主办单位： | 泰迪杯数据挖掘挑战赛组委会 |
| 协办单位： | 人民邮电出版社有限公司 |
| 北京泰迪云智信息技术研究院 | |
| 承办单位： | 广东泰迪智能科技股份有限公司 |
新一代信息技术正深刻改变着人们的生产、生活、学习乃至思维方式，其朝气蓬勃的产业发展态势和大力度的国家政策鼓励支持，无不揭示了数据智能技术的重要性。人才的培养是新一轮科技较量的基础，高等院校承担着大数据与人工智能人才培养的重任，因此，各高等院校非常重视大数据课程，尽快形成成熟完善的培养方案、课程体系、系列教材、课程师资和实训平台等，是各大高校共同关注的重要事宜。
为推动各院校完善专业建设，解决专业教学中行业案例缺失和实战能力不足等相关痛点问题，泰迪科技基于十余年深耕数据智能产业实践经验，特推出全国高校大数据与人工智能师资研修班。每年在全国范围内滚动开展，截止目前已在全国巡回举办70余场，参训教师近10000人次。2024年第三期全国高校大数据与人工智能师资研修班将开设八个线上专题，一个线下专题(杭州)，现将有关安排通知如下：
一、 课程特色
1、大模型应用：畅想数据智能新未来
紧贴产业前沿，特邀三位专家畅谈大模型应用，分享”ChatGPT教学应用“，”金牌助手ChatGPT，让应用开发更高效“，”大模型（ChatGLM2-6B）.产业应用漫步与畅想“等专题，一起畅想数据智能新未来。
2、企业案例实战+落地实操授课
课程全程强调动手实操，内容以代码落地为主，通过讲解企业级案例，真正让学员把所学内容和工作实际有效结合，从而更好地完成自身后续教育教学工作。
3、全方位答疑辅导学习
课程设有答疑交流讨论群，培训期间助教全程辅助教学。线上学习部分每天提供10小时的实时在线答疑辅导，线下学习部分则有主讲老师和助教面对面的帮助。
4、内容从浅及深更易入门
本课程配套有基础知识内容，即使零基础学员也能找到适合自己的学习内容和节奏，快速掌握课程知识和技能。
5、提供课程资源和回看功能
所有课程相关源代码、数据、PPT、案例素材全部提供下载，即学即用，教学更轻松！线上课程内容支持六个月内免费回看，以便复习和参考。
6、满足教学和科研需求
通过技能学习和案例实战，学员将在具体应用场景中全面掌握相关技能，提升实训教学工作德实际动手能力并为后续科研打下坚实基础。
二、课程安排
本次培训共分为线下和线上两种班型，详细课程内容见文末附件课程大纲。
1、线下班(杭州)
混合模式，技能学习课程放置在线上云课堂以便学员系统学习，核心案例实战采用线下形式由讲师亲授同步操作演练。
| <线下杭州班>数据采集与机器学习实战(Python) | ||||
| 基本信息 | 技能学习(线上云课堂)4月21日-23日 | 现场案例实战，4月25日-28日 | ||
时间：4月21日 - 28日 线下报到时间：4月24日 地点：杭州(详细地点开课前一周发送报到通知) 学时：共计80学时 证书：高级机器学习工程师职业技术证书 费用：3980元/人 学习环境要求：Windows10或以上操作系统(64位)，8G+内存 | 3、Python网络爬虫实战 4、Python机器学习实战 5、Python特征工程实战(拓展) 6、新浪财经数据采集(拓展) 7、特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1、核心技能串讲与巩固 2、泰迪内推平台招聘信息采集与分析 3、某外卖平台优惠券使用预测 4、实战演练：天猫用户重复购买预测(从理论到实践) | ||
2、线上班(八大专题)
教学视频六个月有效期可反复观看学习，同步提供配套资源，线上学习无需脱产，可灵活安排时间。
| 专题一 大模型技术与应用实战 | ||
| 基本信息 | 技能学习 | 案例实战 |
时间：2024年4月18日 - 4月28日 学时：共计88学时 证书：高级人工智能应用工程师职业技术证书 费用：2480元/人 学习环境要求：Windows10或以上操作系统（64位），8G+内存 | 3、Python机器学习实战 4、大模型提示工程 5、大模型教学应用 6、PyTorch框架基础实战 7、大模型原理与实现 8、特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1 基于通义千问(Qwen)的创意广告生成 2 基于大模型微调的命名实体识别 3 基于大模型的而金融问句语义相似度计算 4 基于Transformer的疫情问诊系统自动翻译实现(拓展) |
| 专题二 数据采集与处理实战(Python) | ||
| 基本信息 | 技能学习 | 案例实战 |
时间：2024年4月18日 - 4月28日 学时：共计88学时 证书：高级Python应用工程师职业技术证书 费用：1980元/人 学习环境要求：Windows10或以上操作系统（64位），8G+内存 | 3、Pandas数据分析基础 4、Python网络爬虫实战 5、特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1 泰迪内推平台招聘信息采集与分析(Python) 2 新浪财经数据采集(八爪鱼工具) 3 汽车质量投诉平台数据采集(八爪鱼工具) 4 微博疫情评论数据采集(Python) 5 网站图像素材采集实战(拓展) |
| 专题三 大数据分析与机器学习实践(Python) | ||
| 基本信息 | 技能学习 | 案例实战 |
时间：2024年4月18日 - 4月27日 学时：共计80学时 证书：高级机器学习工程师职业技术证书 费用：1980元/人 学习环境要求：Windows10或以上操作系统（64位），8G+内存 | 3 Pandas数据分析基础 4 Python机器学习实战 5 Python特征工程实战（拓展） 6 特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1 网络入侵用户自动识别 2 百货商场用户画像描绘与价值分析 3 天猫用户重复购买预测 4 泰迪内推平台信息精准推荐应用 |
| 专题四 商务数据分析实战(Python) | ||
| 基本信息 | 技能学习 | 案例实战 |
时间：2024年4月18日 - 4月28日 学时：共计88学时 证书：高级大数据分析师职业技术证书 费用：1980元/人 学习环境要求：Windows10或以上操作系统（64位），8G+内存 | 3 Python数据分析实训 4 商务数据分析概述 5 特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1 牛刀小试-T公司运营数据分析与业务决策 2 回归分析-某市财政收入预测 3 聚类分析-对某航空公司客户分群 4 分类分析-运营商用户流失判别 5 关联规则-购物篮商品推荐 6 协同过滤-新闻网站用户个性化推荐应用 |
| 专题五 计算机视觉应用实战(PyTorch) | ||
| 基本信息 | 技能学习 | 案例实战 |
时间：2024年4月18日 - 4月28日 学时：共计88学时 证书：高级人工智能应用工程师职业技术证书 费用：2480元/人 学习环境要求：Windows10或以上操作系统（64位），8G+内存 | 3 Python机器学习实战 4 PyTorch框架基础实战 5 PyTorch深度学习原理与实现 6 特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1 脑PET图像分析和疾病预测 2 基于FaceNet的人脸智能识别 3 基于YOLOX的农田害虫图像检测与识别 4 基于YOLOv8的岩石样本图像分割 |
| 专题六 PyTorch与人工智能实战 | ||
| 基本信息 | 技能学习 | 案例实战 |
时间：2024年4月18日 - 4月27日 学时：共计80学时 证书：高级人工智能应用工程师职业技术证书 费用：1980元/人 学习环境要求：Windows10或以上操作系统(64位)，8G+内存 | 3 Python机器学习实战 4 PyTorch框架基础实践 5 PyTorch深度学习原理与实现 6 特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1 基于textCNN的公众健康问句分类 2 新冠疫情期间网民情绪识别 3 基于FaceNet的人脸智能识别 |
