Python课程内容学什么？
第一阶段:专业核心基础
阶段目标:
1.熟悉Python开发环境和编程核心知识。
2.熟练运用Python面向对象知识进行程序开发。
3.对Python的核心库和组件有深入的了解。
4.熟练使用SQL语句进行常见的数据库操作。
5.熟练使用Linux操作系统命令和环境配置。
6.熟练使用MySQL，掌握高级数据库操作。
7.能综合运用所学知识完成项目。
知识点:
Python编程基础，Python面向对象，Python高级进阶，MySQL数据库，Linux操作系统。
1，Python编程基础，语法规则，函数和参数，数据类型，模块和包，文件IO，培养扎实的Python编程基本功，熟练运用Python核心对象和库编程。
2、Python面向对象、核心对象、异常处理、多线程、网络编程，深入了解面向对象编程、异常处理机制、多线程原理、网络协议知识，并熟练运用到项目中。
3.类的原理，元类，下划线的特殊方法，递归，魔术方法，反射，迭代器，装饰器，单元测试，模拟。深刻理解面向对象的底层原理，掌握Python开发的先进技术，了解单元测试技术。
4、数据库知识，范型，MySQL配置，命令，建库建表，数据添加，删除，查询，约束，视图，存储过程，函数，触发器，事务，游标，PDBC，深入了解数据库管理系统的一般知识以及MySQL数据库的使用和管理。为Python后台开发打下坚实的基础。
5.Linux安装和配置，文件目录操作，VI命令，管理，用户和权限，环境配置，Docker和Shell编程。Linux作为主流的服务器操作系统，是每个开发工程师都必须掌握并能熟练运用的关键技术。
第二阶段:PythonWEB开发
阶段目标:
1.熟悉Web前端开发技术，HTML，CSS，JavaScript和前端框架。
2.深刻理解Web系统中前后端的交互过程和通信协议。
3.熟练使用Django、Flask等Web前端和主流框架，完成Web系统的开发。
4.深入了解网络协议、分布式、PDBC、AJAX、JSON等知识。
5.能够运用所学开发一个MiniWeb框架，掌握框架的实现原理。
6.利用Web开发框架实现跨项目
知识点:
Web前端编程，Web前端高级，Django开发框架，Flask开发框架，Web开发项目实战。
1、网页元素、布局、CSS样式、盒子模型、JavaScript、JQuery和BootStrap掌握前端开发技术，掌握JQuery和Bootstrap的前端开发框架，完成页面布局和美化。
2、前端开发框架Vue、JSON数据、网络通信协议、Web服务器和前端交互熟练使用Vue框架，深刻理解HTTP网络协议，熟练使用Swagger和AJAX技术实现前端交互。
3.定制WEB开发框架，Django框架的基本使用，模型属性和后端配置，Cookie和Session，模板模版，ORM数据模型，Redis二级缓存，RESTful，MVC模型，掌握Django框架的常用API，集成前端技术，开发完整的Web系统和框架。
4.Flask安装配置、App对象的初始化和配置、视图函数的路由、请求对象、中止函数、自定义错误、视图函数的返回值、Flask上下文和请求钩子、模板、数据库扩展包Flask-Sqlalchemy、数据库迁移扩展包Flask-Migrate、邮件扩展包Flask-Mail。掌握Flask框架的常用API，与Django框架的异同，能够独立开发一套完整的WEB系统开发。
第三阶段:爬虫和数据分析
阶段目标:
1.熟悉爬虫的工作原理和常用网络数据包捕获工具的使用，能够分析HTTP和HTTPS协议。
2.熟练掌握各种常见的网页结构解析库，解析提取抓取结果。
3.熟悉各种常见的防爬机制和应对策略，能够应对常见的防爬措施。
4.巧用商业爬虫框架Scrapy写大型网络爬虫抓取分布式内容。
5.熟悉数据分析相关概念和工作流程。
6.熟悉主流数据分析工具Numpy，Pandas，Matplotlib的使用。
7.熟悉数据清理、整理、格式转换和数据分析报告的撰写。
8.能够抓取豆瓣的影评数据。并完成实战全过程的数据分析。
知识点:
网络爬虫开发，数据分析的数量，数据分析的熊猫。
1，爬取原理，爬取过程，页面解析工具LXML，Beautifulfoup，正则表达式，代理池编写及架构，常见反爬取措施及解决方案，爬虫框架结构，商业爬虫框架Scrapy。通过对爬取原理、网站数据爬取流程、网络协议的分析和理解，掌握页面解析工具的使用，可以灵活应对大多数网站的反爬取策略。
2.numpy中ndarray的数据结构特点，Numpy支持的数据类型，自身的数组创建方法，算术运算符，矩阵乘积，自增自减，通用函数和聚合函数，ndarray的切片索引，向量化和广播机制，熟悉数据分析三大利器之一Numpy的常用用法，熟悉ndarray数据结构的特点和常用操作，掌握不同维数ndarray数组的切片，索引，矩阵运算等操作。
3.Pandas中的三种数据结构，包括数据帧、序列和索引对象的基本概念和用法，索引对象的替换和删除，索引、算术和数据对齐、数据清洗、数据规范化和结构转换的方法，熟悉数据分析三大利器之一Pandas的常用用法，以及Pandas中三种数据对象的使用方法，能够使用Pandas完成数据分析中最重要的数据清洗、格式转换和数据规范化工作，并通过Pandas读取和操作文件。
4.matplotlib的三层结构体系，各种常见图表类型的绘制，如折线图、柱形图、堆积柱形图、饼图，图例、文字、标记的添加，可视化文件的保存。熟悉数据分析三大利器之一Matplotlib的常用用法和Matplotlib的三层结构，能熟练使用Matplotlib绘制各种常用的数据分析图表。能够综合运用课程中提到的各种数据分析和可视化工具，完成股市数据分析和预测、单车用户数据分析、全球幸福指数数据分析等项目的实战全过程。
第四阶段:机器学习和人工智能
阶段目标:
1.了解机器学习和系统处理流程相关的基本概念。
2.能够熟练应用各种常见的机器学习模型，解决有监督学习和无监督学习的训练和测试问题，解决回归和分类问题。
3.熟悉常用的分类算法和回归算法模型，如KNN、决策树、随机森林、K-Means等。
4.掌握卷积神经网络对图像识别和自然语言识别的处理方法，熟悉深度学习框架TF中的张量、守恒和梯度优化模型。
5.掌握深度学习卷积神经网络的运行机制，能够定制卷积层、池层、FC层，完成图像识别、手写字体识别、验证码识别等常规深度学习实际项目。
知识点:
1，机器学习常用算法，sklearn数据集的使用，词典特征提取，文本特征提取，归一化，标准化，数据主成分分析PCA，KNN算法，决策树模型，随机森林，线性回归和逻辑回归模型及算法。熟悉机器学习相关的基本概念，掌握机器学习的基本工作流程，熟悉特征工程，能够使用各种常用的机器学习算法模型解决分类、回归、聚类等问题。
2.与Tensorflow、TF数据流图、conversation、张量、张量板可视化、张量修改、TF文件读取、tensorflow playround使用、神经网络结构、卷积计算、激活函数计算、池层设计相关的基本概念，掌握机器学习和深度学习之前的区别和练习，掌握深度学习的基本工作流程。熟悉神经网络的结构和特点，张量、图结构和OP对象的使用，熟悉输入层、卷积层、池层和全连接层的设计，完成验证码识别、图像识别、手写输入识别等常见深度学习项目的全过程。