- 软件测试就业培训班
第1章:测试概论
第2章:测试分析方法
第3章:Linux操作系统
第4章:MySQL数据库
第5章:Docker入门与应用实战
第6章:测试设计方法
第7章:系统测试计划
第8章:系统测试方案
第9章:系统测试执行
第10章:Python编程语言
第11章:MongoDB
第12章:Web测试
第13章:Selenium自动化测试
第14章:Jmeter性能测试
第15章:接口测试
第16章:Android系统和App测试
第17章:Appium自动化测试
第18章:大数据测试
第19章:人工智能
第20章:Loadrunner
第21章:微信小程序
第22章:web安全测试
第23章:Java编程语言
第24章:配置管理
第25章:SVN版本控制精讲
讲师：周春江
超全栈开发就业培训班
第一章Web前端语法
第一节HTML5
1：超文本标签
2：表格和表单控件
第二节CSS3
1：盒子渲染
2：布局和定位
第三节Javascript
1：数据类型和运算符
2：流程控制-选择结构
3：流程控制-循环结构
4：流程控制-结构嵌套
5：数据结构
6：算法
7：函数和闭包
8：面向对象编程思想
9：原型链
10：Dom API
第二章Web前端框架
第一节JQuery
1：选择器和过滤器
2：事件和过渡动画
第二节Animate
1：Animate整合Wow
第三节Bootstrap
1：响应式布局
2：响应式组件
第四节项目实训——学掌门精英
1：学掌门精英
第三章Vue全家桶
第一节Vue-Framework
1：View视频模板
2：ViewModel绑定
3：渐进式组件
第二节Vue-Router
1：单页式路由视图和路由守卫
第三节Element-UI
1：布局组件和表单控件
2：数据组件和交互组件
第四节Axios
1：网络协议、Restful API、Postman、Promise
2：async和await、Ajax和Fetch、Axios封装
第五节Vue-cli
1：脚手架配置、工程构建、Webpack工程化、ESLint、Stylus
第六节Vuex
1：Store、State、Mutation、Action、Module
第七节项目实训——学掌门CMS
1：首页、列表页
2：详情页、用户中心
3：Token、LocalStorage、工程打包和发布
第四章JavaSE
第一节Java语法
1：Java基础语法
2：面向对象编程
3：面向对象设计
第二节Java核心API
1：Exception异常
2：I/O流
3：Thread线程
4：泛型和类集
5：Reflect反射和Annotation注解
6：网络编程
第五章SQL
第一节MySQL
1：DDL、DML、DQL
2：连表、聚合、分组、E-R关系
第二节Oracle
1：PL/SQL
2：SQL优化、备份策略
第六章JavaEE
第一节JDBC
1：JDBC、ORM、JPA
第二节Servlet
1：Tomcat、Request、Response
2：生命周期、作用域、Listener和Filter
第三节JSP
1：内置对象、作用域
2：文件上传和文件下载
第四节开发架构
1：分层架构
第五节开发工具
1：Maven
2：Git和Gitee
第六节MyBatis 框架
1：代理模式和ORM
2：动态SQL和Annotation注解
3：逆向工程和缓存
第七章互联网服务产品
第一节Nginx
1：静动分离、负载均衡、集群部署
第二节FastDFS
1：分布式文件服务
第三节Redis
1：分布式缓存服务
第四节RabbitMQ
1：消息队列中间件
第五节ElasticSearch
1：分布式搜索引擎服务
第八章Spring全家桶
第一节SpringBoot
1：Properties和YML
第二节SpringData
1：SpringData-JPA
第三节SpringMVC
1：响应策略、适配策略、拦截器
2：Thymeleaf视图解析器
第四节SpringFramework
1：IOC、代理模式、JDK代理、CGLib代理
2：AOP、Spring事务
第五节SpringSecurity
1：登录验证、角色授权、权限验证
第六节项目实训——学掌门商城后台管理系统
1：RBAC、角色权限管理
2：品牌管理、分类管理、属性管理
3：商品Spu管理、商品Sku管理
4：订单管理、报表查询、ECharts数据可视化
5：客户管理、站点管理、项目发布及部署
第七节SpringRest
1：Restful API实现
第八节SpringCloud
1：Eureka服务注册与发现