| 专题七 网络爬虫与舆情分析(Python) | ||
| 基本信息 | 技能学习 | 案例实战 |
| 时间：2024年4月18日 - 4月28日 学时：共计88学时 证书：高级大数据分析师职业技术证书 费用：1980元/人 学习环境要求：Windows10或以上操作系统（64位），8G+内存 | 3 网络舆情与情感分析概述 4 Python机器学习实战 5 Python网络爬虫实战 6 Python文本挖掘实战 7 特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1 微博疫情评论数据爬虫 2 基于情感分析的疫情期间网民情绪识别 3 网络问政平台数据爬虫 4 智慧政务下的问政舆情分析 |
| 专题八 Python金融数据分析与实战 | ||
| 基本信息 | 技能学习 | 案例实战 |
| 时间：2024年4月18日 - 4月27日 学时：共计80学时 证书：高级大数据分析师职业技术证书 费用：1980元/人 学习环境要求：Windows10或以上操作系统（64位），8G+内存 | 3 Python数据分析基础 4 Python数据分析实训 5 Python机器学习实战 6 特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 | 1 上市公司综合评价 2 信用卡高风险客户分析 3 金融客户产品购买预测 |
三、证书颁发
学员经培训并考试合格后，可以获得由工业和信息化部教育与考试中心颁发的相应职业技术证书，证书可登录工业和信息化部教育与考试中心官网查询。
五、报名须知与联系方式
1、报名材料：报名申请表、身份证复印件、两寸近期正面免冠彩色半身证件照电子版(要求：白色背景底，14-20K大小的.JPG格式)。
2、本次由广东泰迪智能科技股份有限公司收取费用并开具发票。
3、报名联系方式
联系人：曾老师 电 话：13246821827
微 信：antonia602501 邮 箱：zengaizhi@tipdm.com
全国高校大数据与人工智能师资研修班报名申请表
| 单位名称 | |||||||||
| 部门/院系 | |||||||||
| 通讯地址 | |||||||||
| 发票抬头 | 发票内容: | ||||||||
| 纳税号 | 电子发票 接收邮箱: | ||||||||
| 联系人 | 电话： | 邮箱: | |||||||
| 以下表格中要求提供的信息为申报职业技术证书使用，请真实完整填写 | |||||||||
| 姓 名 | 性别 | 职务 | 主要任课专业 | 毕业院校 | 最高学历 | 手机号 | 电子邮箱 | 专题选择 (线上/线下) | 是否住宿 (单间/标间) |
费用 支付方式 | 1、电汇到指定账户 2、扫码支付(报名后联系工作人员索要支付码) 3、付款时请注明”大数据研修班+单位名称或姓名“字样，方便查账备案 | ||||||||
| 账户信息 | 账户名：广东泰迪教育科技有限公司 开户行：中国工商银行广州花城支行 账户号：3602 0285 0920 1584 794 | ||||||||
| 备 注 | 请将报名表发送至邮箱：zengaizhi@tipdm.com 联系人：曾老师 电话：13246821827 微信：antonia602501 | ||||||||
附件一 线下班课表
<线下杭州班>数据采集与机器学习实战(Python)课程大纲
| 技能学习(线上云课堂)课程安排 | ||||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 3 Matplotlib数据可视化 4 Pandas统计分析基础 5 使用Pandas进行数据预处理 | 时间：4月21日 (09:00 - 18:00) Python网络爬虫实战 1 Python爬虫环境与爬虫简介 1.1 认识爬虫 1.2 认识反爬虫 1.3 配置Python爬虫环境 2 网页前端基础 2.1 认识网络信息传输过程 2.2 认识HTTP 3 简单静态网页爬取 3.1 认识静态网页 3.2 实现HTTP请求 3.3 解析网页 3.4 存储数据 4 认识动态网页 4.1 认识动态网页 4.2 逆向分析爬取动态网页 4.3 使用Selenium库爬取动态网页 拓展 5 模拟登录 | 时间：4月22日 (09:00 - 18:00) Python机器学习实战 1 机器学习绪论 1.1 引言 1.2 基本术语 1.3 假设空间&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 性能度量Python实现 3 回归分析 3.1 线性回归基本形式 3.2 线性回归模型的Python实现 3.3 波士顿房价预测的Python实现 3.4 逻辑回归介绍 3.5 研究生入学录取预测的Python实现 4 决策树 4.1 从女士相亲到决策树 4.2 明天适合打球吗 4.3 决策树拆分属性选择 4.4 决策树算法家族 4.5 泰坦尼克号生还者预测-数据预处理 4.6 泰坦尼克号生还者预测-模型构建与预测 | 时间：4月23日 (09:00 - 18:00) 5 人工神经网络 5.1 单个神经元介绍 5.2 经典网络结构介绍 5.3 神经网络工作流程演示 5.4 如何修正网络参数-梯度下降法 5.5 网络工作原理推导 5.6 网络搭建准备 5.7 样本从输入层到隐层传输的Python实现 5.8 网络输出的Python实现 5.9 单样本网络训练的Python实现 5.10 全样本网络训练的Python实现 5.11 网络性能评价 5.12 调用sklearn实现神经网络算法 拓展 6 支持向量机 7 聚类 8 集成学习 拓展内容： 特征工程 1 特征工程介绍 2 数据预处理 3 特征构建 4 特征选择 5 降噪与特征转换 6 特征学习 | 时间：4月24日(09:00 - 18:00) 新浪财经数据采集(八爪鱼工具) 1 背景与目标 2 目标分析 3.1 八爪鱼采集器介绍与安装 3.2 菜单栏和模板任务 4.2 自定义任务主界面介绍 4.2 新建自定义任务 4.3 自动识别爬虫字段 4.4 手动配置爬虫字段 4.5 翻译设置 4.6 二级页面爬取 4.7 进入二级页面的注意事项 4.8 数据预览操作 4.9 流程图操作 4.10 自定义任务保存 5.1 数据采集与导出 5.2 任务设置和保存 6 小结 特别内容 (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 |
| 现场案例实战课程安排 | ||||
时间：4月25日(8:30 - 17:00) 核心技能串讲与巩固 1 Python爬虫环境与爬虫简介 2 网页前端基础 3 简单静态网页爬取 泰迪内推平台招聘信息采集与分析 1 背景与目标 2 数据采集 2.1 网页结构探索 2.2 定位一级页面数据地址 2.3 爬取及解析一级页面数据 2.4 提取一级页面字段 2.5 定位二级页面数据地址 2.6 爬取及解析二级页面数据 2.7 翻页爬取及数据保存 3 数据处理 3.1 读取已爬取完成的数据 3.2 数据预处理操作 | 时间：4月26日(8:30 - 17:00) 核心技能串讲与巩固 1 机器学习绪论 2 机器学习模型构建 3 模型评估与选择 4 集成学习 某外卖平台优惠券使用预测 1.1 背景与挖掘目标 2.1 工程环境准备 2.2 缺失值处理和数据去重 2.3 数据分布探索 3.1 特征工程介绍 3.2 原始特征 3.3 用户相关特征 3.4 商家相关特征 3.5 优惠券相关特征 3.6 离散型特征处理 4.1 建模前的数据处理 4.2 模型构建技巧 4.3 模型构建 4.4 网格搜索 4.5 模型训练和评估 4.6 模型优化 4.7 模型应用 5 小结 | 时间：4月27日(8:00 - 17:00) 天猫用户重复购买预测：从理论到实践 1 背景与目标 2 数据探索 3 构建样本标签 4 特征构建 5 模型构建 6 模型性能评估 7 模型预测 8 结果提交 | 时间：4月28日(09:00 - 17:00) 1 职业技术考试 2 企业参观 跳转至线下班课程安排 | |
附件二 线上班课表
专题一 大模型技术与应用实战课程大纲
