；

11. Hadoop案例2：基于Kmeans的客户价值分析。

1. Hive产生背景、概念，Hive架构、原理；

2. Hive安装、配置；

3.Hive与RDBMS区别，Hive应用场景；

4. Hive   HQL命令，数据库，表创建；数据导入、导出，HQL查询；

5.Hive内置函数，自定义函数（UDF）；

6.Hive与Java交互；

7.基于Hive的航空公司客户价值分析项目案例。

HBase数据快速读写

Spark大数据分析与编程

实战案例

项目实训

1.HBase简介、架构原理；

2.HBase集群安装配置（Zookeeper简介、Zookeeper安装配置、配置文件解读）；

3.HBase架构与数据模型（组件原理功能、Rowkey设计、Schema设计）；

4.HBas命令行（hbase shell）表操作；

5.HBase开发环境配置；

6.Java API操作HBase删/建表、HBase增删改查；

7.HBase与Hadoop Mapreduce交互（HBase to HDFS， HDFS to HBase，HBase   to HBase）；

9.基于HBase的冠字号查询系统（案例背景、架构、数据处理、建表、导入表数据实现）；

10.基于HBase的冠字号查询系统Java Web实现。

1.Spark 简介（Spark简介、应用场景）; 

2.Spark安装配置（资源管理器YARN／Spark Standalone）；

3. Spark整合Hive及传统数据库；

3.原理与架构（组件功能、RDD原理）；

4.Spark编程基础（Scala及编程简介）；

5.Spark Transformation/Action编程；

6.Spark Intellij IDEA开发环境配置；

7.基于Spark ALS算法的电影推荐系统（案例背景、系统架构）；

8.基于Spark ALS算法的电影推荐系统（Spark Shell简单实现& Java Web远程调用Spark集群实现）；

一、基于Hadoop、Spark的法律网智能推荐

1.法律网案例背景，架构设计；

2.数据预处理：异常数据探索、数据剔除；

3.系统数据预处理实现；

4.推荐算法简介、评估与选型；

5.系统模型建立、预研、调优；

6.系统模型完整实现。

二、基于Spark   FPGrowth的餐饮智能菜品推荐

1.餐饮案例背景、架构设计；

2.数据预处理：上传、数据探索、异常处理；

3.推荐模型预研、评估与选型；

4.MLlib FPGrowth调用与编码实现；

5.系统模型建立、评价、调优；

6.系统模型完整实现。

项目实训