2：Ribbon负载均衡和Feign远程调用
3：Hystrix服务熔断和服务降级
4：Zuul网关
5：SpringCloudConfig配置中心
第九节项目实训——学掌门商城前台门户
1：首页轮播、分类、推荐、导航
2：商品列表搜索、品牌、属性、分页、排序
3：商品详情Spu、Sku、评论、参数
4：用户中心、收货信息、购物车、结算
5：订单、收藏、项目发布及部署
讲师：龚玮斌
Python商业大数据分析师就业培训班
课程1：数据分析师先导篇
1、数据分析的概念
2、数据分析的作用
3、数据分析六部曲
4、数据分析的三大误区
5、数据分析师的发展和职业要求
6、数据分析师的职业素质
课程2：逻辑为先——XMIND
1、xmind简介
2、xmind作用
3、xmind模板的制作和下载
4、xmind内容制作
5、导入及导出
6、学习方法课堂案例
7、滴答拼车实战演练
8、其他思维导图介绍
课程3：流程主导——VISIO
1、VISIO的基本布局和功能模块
2、流程图结构说明
3、DO&DONOT业务流程图注意事项
4、项目实战：制作简单流程图
5、使用Visio画UML序列图
6、使用Visio画UML类图
7、使用Visio画UML用例图
8、使用Visio画UML状态图
课程4：专业展现——PPT
1、专业展现——PPT
2、基本简介
3、几个不得不说的真相
4、经验分享
5、实战动画
阶段二：商业数据分析篇
本课程为数据分析的初级应用阶段，主要、Excel、Power BI、My SQL、Tableau等可视化工具进行对数据的预处理，让学员能够在拿到数据后对数据进行清洗，转换等处理，为接下来的数据建模打下基础。
学完后能达到什么水平？
针对初级数据分析师的职位发展要求
课程1：Excel数据处理与分析实战
1、用Excel实现数据清洗和转化
2、用Excel之Power Query实现数据转换和清洗
3、数据分析和建模（power query和power pivot的使用）
4、数据展现之基本统计图介绍及简单制作
5、数据展现之利用Excel实现基本数据透视表
6、数据展现之利用Power View实现高级透视表
7、数据展现之利用Power Map实现bing地图
8、宏与VBA
9、Excel解决某公司财务报表动态生成
课程2：Power BI 商业数据可视化分析
1、微软Power BI简介
2、通过power pivot报告快速上手power bi
3、Power BI Desktop界面介绍和数据导入整理
4、Power BI Desktop建立数据分析模型
5、Power BI Online Service（在线版）特有功能
6、Power BI Online Service 报告的分享与写作
7、power bi和Excel的配合
8、数据的刷新
9、仪表板的制作原则
10、常用可视化图表介绍
11、Power BI 之巧用地图
课程3：利用 Tableau 进行自助式商业分析（电商行业）
1.tableau安装
2.数据字段管理
3.函数与公式计算
4.图表制作
5.仪表盘制作
6.tableau数据可视化案例
实战：利用Tableau进行电商产品分析
实战：利用Tableau进行客户分析
实战：利用Tableau进行营销效果分析
实战：利用Tableau进行商品评论分析
课程4：利用SQL进行复杂业务数据分析
1.初识My Sql（安装My Sql、使用CMD登录My Sql、数据库数据类型、约束、Navicat介绍、Navicat创建数据库、Navicat填充数据）
2.缺失值处理：对缺失数据行进行删除或填充
3.重复值处理：重复值的判断与删除
4.异常值处理：清除不必要的空格和极端、异常数据
5.利用SQL进行简单的业务数据查询
6.利用SQL完成复杂条件查询
7.利用多表关联完成复杂业务查询
8.利用嵌套子查询完成复杂业务数据分析
9.聚合、分组、排序
10.函数
11.行列转换
12.视图与存储过程
13.业务数据表关联查询及查询
14.结果纵向融合
15.常业务需求数据宽表构建
16.应查询处理复杂业务
阶段三：业务数据分析篇
此阶段为我们整个课程的第三阶段，侧重于业务数据分析的学习。通过对主流的数据思维、数据分析方法、数据分析体系及主流行业的商业运行指标等的学习，训练学员数据思维能力，发现问题、分析问题及解决问题的能力，此部分是做为一个数据分析专业人士必备的技能。本部分内容将会贯穿于本套课程始终，并最终通过项目案例实战验证。
学完后能达到什么水平？
学完后胜任的工作岗位是：
业务数据分析师
电商数据分析师
运营数据分析师
…..