| 技能学习课程安排 | |||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 3 Matplotlib数据可视化 4 Pandas统计分析基础 5 使用Pandas进行数据预处理 时间：4月18日(09:00 - 18:00) 专题讲座 计算机视觉技术及其应用 Python机器学习实战 1 机器学习绪论 1.1 引言 1.2 基本术语 1.3 假设空间&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 性能度量Python实现 3 回归分析 3.1 线性回归基本形式 3.2 线性回归模型的Python实现 4 人工神经网络 4.1 单个神经元介绍 4.2 经典网络结构介绍 | 4.3 神经网络工作流程演示 4.4 如何修正网络参数-梯度下降 4.5 网络工作原理推导 4.6 网络搭建准备 4.7 样本从输入层到隐层传输的Python实现 4.8 网络输出的Python实现 4.9 单样本网络训练实现 4.10 全样本网络训练实现 4.11 网络性能评价 4.12 实现神经网络算法 时间：4月19日(09:00 - 18:00) 大模型提示工程 1 大模型与AIGC介绍 1.1 大模型的定义 1.2 大模型的前世今生 1.3 大模型爆火的原因 1.4 大模型原理介绍 1.5 AIGC与PGC、UGC 2 国内外主流大模型工具介绍与使用(文心一言、通义千问、讯飞星火、豆包、智普清言、WPS AI 、GPT系列) 3 提示词工程 3.1 提示词介绍 3.2 技巧1：扮演专家角色 3.3 技巧2：告诉大模型你的身份 3.4 技巧3：提供充分的背景信息 3.5 技巧4：指定大模型的输出范式 3.6 技巧5：让大模型一步步思考 3.8 技巧7：用结构化方式生成提示词 3.9 练习：让大模型帮你生成课程方案 4 拓展内容(线上学习) 4.1 AI绘画场景实操 4.2 图像连续创作实操 | 时间：4月20日(09:00 - 18:00) 大模型教学应用 1 课程教案撰写 2 题库提目生成 3 文献阅读助手 4 辅助编程 5 数据分析应用 时间：4月21日(09:00 - 18:00) PyTorch框架基础实践 1 PyTorch简介 2 张量操作 2.1 创建张量 2.2 张量与数组相互转化 3 构建一个线性模型 3.1 任务描述：构建线性模型 3.2 读取数据 3.3 构建初始模型及损失函数 3.4 test-构建优化器 3.5 构建优化器 3.6 最小化方差(训练) 3.7 执行多轮训练 3.8 训练过程可视化 4 识别手写数字 4.1 案例目标与流程 4.2 加载数据 4.3 加工数据 4.4 模型结构介绍 4.5 构建模型 4.6 模型配置 4.7 模型训练 4.8 执行多轮训练 4.9 模型性能评估 4.10 保存模型 4.11 加载模型 4.12 模型应用 | 时间：4月22日(09:00 - 18:00) 大模型原理与实现 1 基础模型(大模型)简介 2 万模基座Transformer 时间：4月23日(09:00 - 18:00) 3 生成式预训练模型GPT 4 双向编码模型BERT 5 Transformer应用 拓展内容 PyTorch深度学习原理与实现 1 引言 2 循环神经网络RNN 3 长短时记忆网络LSTM 特别内容 (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 |
| 案例实战课程安排 | |||
时间：4月24日 (09:00 - 18:00) 基于通义千问(Qwen)的创意广告生成 1 背景与目标 2 目标分析 3 模型部署与测试 3.1 模型下载 3.2 权重下载 3.3 环境准备 3.4 预训练模型测试 4 数据准备 4.1 数据格式说明 4.2 数据格式转化 5 模型微调训练 5.1 模型训练参数说明 5.2 模型微调 6 模型保存与测试 | 时间：4月25日(09:00 - 18:00) 基于大模型微调的命名实体识别 1 背景与目标 2 目标分析 3 模型准备 3.1 环境准备 3.2 权重下载 4 数据准备 4.1 数据格式说明 4.2 数据格式转化 4.3 构建Dataset 5 模型微调训练 5.1 构建模型训练函数 5.2 构建模型测试函数 5.3 模型训练 5.4 模型测试 6 小结 | 时间：4月26日(16:00 - 18:00) 基于大模型的金融问句语义相似度计算 1 案例背景及挖掘目标 2 语义文本相似度 3.1 预处理：文件加载 3.2 预处理：错别字纠正 3.3 预处理：数据类型转化与长度统计 3.4 预处理：数据准备 时间：4月27日 (09:00 - 18:00) 3.5 加载预训练模型 3.6 定义损失函数 3.7 模型训练 3.8 模型预测 3.9 模型评估 4 小结 | 拓展内容： 基于Transformer的疫情问诊系统自动翻译实现 1.1 机器翻译发展历程 1.2 任务目标及实现流程 2.1 数据加载 2.2 数据拆分 2.3 预训练模型介绍 2.4 Tokenizer介绍 2.5 Tokennizer调用实现 3 预训练模型加载 4.1 定义模型训练参数 4.2 定义数据收集器 4.3.1 BLEU值概念与计算 4.3.2 定义BLEU值 4.4 模型训练 5.1 模型推理 5.2 小结 时间：4月28日 (16:00 - 18:00) 职业技术考试 跳转至课程安排 |
专题二 数据采集与处理实战（Python&八爪鱼）课程大纲
| 技能学习(线上)课程安排 | |||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 时间：4月18日 (09:00 - 18:00) 专题讲座 计算机视觉技术及其应用 Pandas数据分析基础 1.1 掌握绘图基础语法与常用参数 1.2 分析特征间关系 1.3 分析特征内部数据分布与分散情况 | 时间：4月19日 (09:00 - 18:00) 2 Pandas统计分析基础 2.1 Pandas简介 2.2 读写不同数据源的数据 2.3 数据框与数据框元素 2.4 转换与处理时间序列数据 2.5 使用分组聚合进行组内计算 2.6 创建透视表与交叉表 时间：4月20日 (09:00 - 18:00) 3 使用Pandas进行数据与预处理 3.1 合并数据 3.2 清洗数据 3.3 标准化数据 3.4 转换数据 时间：4月21日 (09:00 - 18:00) Python网络爬虫实战 1 Python爬虫环境与爬虫简介 1.1 认识爬虫 1.2 认识反爬虫 1.3 配置Python爬虫环境 2 网页前端基础 2.1 认识网络信息传输过程 | 2.2 认识HTTP 3 简单静态网页爬取 3.1 认识静态网页 3.2 实现HTTP请求 3.3 解析网页 3.4 存储数据 时间：4月22日 (09:00 - 18:00) 4 认识动态网页 4.1 认识动态网页 4.2 逆向分析爬取动态网页 4.3 使用Selenium库爬取动态网页 时间：4月23日 (09:00 - 18:00) 5 模拟登录 5.1 使用表单登录方法实现模拟登录 5.2 使用Cookie登录方法实现模拟登录 5.3 使用Selenium模拟登录 拓展 6 Scrapy爬虫 6.1 认识Scrapy 6.2 通过Scrapy爬取基本页面信息 6.3 通过Scrapy抓取跳转页面数据 7 拓展：终端协议及爬取工具介绍 | 拓展内容 网站图像素材采集实战 1 思路介绍 2 单个图片文件爬取 3 获取一个页面所有图片网址 4 保存所有图片 5 翻页爬取更多数据 6 PDF文件规律及问题 7 PDF翻页刷新的网址规律 8 获取当前页所有图片网址 9 翻页刷新爬取所有图片 10 图片拼接成PDF文件 特别内容 (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 |
| 案例实战课程安排 | |||
