课程介绍：

       本课程由七大部分构成，Python基础阶段，Linux应用与管理，PythonWeb开发，Python高级阶段(爬虫+数据库)，数据分析阶段,人工智能阶段， 课程Web开发阶段（前端+框架+微信小程序），并涉及到软件开发、网络爬虫、 数据分析与人工智能等最前沿的开发技术。课程中的每个知识点都是程序开发人员必不可少的内容，而且每个技术点的内容都非常全面， 深度到位，课程当中不仅有丰富实用的教学案例，而且还融入了软件工程知识的企业级实战项目。另外，每个知识点都是以目前最新版本的技术设计， 每半年一更新，并经过多家大型软件公司的技术专家（百度、京东等）参与修订，力求达到真正实用的目的，并与软件开发公司所需要的开发技术相吻合。

课程特点：

• - 入门容易，上手快
• - 学习周期短，以保证以最短的时间，达到可以从事数据分析师的水平
• - 采用案例式教学，通过专家讲师的带领使学员可以具有独立开发的能力
• - 利用Python开发进入数据抓取及数据分析项目开发领域
• - 与大型 Python开发型项目技术同步，应用最主流的Python框架等高级技术
• - 从网站的需求分析、概念设计和SQL，讲解数据库的模式、使用和设计流程
• - 课程的技术点完全采用编码规范，使学员熟练应用，提高编码效率

目标岗位：

• - Python软件开发工程师
• - 网络爬虫工程师
• - 数据分析工程师
• - 机器学习工程师
• - Python全栈互联网开发工程师
• - Python Web开发工程师

学习目标：

• - 迅速掌握开发技能，积累开发经验
• - 通过本课程高级部分学习，包括Python基础及相关技术，提高编程能力
• - 符合企业需求的Python软件开发工程师
• - 熟悉数据库服务器的管理、操作并精通SQL语句编写
• - 熟练使用python等技术进行网络数据的抓取,并进行相关的数据分析
• - 熟练掌握Excel,SPSS.SQL等专业的数据分析工具
• - 熟练使用Python进行数据分析及数据可视化
• - 掌握机器学习算法及人工智能领域中的机器学习技术，面向未来，成长为IT领域内的技术大咖
• - 熟悉Python开发，能搭建最好的网站运行平台，对服务器进行管理、维护以及安全防范

适合人群：

• - 即将毕业的在校大专生或本科生
• - 在校的本专科院校的大学生，有无基础都可以，但必须对软件开发行业有兴趣
• - 刚毕业但想从事软件开发行业的学生
• - 从事过相关工作想转向后台业务开发的人员
• - 有过工作经验并想提高自己进入数据分析或者人工智能领域的
• - 出于个人爱好，想开发自己熟悉业务的网站人员
• - 创业人员，开发自己创业项目中的产品

阶段一 Python编程基础

说明：

       语言基础打的牢固， 是学习全栈技能的基础 Python语言入门容易，上手快。基础一定要打好， 虽然学完基础还不具备开发能力， 但是为后面的课程做好铺垫。

收获：

       学完此阶段能够熟练使用Python完成各种数据类型的操作。 还需要掌握Python控制语句、文件操作、异常处理相关操作， 以及掌握Python函数的使用、编写方法，可以熟练的进行模块化编程，和掌握Python面向对象思想及面向对象设计。这些内容每个细节都要掌握， 后面的课程和开发中都需要用到。

阶段二 Linux的系统应用与管理

说明：

       Linux操作系统应该算是程序员和运维人员必备的技能，现在几乎所有的软件在服务器端运行都是在Linux操作系统上， 因为Linux是一种命令行的管理方式， 非常用利于远程进行服务器的管理操作，另外Linux操作系统运行稳定、安全、速度快。好多服务器端的软件有的只有Linux平台版本。 Linux本身就是一个操作系统， 学习操作系统本身比较轻松， 只是你刚开始可能排斥这种命令行的模式，如果你能将Windows的图形操作都转化成使用命令行操作，Linux也就学会了。 后期学习Linux操作系统，其实除了操作系统本身的操作以外， 最主要学习的还是安装在Linux操作系统上面的软件的配置与管理， 当然可以根据需要，学习可以会用到的软件即可。

收获：

       作为以后的PHP程序员，一定要掌握 linux 文件目录操作、掌握 linux 用户管理、掌握 linux 软件安装、 掌握 linux 服务管理、掌握 linux 网站环境搭建、掌握 linux 中nginx 配置，和掌握docker 虚拟化容器的使用。这些都在后面的课程中，以及工作中都会用到。 当然在学习阶段你也可以跳过这个阶段，使用Windows操作系统做一些实验也是可以的，但最好是按课程的安排和要求进行学习。