课程1：从产品思维到数据思维/数据分析转变篇
1 、中小企业的决策常态
2 、中小企业的数据困顿
3 、数据分析的目的
4 、是什么在支撑产品设计
5、 是什么在支撑产品运营
6 、是什么在支撑产品迭代
7 、企业想要的数据分析师
8、解决方案的梯度
9、DMAIC的概念
10、DMAIC的流程展开
11、数据分析的场景
12、数据分析的能力模型
13、依据时间维度
14、依据空间维度
15、依据综合维度
16、对比分析法
17、分类分析法
18、分布分析法
19、相关分析法
课程2：用户画像与数据分析经典指标、模型剖析
1 、5W2H模型
2 、PEST模型
3 、波特五力模型
4 、兰查斯特战略模型
5、 SWOT模型
6 、GE矩阵模型
7 、德尔菲分析模型
8、 KANO模型
9、 PSM模型
10、产品运营类指标
11、产品会员类指标
12、成本控制类指标
13、收益控制类指标
14、什么是标签体系
15 、数据类型的场景
16 、如何定义标签
17 、四阶用户画像
18、 用户画像的意义
19、用户画像的微观示例
20、用户画像的标签建设
课程3：数据化运营
1、运营的江湖地位
2、内容运营基础
3、活动运营基础
4、用户运营基础
5、数据化运营本质
6、规避运营黑天鹅
7、数据化运营的探索创新
8、互联网运营的进阶之路
9、如何创建一支运营团队
课程4：行业竞品分析与数据可视化报告撰写
1 、什么是竞品分析
2 、为什么要做竞品分析
3 、无目的的竞品分析
4 、有目的的竞品分析
5、 结论的呈现
6、 数据可视化的概念
7、 数据可视化的意义
8 、数据可视化的对比
9 、数据可视化的分类
10、数据可视化图表举例
11、数据可视化应用领域
12、数据可视化步骤
13、数据可视化工具梯度
14、图表呈现流程
15、数据报告撰写
课程5：实战：O2O电商平台功能优化效果评估及可视化数据分析报告撰写
1、了解电商业务背景
2、以客户分析为应用场景，对数据进行加载、清洗、分析及模型建立
3、以货品分析为应用场景，针对品类销售及商品销售进行分析
4、以流量分析为应用场景，针对流量渠道及关键词做有效分析
5、根据业务实际背景做舆情分析
6、将分析结果及建议制成报告进行发布
阶段四：Python数据分析篇
此阶段为我们整个课程的第四阶段，Python数据分析。将主要侧重Python语言及数据分析包的学习。通过对Python语言、Python数据处理、分析包及可视化包的学习，训练学员掌握必备的基本编码能力，为后续更高级的内容打下坚实且必要基础。
学完后能达到什么水平？
学完后胜任的工作岗位是：Python数据分析师
课程1：数据分析编程基础——Python
1.Python语言开发要点详解
2.Python开发环境搭建
3.Python数据类型和常见算法
4.Python函数式编程
5.Python文件处理
6.Python类、异常处理
7.Python中的集合，泛型，元组，字典
8.Python网络编程、多线程 、正则表达式
9.Python面向对象编程
课程2：数据收集– Python 爬虫技术
1.Python爬虫原理与入门
2.利用requests及BeautifulSoup爬取数据
3.Beautiful Soup库的使用
4.利用及BeautifulSoup爬取数据
5.利用Scrapy框架爬取数据
6.爬虫综合项目实战
课程3：Python科学计算库
1.NumPy 简介、程序包、简单的Numpy程序
2.Ndarray的文件操作
3.操作多维数组ndarray、索引、索引数组、布尔数组
4.改变ndarray的形状
5.ndarray的基本运算
6.numpy进阶
7.numpy高级：广播、复制与视图
课程4：Python数据分析库
1.Pandas 简介\PANDAS程序包安装
2.简单的PANDAS程序\Series类说明
3.Series的bool运算选择\SERIES的复杂操作
4.DataFrame的常用构造方式与操作
5.分组求和(聚合操作)\列与列之间的四则运算
6.删除某一列\按位置选定指定的行和列
7.深复制&浅复制
8.DataFrame与DataFrame之间的join操作
课程5：Python数据分析可视化