时间：4月24日 (09:00 - 18:00) 泰迪内推平台招聘信息采集与分析 1 背景与目标 2 数据采集 2.1 网页结构探索 2.2 定位一级页面数据地址 2.3 爬取及解析一级页面数据 2.4 提取一级页面字段 2.5 定位二级页面数据地址 2.6 爬取及解析二级页面数据 2.7 翻页爬取及数据保存 3 数据处理 3.1 读取已爬取完成的数据 3.2 数据预处理操作 4 分析与可视化 4.1 招聘岗位对学历要求分析 4.2 各行业的大数据招聘需求数量分析 4.3 不同类型公司的薪资待遇分析 4.4 小结 | 时间：4月25日 (09:00 - 18:00) 新浪财经数据采集(八爪鱼工具) 1 背景与分析目标 2 目标分析 3.1 八爪鱼采集器介绍与安装 3.2 菜单栏和模块任务 4.1 自定义任务主界面介绍 4.2 新建自定义任务 4.3 自动识别爬虫字段 4.4 手动配置爬虫字段 4.5 翻页设置 4.6 二级页面爬取 4.7 进入二级页面的注意事项 4.8 数据预览操作 4.9 流程图操作 4.10 自定义任务保存 5.1 数据采集与导出 5.2 任务设置和保存 6小结 | 时间：4月26日 (09:00 - 18:00) 汽车质量投诉平台数据采集(八爪鱼工具) 1 背景与分析目标 2 数据采集 2.1 投诉网页分析和爬虫思路 2.2 分析翻页网址构造 2.3 自定义翻页网址列表 2.4 配置二级页面跳转位置 2.5 循环点击进入二级页面 2.6 配置二级页面的爬虫字段 2.7 修改字段名称 2.8 任务保存和开始采集 2.9 回顾：整体流程分析 3 数据和任务导出 3.1 查看爬虫任务明细 3.2 数据导出保存 4 总结 | 时间：4月27日(09:00 - 18:00) 微博疫情评论数据采集 1 背景与目标 2.1 评论结构分析 2.2 数据接口分析 3.1 微博页面接口分析 3.2 评论数据接口分析 3.3 评论回复数据爬取 3.4 单页微博及评论数据爬取 3.5 多线程爬虫 4 小结 时间：4月28日 (16:00 - 18:00) 职业技术考试 跳转至线上班课程安排 |
专题三 大数据分析与机器学习实战(Python)课程大纲
| 技能学习课程安排 | |||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 3 Matplotlib数据可视化基础 时间：4月18日 (09:00 - 18:00) 专题讲座 计算机视觉技术及其应用 Pandas数据分析基础 1 Pandas统计分析基础 1.1 Pandas简介 1.2 读写不同数据源的数据 1.3 数据框与数据框元素 1.4 转换与处理时间序列数据 1.5 使用分组聚合进行组内计算 1.6 创建透视表与交叉表 时间：4月19日 (09:00 - 18:00) 2 使用Pandas进行数据与预处理 2.1 合并数据 2.2 清洗数据 2.3 标准化数据 2.4 转换数据 | 时间：4月20日 (09:00 - 18:00) Python机器学习实战 1 机器学习绪论 1.1 引言 1.2 基本术语 1.3 假设空间&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 性能度量Python实现 3 回归分析 3.1 线性回归基本形式 3.2 线性回归模型的Python实现 3.3 波士顿房价预测的Python实现 3.4 逻辑回归介绍 3.5 研究生入学录取预测的Python实现 4 决策树 4.1 从女士相亲到决策树 4.2 明天适合打球吗 4.3 决策树拆分属性选择 4.4 决策树算法家族 4.5 泰坦尼克号生还者预测-数据预处理 4.6 泰坦尼克号生还者预测-模型构建与预测 | 时间：4月21日 (09:00 - 18:00) 5 人工神经网络 5.1 单个神经元介绍 5.2 经典网络结构介绍 5.3 神经网络工作流程演示 5.4 如何修正网络参数-梯度下降法 5.5 网络工作原理推导 5.6 网络搭建准备 5.7 样本从输入层到隐层传输的Python实现 5.8 网络输出的Python实现 5.9 单样本网络训练的Python实现 5.10 全样本网络训练的Python实现 5.11 网络性能评价 5.12 调用sklearn实现神经网络算法 时间：4月22日 (09:00 - 18:00) 6 支持向量机 6.1 间隔与支持向量 6.2 对偶问题 6.3 核函数 6.4 软间隔与正则化 6.5 支持向量机算法的Python实现 7 聚类算法 7.1 聚类分析概述 7.2 相似性度量 7.3 K-Means聚类分析算法介绍 7.4 利用K-Means算法对鸢尾花进行聚类 7.5 聚类结果的性能度量 7.6 调用sklearn实现聚类分析 | 拓展 8 集成学习 8.1 集成学习基本概念 8.2 并行集成算法-Bagging&RandomForest 8.3 串行集成算法-Boosting算法流程 8.4 串行集成算法-Boosting代码实现 8.5 Stacking算法流程 8.6 Stacking代码实现 拓展内容 特征工程 1、特征工程介绍 2、数据预处理 3、特征构建 4、特征选择 5、降噪与特征转换 6、特征学习 特别内容 (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 |
| 案例实战课程安排 | |||
时间：4月23日 (09:00 - 18:00) 网络入侵用户自动识别 1 背景与目标 2 数据处理 2.1 读取数据 2.2 了解数据基本情况 2.3 哑变量处理 2.4 拼接特征并删除无关列 2.5 标签转化及预处理函数封装 3 模型训练与验证 3.1 认识集成学习算法 3.2 模型训练与性能验证 3.3 保存模型训练集数据结构 4 模型应用与评估 4.1 加载并处理待预测样本 4.2 模型应用及性能评估 | 时间：4月24日 (09:00 - 18:00) 百货商场用户画像描绘与价值分析 1.1 背景与分析目标 2.1 会员信息表处理 2.2 销售流水表处理 3.1 会员年龄分析 3.2 不同年龄的消费能力 3.3 不同性别的消费情况 3.4 会员和非会员消费情况 3.5 商场会员年消费趋势 3.6 不同月份的消费趋势 3.7 每年每月的消费趋势 3.8 不同时刻的消费情况 4.1 用户画像介绍 4.2 会员基本信息标签 4.3 会员消费特征标签 4.4 会员商品偏好标签 4.5 生成用户画像 5.1 会员细分介绍 5.2 K-Means算法实现会员聚类 5.3 结果分析 | 时间：4月25日 (09:00 - 18:00) 天猫用户重复购买预测 1.1 背景与挖掘目标 2.1 工程环境准备 2.2 缺失值处理和数据去重 2.3 数据分布探索 3.1 特征工程介绍 3.2 原始特征 3.3 用户相关特征 3.3.1 用户相关特征：用户在平台的总交互次数 3.3.2 用户相关特征：用户最近一次购买离第一次时长 3.4 商家相关特征 3.4.1 商家相关特征：商家被交互的数量 3.4.2 商家相关特征：商家的复购次数 3.5 用户和商家相关特征 3.5.1 用户和商家相关特征：用户在商家的交互次数 3.5.2 用户和商家相关特征：不同用户在不同商家购买率 3.6 离散型特征处理 4.1 建模前的数据处理 4.2 模型构建 4.3 模型训练和评估 4.4 模型应用 5 小结 | 时间：4月26日 (09:00 - 18:00) 泰迪内推平台信息精准推荐应用 1 背景与目标 2 目标分析 2.1 推荐思路分析 2.2 基于物品的协同过滤推荐介绍 3 工程实现 3.1 EB工具登录简介 3.2 创建空白工程 3.3 导入数据 3.4 筛选郑文数据 3.5 字符替换及记录去重 3.6 划分训练集用户和测试集用户 3.7 构造训练集和测试集数据 3.8 构建模型 3.9 推荐及性能评估 4 小结 时间：4月27日 (16:00 - 18:00) 职业技术考试 跳转至线上班课程安排 |
专题四 商务数据分析实战(Python)课程大纲
