第 一階段
預備知識：數據科學的數據庫基礎
了解數據庫在行業應用中的價值及其在數據分析中的地位，掌握數據庫中數據存儲、數據查詢、數據處理技術，了解與工業場景中Python 操作數據庫的邏輯和方法，并解決BAT數據庫重點筆試題。
第 一章：數據的存儲、讀取及簡單處理
（一）導學直播：數據庫應用價值及其在數據分析中的地位
（二）操作數據庫--數據的存儲
（三）查詢數據庫中的數據--查詢語句
（四）數據庫高級操作--函數
（五）工業場景下數據庫數據的提取與處理形式：Python連接數據庫
（六）專題直播：BAT數據庫面試題精講
（七）階段作業
第二階段
數據分析工具熟練運用養成計劃
了解Python在數據科學、人工智能領域的地位，3倍速高效掌握Python編程、Python數據處理與可視化核心技術，并理解可視化技術實現結果輸出與內容美化的數據表達邏輯。
第二章：3倍速學習Python核心編程技術
（一）導學直播：Python數據分析工具的市場競爭力分析
（二）Python編程的破冰之旅
（三）掌握Python序列對象：字符串、列表、元組、字典
（四）建立python控制流語句知識模型：條件判斷和循環的藝術
（五）實現Python的模塊化程序設計：函數
（六）面向對象編程與類
（八）專題直播：使用Git和Github進行版本控制
（九）階段作業
第三章：數據分析入門：使用Numpy+Matplotlib分析數據
（一）導學直播：巧用Python強大的第三方庫功能，大幅度提升編程任務效率
（二）共享單車每季度平均騎行時間對比
（三）動手創建一個批量溫度轉換器
（四）共享單車各類用戶的平均騎行時間趨勢對比
（五）氣溫數據的描述性統計分析：zui大值、zui小值、平均值
（六）共享單車的用戶類別分析：比例
（七）氣溫數據的可視化分析
（八）共享單車用類別分析的統計圖形繪制
（九）功能強大的Numpy的高級操作
（十）階段作業
第四章：Pandas從數據分析到可視化
（一）導學直播：數據表達邏輯--結果輸出與內容美化
（二）比較咖啡店各類飲品的數量與熱量
（三）PM2.5的數值展示及不同來源數值差異對比展示
（四）分析電子游戲在各國的營收情況并用堆疊圖展示
（五）房屋價格影響因素探索與房價趨勢的可視化展示
（六）神奇寶貝數據的變量關系探索與分析
（七）不同手機操作系統的流量使用情況分析
（八）統計不同專業的員工平均薪資
（九）股票行情分析及價格趨勢的可視化展示
（十）幸福指數的等級分析
（十一）專題直播：python實現excel辦公自動化
（十二）階段作業
第三階段
數據價值的挖掘及預測技術實戰
掌握機器學習、深度學習的數學基礎、機器學習理論及實現、深度學習理論及實現；掌握機器學習、深度學習在推薦系統、金融、量化等領域的工業應用實踐及模型部署上線
第五章：數據價值挖掘及預測的數學基礎知識
（一）導學直播：數學基礎在機器學習中的重要性與必要性講解
（二）構建機器學習的線性代數知識模型
（三）掌握機器學習算法原理推導中的微積知識
（四）掌握機器學習算法必知必會的統計學知識
（五）專題直播：Python實現統計分析的方法--statsmodel的介紹及使用
（六）階段作業
第六章：掌握數據價值挖掘及預測的監督學習算法基礎
（一）導學直播：機器學習入門與算法總覽
（二）根據像素值對CIFAR10圖像數據進行KNN算法分類
（三）動手實現基于決策樹的收入分類與可視化
（四）使用線性回歸模型實現Ames房價預測
（五）使用邏輯回歸構建信用卡反欺詐預測模型
（六）使用樸素貝葉斯構建垃圾郵件分類器
（七）使用支持向量機對金融支付服務的欺詐行為進行預測
（八）通過boosting提升傳統算法在海外電商企業用戶細分項目中的效果