1.Matplotlib简介
2.matplotlib程序包安装
3.简单的matplotlib程序
4.Matplotlib主要绘图类型(上)
5.Matplotlib主要绘图类型（下）
6.Matplotlib主要绘图参数
7.Matplotlib主要绘图装饰函数
8.Matplotlib文字标注与注释
9.利用seaborn库进行数据可视化
10.利用pyecharts库进行数据可视化
阶段五：大数据分析篇
此阶段为我们整个课程的第五阶段，不需要学员具备Java基础知识，也不需要学员了解大数据环境，只需要学员有Linux及数据库基础知识，便可以学习此部分内容。此部分内容，老师将会直接给到学员一个真实的大数据开发环境，直接在这个真实的开发环境里t利用hive的HQL语言完成大数据分析的具体应用，这是目前大据分析师工作的主要内容，干货满满！
学完后能达到什么水平？
学习完成后能够胜任的工作岗位：
1、ETL工程师
2、数据仓库工程师
3、数据清洗工程师
4、Python大数据分析师
5、Hive大数据分析师
课程1：大数据分析基础——Linux
1、Linux发展及介绍
2、Vmvare与Centos7.x的安装部署
3、Linux文件管理及用户管理
4、Linux权限管理与常用工具命令
5、Linux网络管理与系统管理
7、Linux软件管理与正则表达式
8、Shell编程应用
9、Linux定时任务Crontab
课程2：ETL数据仓库——数据清洗与处理
1、数据科学过程
2、数据清洗定义
3、数据清洗任务
4、数据清洗流程
5、数据清洗环境
6、数据清洗实例说明
7、数据标准化
8、数据格式与编码
9、数据清洗常用工具
10、数据清洗基本技术方法
11、数据抽取
12、数据转换与加载
13、利用Excel进行数据清洗与处理
14、利用Kettle进行数据清洗与处理
课程3：Hive大数据分析
1.大数据概述
2.数据集群 Hadoop 架构
3.Hive开发环璄搭建
4.从MySQL中导入数据到Hive
5.从Hive导出数据到MySQL
6.Hive数仓
7.HQL 数据查询基础语法
8.从MySQL中导入数据到Hive
9.从Hive导出数据到MySQL
10.分区表、分桶表、关联表
11.数据查询
12.常内置函数及开窗函数
13.特殊类型数组查询式
14.HQL 查询语句优化技巧
阶段六：数据挖掘篇
此阶段为我们整个课程的第六阶段，数据挖掘篇。侧重于数据的分析和建模。通过对基本的数理统计知识的学习，达到利用高级分析工具及方法对业务分析预测的目的。
学完后能达到什么水平？
学完后胜任的工作岗位是：
数据挖掘/分析师
课程1：数据分析—数理统计基础
1、概率
2、样本与抽样
3、描述数据（统计量）
4、正太分布
5、统计推断
6、实验设计
7、变量之间的关系
8、回归分析
9、聚类分析
课程2：SPSS建模分析
01、课程规划与简介
02、数据挖掘项目生命周期
03、简单必备的统计学基础
04、用Modeler试手挖掘流程
05、数据挖掘的知识类型
06、商业分析基础简介
07、回归模型
08、决策树模型
09、支持向量机
10、聚类模型
11、关联规则
课程3：SAS建模分析
01、SAS概述：SAS简介与教育版安装
02、SAS概述：教育版基本使用
03、SAS编程基础
04、SAS编程基础7-循环
05、SAS数据集操作1-合并
06、SAS数据集操作2-排序与对比
07、SAS数据集操作3-查重与筛选
项目案例： 商品管理系统分析案例解析
阶段七：人工智能/机器学习
此阶段为我们整个课程的第七阶段，属选修内容。需要学员具备比较强的算法数学能力及一定的Python编程能力，主要介绍了人工智能机器学习的入门知识及必备算法能力，通过具体的项目演示了人工智能/机器学习在实际工作中运用，会将来更进一步的深入人工智能学习打下良好的基础。
学完后能达到什么水平？
学习完成后能够胜任的工作岗位：
人工智能应用开发工程师
课程1：机器学习入门
1.机器学习扫盲
2.数据挖掘和机器学习概述
3.快速理解数据挖掘和机器学习
4.数据挖掘的六大任务
5.数据挖掘方法论（CRISP-DM）
6.预测模型的构建和应用流程
7.机器学习算法及分类.