| 技能学习课程安排 | |||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 时间：4月18日 (09:00 - 18:00) 专题讲座 计算机视觉技术及其应用 Python数据分析基础 1 Matplotlib数据可视化基础 1.1 掌握绘图基础语法与常用 1.2 分析特征间关系 1.3 分析特征内部数据分布与分散情况 | 时间：4月19日 (09:00 - 18:00) 2 Pandas统计分析基础 2.1 Pandas简介 2.2 读写不同数据源的数据 2.3 数据框与数据框元素 2.4 转换与处理时间序列数据 2.5 使用分组聚合进行组内计算 2.6 创建透视表与交叉表 | 时间：4月20日 (09:00 - 18:00) 3 使用Pandas进行数据预处理 3.1 合并数据 3.2 清洗数据 3.3 标准化数据 3.4 转换数据 | 时间：4月21日 (09:00 - 18:00) Python数据分析实训 1 iris数据处理实训 1.1 拓展学习资料&Python环境介绍 1.2 读取数据&修改列名称 1.3 以PythonConsole方式执行代码 1.4 缺失值处理 1.5 重置索引 2 探索chipotle数据 2.1 数据读取及介绍 2.2 分组聚合 2.3 数据类型转化 2.4 求客单价 3 探索Apple公司股价数据 3.1 数据读取及介绍 3.2 找到最后一个交易日 3.3 日期探索及可视化 特别内容 (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 |
| 案例实战课程安排 | |||
时间：4月22日 (09:00 - 18:00) 商务数据分析概述 1 商务数据分析基本概念 2 商务数据分析应用场景 3 商务数据分析主要工作及流程 4 商务数据分析方法与工具 5 商务数据分析产业需求 牛刀小试-T公司运营数据分析与业务决策 1 背景与目标 2 目标分析 3 数据探索与处理 3.1 数据探索与处理思路 3.2 读取项目数据&处理业务标签 3.3 日报表读取及上下半年数据拆分 3.4 读取人员成本数据并与日报表拼接 3.5 三表合并及异常值处理 4 数据分析 4.1 计算各类业务的核心指标 4.2 各类业务指标分析及可视化 4.3 各项目核心指标统计及分析 4.4 各部门的核心指标计算分析 5 分析结果与建议 时间：4月23日 (09:00 - 18:00) 回归分析-某市财政收入预测 1 背景与目标 1.1 案例背景 1.2 数据介绍 2 目标分析 3 线性回归分析 3.1 线性回归分析介绍 | 3.2 构建线性回归模型 3.3 利用构建好的模型进行预测 3.4 数据读取与拆分 3.5 模型训练与预测 4 分析结果与评估 4.1 模型性能评估 4.2 将预测结果可视化 4.3 G市未来两年财政收入预测 时间：4月24日 (09:00 - 18:00) 聚类分析-对某航空公司客户分群 1 背景与目标 2 数据预处理 2.1 数据读取 2.2 剔除票价为空的记录 2.3 剔除异常记录 3 特征构造 3.1 RFM模型介绍 3.2 LRFMC模型 3.3 构造入会时长特征 3.4 剩余特征构造 4 K-Means客户分群 4.1 使用K-Means算法进行客户分群 4.2 获取K-Means聚类结果 4.3 聚类结果可视化 5 小结 时间：4月25日 (09:00 - 18:00) 分类分析-运营商用户流失判别 1.1 背景与目标 1.2 案例思路分析 | 2.1 数据探索 2.2 数据去重及删除无关属性 2.3 用户分组及标签构建 2.4 提取用户基本信息和在网时长 2.5 处理合约是否有效 2.6 处理合约计划到期时间 2.7 其余变量处理 2.8 特征拼接及缺失值处理 2.9 数据保存 3.1 特征选择介绍 3.2 皮尔逊特征选择 3.3 处理样本类别不均衡问题 4.1 模型性能评估介绍 4.2 模型构建及性能评估 时间：4月26日 (09:00 - 18:00) 关联规则-购物篮商品推荐 1 背景与目标 2 目标分析 3 数据探索与处理 3.1 数据读取及筛选 3.2 将数据处理成购物篮形式并保存 4 关联规则分析 4.1 关联规则介绍 4.2 Apriori算法流程 4.3 提升度的概念 5 关联规则模型构建 5.1 数据加载及拆分 5.2 挖掘强关联规则(Apriori算法实现) 6 模型性能评估 | 时间：4月27日 (09:00 - 18:00) 协同过滤-泰迪内推平台信息精准推荐应用 1 背景与目标 2 目标分析 2.1 推荐思路分析 2.2 基于物品的协同过滤推荐介绍 3 工程实现 3.1 EB工具登录及简介 3.2 创建空白工程 3.3 导入数据 3.4 筛选正文数据 3.5 字符替换及记录去重 3.6 划分训练集用户和测试集用户 3.7 构建训练集和测试集数据 3.8 构建模型 3.9 推荐及性能评估 4 小结 时间：4月28日 (16:00 - 18:00) 职业技术考试 跳转至线上班课程安排 |
专题五 计算机视觉应用实战(PyTorch)课程大纲
| 技能学习课程安排 | |||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 3 Matplotlib数据可视化基础 4 Pandas统计分析基础 5 使用Pandas进行数据预处理
专题讲座 计算机视觉技术及其应用 Python机器学习实战 1 机器学习绪论 1.1 引言 1.2 基本术语 1.3 假设空间&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 性能度量Python实现 3 回归分析 3.1 线性回归基本形式 3.2 线性回归模型的Python实现 | 4 决策树 4.1 从女士相亲到决策树 4.2 明天适合打球吗 4.3 决策树拆分属性选择 4.4 决策树算法家族 4.5 泰坦尼克号生还者预测-数据预处理 4.6 泰坦尼克号生还者预测-模型构建与预测 时间：4月19日 (09:00 - 18:00) 5 人工神经网络 5.1 单个神经元介绍 5.2 经典网络结构介绍 5.3 神经网络工作流程演示 5.4 如何修正网络参数-梯度下降法 5.5 网络工作原理推导 5.6 网络搭建准备 5.7 样本从输入层到隐层传输的Python实现 5.8 网络输出的Python实现 5.9 单样本网络训练的Python实现 5.10 全样本网络训练的Python实现 5.11 网络性能评价 5.12 调用sklearn实现神经网络算法 时间：4月20日 (09:00 - 18:00) PyTorch框架基础实战 1 PyTorch简介 2 张量操作 2.1 创建张量 2.2 张量与数组相互转化 3 构建一个线性模型 3.1 任务描述：构建一个线性模型 3.2 读取数据 3.3 构建初始模型及损失函数 | 3.4 test-构建优化器 3.5 构建优化器 3.6 最小化方差(训练) 3.7 执行多轮训练 3.8 训练过程可视化 4 识别手写数字 4.1 案例目标与流程 4.2 加载数据 4.3 加工数据 4.4 模型结构介绍 4.5 构建模型 4.6 模型配置 4.7 模型训练 4.8 执行多轮训练 4.9 模型性能评估 4.10 保存模型 4.11 加载模型 4.12 模型应用 时间：4月21日 (09:00 - 18:00) PyTorch深度学习原理与实现 1 深度神经网络-引言 2 卷积神经网络CNN 2.1 浅层神经网络的局限 2.2 卷积操作 2.3 卷积操作的优势 2.4 池化及全连接 2.5 高维输入及多filter卷积 2.6 实现卷积和操作 2.7 将卷积结果可视化 2.8 实现池化操作 | 时间：4月22日 (09:00 - 18:00) 3 循环神经网络RNN 3.1 循环神经网络简介 3.2 循环神经网络的常见结构 4 长短时记忆网络LSTM 4.1 LSTM的三个门 4.2 LSTM三个门的计算示例 4.3 实现LSTM操作 4.4 LSTM返回值解读 5 利用RNN&LSTM实现MNIST手写数字识别 5.1 加载数据 5.2 数据加工 5.3 搭建循环神经网络 5.4 模型配置 5.5 模型训练 5.6 模型性能验证 特别内容 (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 |
| 案例实战课程安排 | |||