阶段三 Python爬虫应用

说明：

       爬虫应用广泛， Python爬虫也有N种姿势。 网络爬虫(又被称为网页蜘蛛，网络机器人)，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。其实通俗的讲就是通过程序去获取web页面上自己想要的数据， 也就是自动抓取数据 世界上80%的爬虫是基于Python开发的，学好爬虫技能，可为后续的大数据分析、挖掘、机器学习等提供重要的数据源。 你可以用爬虫爬图片，爬取视频等等你想要爬取的数据，只要你能通过浏览器访问的数据都可以通过爬虫获取，爬虫的本质是模拟浏览器打开网页，获取网页中我们想要的那部分数据。

收获：

       学完此阶段能够掌握常用数据库设计，达到中级应用开发水平，掌握python直接操作MySQL数据库，并能完成一定的开发项目， 掌握Redis数据库的开发能力，还要对此类数据库有一定的理解能力和模仿能力，掌握一定的多线程开发能力，并学会处理并发执行带来的协成问题， 掌握Python爬虫的原理和设计思想 ，掌握爬虫、反爬虫技术，正则、bs4以及Xpath解析数据，使非结构化数据经过清洗，形成结构化数据， 掌握加密数据的爬取，提高爬取数据技术水平，进阶行业大牛，掌握 Scrapy 框架分布式爬虫，熟练掌握分布式爬虫的部署。

阶段四 Python Web开发

说明：

       Python在Web方面逐渐增加，在其它领域也要Web技术支持 学习Web开发， 一定掌握web网站的前端页面开发，会多种面页布局方式，也要掌握web网站的页面特效开发，可以结合Python语言开发高并发全功能的Web网站开发，同时可根据业务流程图，开发web网站的后台业务； 技术方面需要HTML的开发知识，具有商业网页的模仿能力， CSS的布局知识，商业网页的布局，掌握JavaScript，为将来从事全栈工作打下基础，具备jQuery商业级的开发能力， 理解Ajax的工作原理并能使用ajax和后台框架通讯，掌握vue在网络前端中的使用， 和掌握web项目开发的流程和知识点。

收获：

       学完此阶段能够掌握web网站的前端页面开发，掌握web网站的页面特效开发，高并发全功能的Web网站开发，可根据业务流程图，开发web网站的后台业务，具有企业级django开发能力，掌握开发微信小程序的能力。

阶段五 数据分析初级

说明：

       数据分析是现在比较流行的技术， 学习之前需要了解数据分析的原理， 掌握一个数据分析的基本技能， 需要先从数据库入手， 对企业EXL数据进行了解， 这样才能对数据分析有一些感觉，就可以通过程序进行分析。

收获：

       学完此阶段需要掌握redis中常用数据类型，掌握Python和redis间的交互，掌握Excel数据输入，掌握Excel数据处理公式函数，掌握Excel数据可视化处理， 掌握Excel数据管理分析，掌握Excel处理商业级问题。

阶段六 数据分析高级

说明：

       开放的数据分析场景， 要用编程来进行数据分析。 Python语言在机器学习领域有广泛的应用。采用机器学习的方式进行数据分析需要经过五个步骤，分别是数据准备、算法设计、算法训练、算法验证和算法应用。 采用Python进行数据分析还需要掌握一系列库的使用，包括Numpy（矩阵运算库）、Scipy（统计运算库）、Matplotlib（绘图库）、pandas（数据集操作）、Sympy（数值运算库）等库，这些库在Python进行数据分析时有广泛的应用。

收获：

       学完此阶段需要掌握SPSS数据处理，掌握描述性分析与相关分析，掌握Pandas数据预处理（整理/清洗）及描述性数据分析（指标计算和可视化）， 掌握文本类结构化数据的分析和可视化，掌握Matplotib图表绘制和高级操作及其他绘图库，掌握综合应用数据分析和数据可视化技术，完成完整的数据分析报告，掌握Numpy数据生成、数据操作和数值计算， 掌握常见数学和统计学指标计算原理、向量和矩阵计算原理，理解常用机器学习算法原理，站我算法实现探索性数据分析，解决现实问题。

阶段七 人工智能与机器学习

说明：

       python随着人工智能兴起而大热， 人工智能成就Python。 相对于其他语言，python对人工智能最大的优势是他的可扩展性、可嵌入性。这也是他被程序员称为“胶水语言”的原因。Python借助AI和数据科学，目前已经攀爬到了编程语言生态链的顶级位置，可以说Python基本上与AI已经紧密捆绑在了一起了。 Python历史上也一直都是科学计算和数据分析的重要工具，有numpy这样的底子，因为行业近似所以选择API binding语言的时候会首选Python，同时复用numpy这样的基础库既减少了开发工作量，也方便从业人员上手。

收获：

       学完此阶段需要掌握数据分析基本流程及步骤，掌握数据挖掘基础工具及处理数据方法，掌握量化交易规则设计策略，掌握机器学习处理线性模型， 掌握机器语言搭建数据聚类和数据判定模型，掌握机器语言搭建决策树模型，掌握深度学习算法和框架。