8.数据挖掘与数据仓库和OLAP
9.数据挖掘和机器学习应用案例
10.如何成为一名优秀的数据科学家
课程2：人工智能：实战十大预测数据算法
01、sk-learn机器学习库
02、十大预测算法原理与使用场景
03、算法调用、参数设置
04、特征选择、特征工程
05、回归预测模型实战
06、分类预测试模型实战
07、聚类模型实战
08、集成学习
09、模型优化
阶段八：精英项目实战篇
此阶段为我们整个课程的第八阶段，精英项目实战篇。借助五大商业级项目实战，让学员对数据分析、数据挖掘、人工智能应用有一个全面的理解与认识，让学员在工作中有机会冲击高级数据分析师工作岗位，从而成为这个领域的专家
学完后能达到什么水平？
学习完成后能够胜任的工作岗位：
Python高级数据分析师、数据挖掘工程师、人工智能机器学习开发工程师
课程1：电商数据分析，分析方式之漏斗模型及数据量化
1、数据分析方法
2、电商行业视角
3、电商通用指标体系
4、AARRR 模型
5、销售漏斗模型
课程2：用户行为与营销模型实战
1、数据分析思路的4W模式、企业数据分析流程、电商用户行为分析常见指标
2、营销推荐模型、CRISP数据挖掘流程、随机森林与决策树、Python代码实现
课程3：金融风控模型的构建与分析实战
1、数据挖掘具：SAS、modelbuilder
2、常用模型：逻辑回归、随机森林、LGBM、GBDT、XGBOOST
3、编程语言：Python
课程4：展会电话邀约项目数据分析实战
1、电话邀约核心指标分析
2、Excel数据处理
3、Excel BI数据转换、
4、透视表、可视化图表分析
课程5：零售行业数据分析
1、数据分类、数据治理、数据管理流程、数据清洗、数据分析与可视化
2、零售业的基本思维方式、零售业的常用分析指标、零售业指标
讲师：童金浩
AI·深度学习全栈算法开发工程师
模块一 机器学习入门
此阶段侧重于人工智能的基础内容讲解，主要包括：数据挖掘与机器学习的区别，机器学习算法简介，预测模型构建与应用流程，
统计学基础及数学基础，为后继的机器学习和深度学习的学习打下一个良好的基础。
人工智能
扫盲 & 机器
学习入门
机器学习扫盲
数据挖掘和机器学习概述
快速理解数据挖掘和机器学习
数据挖掘的六大任务
数据挖掘方法论（CRISP-DM）
1.对人工智能与机器学习、深度学习之间的关系有了一个深入的理解
2.能够知道开发一个人工智能的应用一些基本的套路与实现步骤
3.对十大经典人工智能/数据挖掘算法有一个基本的认知
预测模型的构建和应用流程
机器学习算法及分类.
数据挖掘与数据仓库和OLAP
数据挖掘和机器学习应用案例
如何成为优秀的数据科学家
1.了解什么是人工智能/机器学习
2.了解人工智能/机器学习应用领域
3.人工智能/机器学习的实现基本思路与方法
机器学习基础
- 数理统计
必知必会
均值\中位数\众数
方差\标准差
概率的基本概念
数据理解和探索
认识数据
描述性统计分析
分类变量的分析方法
连续变量的分析方法
相关性分析
1.能够利用所学的数理统计知识解决实际工作中遇到的概率问题
1.了解机器学习必备的一些数理统计的
基础概述、名词，术语
2.为进一步深入人工智能/机器学习十大
1.能够利用所学的数学知识理解和部分推导未来人工智能中的算法与
实现原理
可以实现对复杂数据集的降维处理
1.了解机器学习必备的一些数学知识
2.为进一步深入学习人工智能/机器学习
/深度学习 打下坚实基础
1.了解各种数据准备和特征工程的方法
2.掌握数据记录级处理，特征构造的方法、
技巧与经验
3.掌握特征转换，特征降维和特征选择的方
法、技巧与经验
学完后能达到什么水平？
学完后胜任的工作岗位是：数据挖掘/分析师开发工程师（初级）
降维-主成分分析（PCA）
降维-线性判别分析法（LDA）
模块二 机器学习核心
学完后能达到什么水平？
学完后胜任的工作岗位是：人工智能/机器学习开发工程师（中级） 、人工智能/机器学习开发工程师（中级）
此阶段为我们整个课程的第二阶段，本阶段侧重于对人工智能/机器学习工作流程中最重要的几个环节，通过对数据准备、数据特征、数据模