时间：4月23日 (09:00 - 18:00) 脑PET图像分析与疾病预测 1 背景与目标 2 数据处理 2.1 图像读取及尺寸调整 2.2 图像增强之翻转操作 2.3 图像增强之旋转缩放 2.4 获取所有照片路径 2.5 批量获取照片数据 2.6 将数据处理过程封装成函数 3 模型构建 3.1 定义卷积&池化层 3.2 定义全连接层 3.3 定义网络计算过程 3.4 数据集维度顺序调整及类型转化 3.5 数据集分批及打乱操作 3.6 模型构建及配置 3.7 模型训练 4 模型性能评估及应用 4.1 模型性能评估及保存 4.2 模型应用 时间：4月24日 (09:00 - 18:00) 基于FaceNet的人脸智能识别 1 背景与目标 1.1 背景与目标 1.2 目标分析 1.3 开发环境和工程结构介绍 | 2 人脸检测 2.1 MTCNN人脸检测介绍 2.2 执行人脸检测操作 3 人脸对齐 3.1 执行人脸对齐操作 3.2 人脸检测与对齐代码整理 4 人脸特征提取 4.1 FaceNet溯源-计算机视觉领域的部分大事件 4.2 FaceNet介绍 4.3 执行人脸特征提取操作 5 人脸识别 5.1 获取后台数据库中的人脸数据 5.2 获取后台数据库人脸数据脚本解读 5.3 完成人脸识别操作 5.4 代码整理与结构可视化 6 小结 时间：4月25日 (09:00 - 18:00) 基于YOLOX的农田害虫图像检测与识别 1 背景与目标 2 目标分析 2.1 目标检测任务的难点与挑战 2.2 目标检测方法发展历程 2.3 经典二阶段&一阶段算法介绍 3 YOLO目标检测 3.1 将目标检测任务转化为回归任务 3.2 YOLOv1中训练样本的标签设计 3.3 YOLOv1网络结构及输出数据解读 | 3.4 YOLOv1损失函数介绍 3.5 YOLOv1的缺点 3.6 YOLOv3及YOLOX介绍 3.7 目标检测常用数据集与性能评价指标介绍 3.8 项目目标完成步骤介绍 4 数据探索与处理 4.1 配套资源说明 4.2 数据探索 4.3 CopyAndPast数据增强介绍 4.4 CopyAndPast数据增强实现 4.5 汇总照片数据 时间：4月26日 (09:00 - 18:00) 5 数据加工 5.1 数据加工介绍 5.2 数据加工实现 6 环境搭建与模型训练 6.1 创建虚拟开发环境 6.2 启动虚拟环境并为其安装依赖库 6.3 安装YOLOX 6.4 模型训练 7 模型应用 7.1 模型应用 7.2 小结 8 拓展延申 | 时间：4月27日(09:00 - 18:00) 基于YOLOv8的岩石样本图像分割 1 背景与分析目标 2 数据集准备 2.1 labelme图像标注使用 2.2 岩石样本标注 2.3 格式转化(jsom转txt) 2.4 数据划分 2.5 数据文件结构 3 YOLOv8图像分割 3.1 YOLOv8模型概述 3.2 ultralytics模型文件下载 3.3 模型文件结构 3.4 模型权重下载 3.5 数据文件(yaml)配置 3.6 模型训练 3.7 训练结果分析 3.8 模型预测 4 总结 时间：4月28日 (16:00 - 18:00) 职业技术考试 跳转至线上班课程安排 |
专题六 PyTorch与人工智能实战课程大纲
| 技能学习课程安排 | ||||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 3 Matplotlib数据可视化基础 4 Pandas统计分析基础 5 使用Pandas进行数据预处理 时间：4月18日(09:00 - 18:00) 专题讲座 计算机视觉技术及其应用 Python机器学习实战 1 机器学习绪论 1.1 引言 1.2 基本术语 1.3 假设空间&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 性能度量Python实现 3 回归分析 3.1 线性回归基本形式 3.2 线性回归模型的Python实现 4 决策树 4.1 从女士相亲到决策树 4.2 明天适合打球吗 4.3 决策树拆分属性选择 4.4 决策树算法家族 4.5 泰坦尼克号生还者预测-数据预处理 4.6 泰坦尼克号生还者预测-模型构建与预测 时间：4月19日 (09:00 - 18:00) 5 人工神经网络 5.1 单个神经元介绍 5.2 经典网络结构介绍 5.3 神经网络工作流程演示 5.4 如何修正网络参数-梯度下降法 5.5 网络工作原理推导 5.6 网络搭建准备 5.7 样本从输入层到隐层传输的Python实现 5.8 网络输出的Python实现 5.9 单样本网络训练的Python实现 5.10 全样本网络训练的Python实现 5.11 网络性能评价 5.12 调用sklearn实现神经网络算法 | 时间：4月20日 (09:00 - 18:00) PyTorch框架基础实战 1 PyTorch简介 2 张量操作 2.1 创建张量 2.2 张量与数组相互转化 3 构建一个线性模型 3.1 任务描述：构建一个线性模型 3.2 读取数据 3.3 构建初始模型及损失函数 3.4 test-构建优化器 3.5 最小化方差(训练) 3.6 执行多轮训练 3.7 训练过程可视化 时间：4月21日(09:00 - 18:00) 4 识别手写数字 4.1 案例目标与流程 4.2 加载数据 4.3 加工数据 4.4 模型结构介绍 4.5 构建模型 4.6 模型配置 4.7 模型训练 4.8 执行多轮训练 4.9 模型性能评估 4.10 保存模型 4.11 加载模型 4.12 模型应用 | 时间：4月22日 (09:00 - 18:00) PyTorch深度学习原理与实现 1 深度神经网络-引言 2 卷积神经网络CNN 2.1 浅层神经网络的局限 2.2 卷积操作 2.3 卷积操作的优势 2.4 池化及全连接 2.5 高维输入及多filter卷积 2.6 实现卷积和操作 2.7 将卷积结果可视化 2.8 实现池化操作 | 时间：4月23日 (09:00 - 18:00) 3 循环神经网络RNN 3.1 循环神经网络简介 3.2 循环神经网络的常见结构 4 长短时记忆网络LSTM 4.1 LSTM的三个门 4.2 LSTM三个门的计算示例 4.3 实现LSTM操作 4.4 LSTM返回值解读 5 利用RNN&LSTM实现MNIST手写数字识别 5.1 加载数据 5.2 数据加工 5.3 搭建循环神经网络 5.4 模型配置 5.5 模型训练 5.6 模型性能验证 特别内容 (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高校 (3) 大模型（ChatGLM2-6B）产业应用漫步与畅想 |
| 案例实战课程安排 | ||||
时间：4月24日(09:00 - 18:00) 基于textCNN的公众健康问句分类 1 背景与目标 1.1 背景与目标 1.2 目标分析 2 数据探索与处理 2.1 数据探索 2.2 剔除无效字符及分词操作 2.3 读取停用词表 2.4 去除停用词 2.5 为词语编号 3 词嵌入(Word2Vec) 3.1 词嵌入(Word2Vec)介绍 3.2 获取目标词向量矩阵 3.3 博爱从处理好的数据 4 模型构建(textCNN) 4.1 统一各样本的词语数量 4.2 textCNN介绍 4.3 构建textCNN 4.4 建模前数据准备 4.5 执行模型训练 5 模型性能评估 5.1 模型性能评估 5.2 小结 | 时间：4月25日(09:00 - 18:00) 新冠疫情期间网民情绪识别 1 背景与目标 2 数据准备 2.1 数据基本介绍 2.2 词嵌入介绍 2.3 进行词向量训练 2.4 构建词向量矩阵 2.5 获取编码后的语料库 2.6 对各样本执行padding操作 2.7 拆分数据并将其转为模型所需格式 3 模型训练与性能验证 3.1 Embedding层介绍 3.2 定义Embedding层算子 3.3 定义LSTM层算子 3.4 定于全连接层算子 3.5 定义网络计算流程 3.6 模型构建及配置 3.7 模型训练 3.8 模型性能评估 4 小结 | 时间：4月26日 (09:00 - 18:00) 基于FaceNet的人脸智能识别 1 背景与目标 1.1 背景与目标 1.2 目标分析 1.3 开发环境和工程结构介绍 2 人脸检测 2.1 MTCNN人脸检测介绍 2.2 执行人脸检测操作 3 人脸对齐 3.1 执行人脸对齐操作 3.2 人脸检测与对齐代码整理 4 人脸特征提取 4.1 FaceNet溯源-计算机视觉领域的部分大事件 4.2 FaceNet介绍 4.3 执行人脸特征提取操作 5 人脸识别 5.1 获取后台数据库中的人脸数据 5.2 获取后台数据库人脸数据脚本解读 5.3 完成人脸识别操作 5.4 代码整理与结构可视化 6 小结 | 时间：4月27日(16:00 - 18:00) 职业技术考试 跳转至线上班课程安排 | |