（九）使用XGBoost提升樹對人類發展指數官方數據集進行回歸預測
（十）監督學習綜合應用實戰：基于超參數優化的Gradient Boosting的銷售預測
（十一）專題直播：機器學習的人才需求及技術應用現狀分析
（十二）階段作業
第七章：掌握數據價值挖掘及預測的無監督學習算法基礎
（一）導學直播：實際工作中我們應該如何根據場景選擇適合的機器學習算法模型
（二）使用KMeans進行旅游企業客戶分群
（三）使用PCA進行基因序列異常檢測實現癌癥診斷
（四）基于潛在狄利克雷分配（LDA）的內容主題挖掘
（五）使用Apriori進行322萬知乎用戶的關注話題關聯分析
（十二）階段作業
第八章：使用深度學習完成你的第 一個AI項目--人臉識別
（一）導學直播：深度學習的行業應用價值及技術發展趨勢
（二）單層感知器與多層感知器在反欺詐預測上的表現對比
（三）使用神經網絡進行手寫數字圖片識別
（四）快速上手構建一個人臉識別系統
（五）專題直播：深度學習主流框架介紹
（六）階段作業
第九章 工業項目實戰保障機器學習技術的落地實踐
（一）導學直播：工業場景下的機器學習模型應用與模型部署
（二）推薦系統案例精講
（三）金融風控案例精講
（四）時間序列案例精講
（五）算法模型的部署--在人工智能實驗室 中部署我們的反欺詐預測模型
（六）專題直播：機器學習工程師職業成長路徑
（七）階段作業
第四階段
分布式機器學習的工具基礎與工業項目實戰
看了解大數據工具運用的工業應用價值、大數據生態系統的重要組件、大數據架構搭建方法；掌握海量數據的存儲與處理技術；了解Spark大數據處理工具及相關組件；了解分布式機器學習的工業應用價值，掌握Spark MLlib分布式機器學習實現的邏輯及其在金融、計算廣告、推薦系統、量化投資等領域的應用。
第十章：海量數據存儲和處理技術：Linux環境下Spark2.x+Python開發環境的
（一）導學直播：海量數據處理的市場需求分析及工具介紹
（二）導入本地虛擬機至virtualbox及啟動系統和遠程桌面連接
（二）大數據環境快速搭建：Hadoop偽分布式集群的搭建
（三）大數據環境快速搭建：Linux系統下安裝PySpark模塊并遠程啟動Anaconda
（四）使用結構化海量數據處理框架Spark SQL、Spark DataFrame進行航空數據分析
（五）專題直播：Spark DataFrame與Python DataFrame異同
（六）階段作業
第十一章：千萬級別數據的機器學習問題：機器學習的分布式計算實現
（一）分布式機器學習的工業價值及技術發展趨勢介紹
（二）PySpark機器學習：Spark Mllib實現算法模型構建
（三）構建分類模型預測StumbleUpon給用戶個性化推薦的網頁是否長期受歡迎
（四）構建回歸模型實現共享單車需求量預測
（五）分布式環境下的Avazu廣告數據集性別標簽預測
（六）基于Avazu廣告數據的廣告排名及CTR預估
（七）分布式環境下的Audioscrobbler音樂推薦系統開發
（八）基于分布式機器學習的實現個人貸 款違約預測
（九）基于分布式機器學習的銀行零售產品的交叉營銷
（十）基于分布式XGBoost的量化投資項目實戰--股票價格的預測
（十一）專題直播：運用Spark ML Pipeline組建簡易文本分類案例需求分析
（十二）階段作業
第五階段
結業項目競賽
學員將組隊參加DC平臺、阿里天池競賽，提交項目代碼到平臺，根據項目得 分及排名情況進行優 秀學員評選
第十二章：項目競賽及競賽案例詳解
第六階段
就業階段
本階段將為學員提供專業的簡歷指導和就業推薦服務，為學員的就業保駕護航。學員入職后持續提供為期1年的入職護航服務，入職不滿意重新推薦