专题七 网络爬虫与舆情分析(Python)课程大纲
| 技能学习课程安排 | ||||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 3 Matplotlib数据可视化基础 4 Pandas统计分析基础 5 使用Pandas进行数据预处理 时间：4月18日(09:00 - 18:00) 专题讲座 计算机视觉技术及其应用 网络舆情与情感分析概述 1 网络舆情概论 2 网络舆情分析技术 3 网络信息采集技术 4 文本分割技术基础概念 5 文本情感分析技术基本概念 6 情感信息分类 7 情感信息的检索与归纳 | 时间：4月19日(09:00 - 18:00) Python机器学习实战 1 机器学习绪论 1.1 引言 1.2 基本术语 1.3 假设空间&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 性能度量Python实现 3 回归分析 3.1 线性回归基本形式 3.2 线性回归模型的Python实现 4 决策树 4.1 从女士相亲到决策树 4.2 明天适合打球吗 4.3 决策树拆分属性选择 4.4 决策树算法家族 4.5 泰坦尼克号生还者预测-数据预处理 4.6 泰坦尼克号生还者预测-模型构建与预测 | 时间：4月20日(09:00 - 18:00) 5.1 聚类分析概述 5.2 相似性度量 5.3 K-Means聚类分析算法介绍 5.4 利用K-Means算法对鸢尾花进行聚类 5.5 聚类结果的性能度量 5.6 调用sklearn实现聚类分析 6.1 间隔与支持向量 6.2 对偶问题 6.3 核函数 6.4 软间隔与正则化 6.5 支持向量机算法的Python实现 时间：4月21日(09:00 - 18:00) Python网络爬虫实战 1 Python爬虫环境与爬虫简介 1.1 认识爬虫 1.2 认识反爬虫 1.3 配置Python爬虫环境 2 网页前端基础 2.1 认识网络信息传输过程 2.2 认识HTTP 3 简单静态网页爬取 3.1 认识静态网页 3.2 实现HTTP请求 3.3 解析网页 3.4 存储数据 | 时间：4月22日(09:00 - 18:00) 4 认识动态网页 4.1 认识动态网页 4.2 逆向分析爬取动态网页 4.3 使用Selenium爬取动态网页 5 模拟登录 5.1 使用表单登陆方法实现模拟登录 5.2 使用Cookie登录方法实现模拟登录 5.3 使用Selenium模拟登录 拓展 6 Scrapy爬虫 6.1 认识Scrapy 6.2 通过Scrapy爬取基本页面信息 6.3 通过Scrapy抓取跳转页面数据 7 拓展：终端协议及爬取工具介绍 | 时间：4月23日(09:00 - 18:00) Python文本挖掘实战 1 自然语言处理简介 2 开源中文NLP系统介绍 3 中文分词介绍 4 机械分词法 5 机器学习算法分词 6 NLP概率图介绍 7 jieba分词演示 8 文本的one-hot表达 9 tf-idf权值策略实现 10 文本的TF-IDF表达 11 模型训练与预测 特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高效 (3) 大模型(ChatGLM2-6B)产业应用漫步与畅想 |
| 案例实战课程安排 | ||||
时间：4月24日(09:00 - 18:00) 微博疫情评论数据爬虫 1 背景与目标 2.1 评论结构分析 2.2 数据接口分析 3.1.1 微博页面接口分析 3.1.2 微博ID获取 3.1.3 微博接口数据获取 3.1.4 微博接口请求 3.1.5 长文本获取 3.1.6 单页微博获取 3.1.7 但也微博获取函数 3.2.1 评论数据接口分析 3.2.2 单页评论获取 3.2.3 多页评论翻页 3.3 评论回复数据爬取 3.4 但也微博及评论数据爬取 3.5 多线程爬虫 4 小结 | 时间：4月25日(09:00 - 18:00) 基于情感分析的疫情期间网民情绪识别 1 背景与目标 2.1 情感分析介绍 2.2 数据预处理 2.3 官方数据删除 2.4 BosonNLP情感词典打分 2.5 SnowNLP情感分析 3.1 情感分类-数据预处理 3.2 分词和去停用词 3.3 TF-IDF词向量 3.4 朴素贝叶斯 3.5 朴素贝叶斯情感分类 3.6 模型预测和总结 | 时间：4月26日(09:00 - 18:00) 网络问政平台数据爬虫 1 背景与目标 2.1 网址分析 2.2 留言ID 获取 2.3 留言详情获取 2.4 留言详情回复获取 2.5 函数整合 2.6 多线程爬取 | 时间：4月27日(09:00 - 18:00) 智慧政务下的问政舆情分析 1 背景与目标分析 2.1 样本量分析 2.2 重复数据处理 2.3 文本预处理 2.4 分词和去停用词 2.5 词云图分词 2.6 词向量获取 2.7 SVM文本分类 2.8 模型应用 3.1 热点数据预处理 3.2 热点数据转化 3.3 密度聚类简介 3.4 热点聚类 3.5 超参数选择 3.6 热度排序 4 小结 | 时间：4月28日(16:00 - 18:00) 职业技术考试 跳转至课程安排 |
专题八 Python金融数据分析与实战课程大纲
| 技能学习课程安排 | ||||
时间：报名成功后即可开始学习 1 认识Python 2 编写Python程序 3 认识Python数据结构 4 条件判断及分支语句 5 使用def定义函数 6 认识面向对象 7 读取文件数据 8 模块和第三方库 1 Python数据分析概述 2 NumPy数值计算基础 3 Matplotlib数据可视化基础 时间：4月18日(09:00 - 18:00) 专题讲座 计算机视觉技术及其应用 Pandas数据分析基础 1 Pandas统计分析基础 1.1 Pandas简介 1.2 读写不同数据源的数据 1.3 数据框与数据框元素 1.4 转换与处理时间序列数据 1.5 使用分组聚合进行组内计算 1.6 创建透视表与交叉表 | 时间：4月19日(09:00 - 18:00) 2 使用Pandas进行数据预处理 2.1 合并数据 2.2 清洗数据 2.3 标准化数据 2.4 转换数据 时间：4月20日(09:00 - 18:00) Python机器学习实战 1 机器学习绪论 1.1 引言 1.2 基本术语 1.3 假设空间&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 性能度量Python实现 3 回归分析 3.1 线性回归基本形式 3.2 线性回归模型的Python实现 4 决策树 4.1 从女士相亲到决策树 4.2 明天适合打球吗 4.3 决策树拆分属性选择 4.4 决策树算法家族 | 4.5 泰坦尼克号生还者预测-数据预处理 4.6 泰坦尼克号生还者预测-模型构建与预测 时间：4月21日(09:00 - 18:00) 5 人工神经网络 5.1 单个神经元介绍 5.2 经典网络结构介绍 5.3 神经网络工作流程演示 54 如何修正网络参数-梯度下降法 5.5 网络工作原理推导 5.6 网络搭建准备 5.7 样本从输入层到隐层传输的Python实现 5.8 网络输出的Python实现 5.9 单样本网络训练的Python实现 5.10 全样本网络训练的Python实现 5.11 网络性能评价 5.12 调用sklearn实现神经网络算法 | 时间：4月22日(09:00 - 18:00) 6 支持向量机 6.1 间隔与支持向量 6.2 对偶问题 6.3 核函数 6.4 软间隔与正则化 6.5 支持向量机算法的Python实现 7 聚类算法 7.1 聚类分析概述 7.2 相似性度量 7.3 K-Means聚类分析算法介绍 7.4 利用K-Means算法对鸢尾花进行聚类 7.5 聚类结果的性能度量 7.6 调用sklearn实现聚类分析 | 时间：4月23日(09:00 - 18:00) 1 iris数据处理实训 1.1 拓展学习资料&Python环境介绍 1.2 读取数据&修改列名称 1.3 以PythonConsole方式执行代码 1.4 缺失值处理 1.5 重置索引 2 探索chipotle数据 2.1 数据读取及介绍 2.2 分组聚合 2.3 数据类型转化 2.4 求客单价 3 探索Apple公司股价数据 3.1 数据读取及介绍 3.2 找到最后一个交易日 3.3 日期探索及可视化 特别内容： (1) ChatGPT教学应用 (2) 金牌助手ChatGPT，让应用开发更高效 (3) 大模型(ChatGLM2-6B)产业应用漫步与畅想 |
| 案例实战课程安排 | ||||
时间：4月24日(09:00 - 18:00) 上市公司综合评价 1 背景与目标 2 目标分析 3 数据处理 3.1 财务指标数据读取 3.2 缺失值与异常值处理 3.3 数据标准化 4 主成分分析 4.1 主成分分析介绍 4.2 PCA实现及综合评分 4.3 评分排序及代码整理 4.4 投资组合设计 5 收益率计算 5.1 收益率计算介绍 5.2 单只股票收益率计算 5.3 投资组合整体收益率计算 5.4 沪深300收益率计算 5.5 投资组合收益率与沪深300收益率汇总计算 6 投资策略与分析 7 小结 | 时间：4月25日(09:00 - 18:00) 信用卡高风险客户分析 1 背景与目标 2 目标分析 3 数据探索与处理 3.1 数据探索分析介绍 3.2 数据读取与基本探索 3.3 缺失值处理 3.4 异常值探索与可视化 3.5 数据标准化处理 4 模型训练与评估 4.1 建模前数据准备 4.2 模型训练 4.3 ROC曲线图与AUC值介绍 4.4 模型测试性能评估 5 模型优化 5.1 处理预期噪声点 5.2 其他特征的异常值处理 5.3 模型保存 6 新样本预测 | 时间：4月26日(09:00 - 18:00) 金融客户产品购买预测 1 背景与目标 2 目标分析 3 数据探索与处理 3.1 数据探索与处理介绍 3.2 数据读取及基本情况探索 3.3 将离散数据转为数值数据 4 特征选择 4.1 特征选择介绍 4.2 特征选择实现 4.3 数据整理及函数封装 5 模型训练与评估 5.1 模型训练 5.2 模型性能评估 5.3 保存已训练的模型 5.4 模型调用及新样本预测 6 模型优化 6.1 网格搜索 6.2 集成学习介绍 6.3 集成学习实现-梯度提升树 7 新样本预测 8 补充说明 | 时间：4月27日(16:00 - 18:00) 职业技术考试 跳转至线上班课程安排 | |
附件三 师资介绍
 | 冯国灿博士，中山大学数学学院教授，博士生导师。泰迪杯数据挖掘挑战赛组委会委员，中国工业与应用数学会常务理事，广东省工业与应用数学学会理事长，2000-2002英国格莱莫根大学数字图像实验室和布拉德福大学数字媒体实验室做博士后研究员。主要从事模式识别、计算机视觉研究，参加主持包括国家自然科学基金等科学基金20多项，发表学术论文100余篇，入选2014-2019爱思唯尔计算机科学中国高被引学者排行榜。 |
 | 樊老师，广东泰迪智能科技股份有限公司特聘讲师，某国际银行大数据开发工程师，Hortonworks授权Apache Hadoop开发者认证培训讲师，Hadoop、Mahout技术实践者和研究者；对Hadoop的MapReduce编程模型有深刻理解，同时对Mahout技术有较深认识，对Mahout源码有深入研究，擅于Mahout中数据挖掘的K均值聚类算法、贝叶斯分类算法、FP树关联规则算法的应用；主编《Mahout算法解析与案例实战》、《Hadoop数据分析与挖掘实战》、《Hadoop与大数据挖掘》等图书专著；具有电信行业和银行业的项目经验和行业知识，主持中国电科院电力大数据平台、电能量数据挖掘与智能分析、客户服务智能分析系统等项目 |
| 华为资深工程师(特邀嘉宾)，华为作为全球领先的ICT(信息与通信)基础设施和智能终端提供商，积极参与人工智能变革，提成华为的全栈全场景AI解决方法。本次主要分享华为昇腾AI的全栈全场景解决方案及其应用。 | |
 | 张敏，广东泰迪智能科技股份有限公司培训总监，高级信息系统项目管理师。具有丰富的大数据挖掘、人工智能教学和开发经验，曾为南方电网、国家电网、格力电器、珠江数码等多个大型企业提供i项目研发与维护服务。参编数据挖掘与人工智能类教材10余本，作为主讲老师参与国内高校和企业关于数据挖掘、人工智能相关培训班百余场。 |
 | 周东平，广东泰迪智能科技股份有限公司产品总监，高级数据分析师。项目经理。从事数据行业多年，熟悉大数据、人工智能相关项目开发流程；具有丰富的大数据、人工智能产品与应用设计经验，对于大数据、人工智能教学具有深入研究。精通Python语言，策划主持编写Python方向大数据与人工智能图书10余本，包括《Python数据分析与应用》、《Python3智能数据分析快速入门》、《大数据数学基础（Python语言描述）》等。在职期间参与项目涵盖电力、税务、金融、新闻、建筑等方向，具有丰富的行业经历。 |
 | 律波，广东泰迪智能科技股份有限公司高级数据分析工程师，应用统计学硕士，有较强的统计学、数学、数据挖掘理论功底；精通R、Python、Power BI、Excel等数据挖掘分析工具，具有丰富的培训和项目经验，擅长从数据中发掘规律，对数据具有较高的敏感度，逻辑思维能力强，擅长数据可视化，机器学习、深度学习等算法原理的实现，如神经网络、SVM、决策树、贝叶斯等；负责"珠江数码大数据营销推荐应用"项目，完成标签库的构建及产品推荐模型；负责"京东电商产品评论情感分析"项目，完成了评论数据情感评价模型、LDA主题模型的构建；通过项目案例的转换；负责多个本科类院校数据分析软件培训和毕业生数据分析培训，先后负责广西科技大学、闽江学院、广东石油化工、韩山师范学院、广西师范大学等数据分析软件培训及实训等。多次负责"泰迪杯"数据挖掘大赛题目的构思和实现、赛前培训。大数据专业系列图书编写委员会成员，负责《R语言与数据挖掘》、《Python实训案例》、《Excel可视化案例》等书籍编写工作。 |
 | 陈四德，广东泰迪智能科技股份有限公司高级数据分析师，统计学专业，对数据统计分析和数据挖掘领域均有较强的理解和理论基础；有造价行业、游戏行业背景和丰富的项目经验，精通行业内的各种指标分析，擅于从多维度分析数据，逻辑性强；擅长Python、R语言、MySQL数据库等工具，能熟练对数据进行数据处理和分析，掌握常用的数据挖掘算法如分类、聚类等，以及深度学习TensorFlow的使用。负责“网站会员流失预测”项目，完成数据处理，模型构建；负责“平台BI埋点数据入库及数据分析”项目，完成数据盘点、数据指标整理和把控；负责“游戏数据分析”项目，完成产出游戏生态日报、客户价值分群结果、用户流失的预警、用户画像指标的完善和维护，项目经验丰富。负责过西安交大城市学院、福建农林大学、国培师资培训、韩山师范学院数据分析就业班、湖南科技职业技术学院、武汉科技大学、广东机电职业技术学院国培、柳州城市职业技术学院第一届大数据职业技能竞赛指导、吉林大学珠海学院等培训项目，授课经验丰富。负责过“泰迪杯”数据挖掘挑战赛出题及赛题指导。 |
 | 焦正升，广东泰迪智能科技股份有限公司资深项目研发工程师、高级信息系统项目经理、高级软件开发工程师，拥有7年相关从业经验；致力于信息技术的应用与传播，信息系统产业的发展。精通JAVA编程语言，熟悉Spring Boot、Spring Cloud等主流开发框架、MySQL数据库、VUE数据驱动渐进式框架等主流技术。参与《Hadoop与大数据挖掘》、《Hadoop大数据分析与挖掘实战》等图书的编写。拥有电力、电子政务、轻工环保、交通运输等多项领域的项目管理研发经验，项目团队为北京市信访办研发的“大数据助力智慧信访”系统获得第七届金玲奖-公共服务类“智能决策奖”。 |
 | 叶丽凡，广东泰迪智能科技股份有限公司高级大数据开发工程师，对Hadoop大数据技术有深入理解，熟悉HDFS分布式文件系统存储结构，熟练掌握Hadoop环境部署和MapReduce计算框架编程。对HBase、Hive数据库有深刻了解。掌握Spark原理及编程，熟悉Spark底层运行机制，并熟练使用Spark SQL即时查询框架和Spark MLlib算法库。深度参与过华南某广电公司大数据营销推荐系统开发，利用Hadoop + Spark + Hive为其中的400多万用户生成用户画像。参与编写《Hadoop与大数据挖掘》、《Spark大数据技术与应用》等图书。跟进负责全国高校大数据与人工智能双师骨干师资研修班、韩山师范学院等高校的大数据培训课程。 |