型的深入介绍及算法优化，结合深度学习和具体的经典案例，让学员对于机器学习上升到工程应用的级别，能够进行基本的算法评估与优化。
分类算法
原理与实现
监督学习、十分钟实例快速上手有监督学习
监督学习应用程序的步骤、实战监督学习之K-近邻算法
实战监督学习之朴素贝叶斯算法与决策树原理介绍及代码调用
案例实现、逻辑回归（LR）原理、逻辑回归代码实现与正则化方法
逻辑回归模型参数调优、逻辑回归的多分类问题
支持向量机算法、什么是支持向量机
支持向量机算法基本原理、支持向量机代码演示
支持向量机参数优化、支持向量机、案例实现
1.能够利用决策树为你进行智能配镜
2.能够实现kaggle竞赛案例泰坦尼克号获救预测
3.能够利用朴素贝叶斯对iris(鸢尾花)进行数据集分析
4.能够制作简单垃圾邮件过滤模型
1.进一步了解常见的五种分类算法：K近邻，决策
树，朴素贝叶斯，逻辑回归，支持向量机（SVM）
2.了解如何结合Python代码实现五种分类算法
1.能够利用相关算法实现手写识别系统
2.能够利用相关算法实现购物商品价格预测
3.能够利用相关算法实现新闻网站流量点击分析
1.能够利用SK-Learn机器学习框架实现企业需求
2.能够利用SK-Learn机器学习框架实现监督学习的一些经典算法
3.能够利用SK-Learn机器学习框架实现非监督学习的一些经典算法
1.了解什么是聚类分析及其具体代码实现
2.了解什么是关联规则及其具体代码实现
3.通过真实案例进一步对非监督算法深入理解
1.了解Sk-learn在几大经典算法中的实际应用
2.利用SK-learn框架解决实际企业业务中遇
到的相关问题
1.能够实现电商相似商品推荐
2.能够实现餐馆菜肴推荐系统
3.能够实现电影推荐系统
1.了解协同过滤算法的基本原理
2.掌握协同过滤算法的代码实现
3.通过真实案例进一步对协同过滤算法深入理解
1.能够利用集成学习框架实现广告预测
2.能够利成集成学习框架实现房价预测
1.了解现在主流的机器学习-集成学习的主流框
架原理
2.掌握现在主流的机器学习-集成学习的主流框
架算法的Python代码实现
3.通过真实案例进一步加深理解
方法
文章分词与词云图
TF-IDF算法
word2vec工具
计算文档相似度及文档聚类
计算机视觉技术的典型应用
图像特征的提取方法
构建一个简单的图像识别应用
1.能够构建一个简单的图像识别应用
2.能够利用Word2VEC实现新闻关键字提取
1.理解自然语言处理的原理与应用场景
2.了解文本与图像数据挖掘处理的算法原理与
具体实现
3.掌握Word2VEC工具的使用
4、掌握图像识别特征提取的方法与技巧
教学项目-1：Kaggle大赛之：泰坦尼克号获救预测（回归算法） 学员考核练习项目-1：从疝气病症预测病马的死亡率
教学项目-2：购物车协同过滤推荐系统 学员考核练习项目-2：餐馆菜肴推荐系统
教学项目-3：基于聚类(Kmeans)算法实现的客户价值分析系统 教学项目-4：基于LVD、贝叶斯模型算法实现的电商行业商品评论与情感分析案例实战
学员考核练习项目-3：学员练习考核项目：预测房价系统 教学项目-5：基于OpenCV、随机森林算法实现的图像分类识别系统
1.能够实现表情识别的小应用
2.能够实现图像识别
1.了解传统神经网络-基本算法原理
2.了解卷积神级网络 - 算法原理与实现
3.借助相关框架实现深度学习相关应用
（图像识别/人脸识别/文字识别）
1.能够将算法、模型和基础理论知识与PyTorch框架进行有机结合，
结合多个不同的实战项目掌握PyTorch框架的基础知识和使用方法
1.掌握Tensor的基本概念
2.掌握TyTorch的相关API使用技巧
3.了解AutoGrad机制、NN库
4.掌握PyTorch中如何进行神经网络训练，
CNN，RNN与GAN
5.能够利用PyTorch进行模型设计与搭建
6.掌握利用PyTorch进行模型训练与模型调优
模块三 深度学习
此阶段为我们整个课程的第三阶段，本阶段会让学员对人工智能/机器学习算法有更进一步的深入理解，主要涉及深度学习、自然语言等时下非常热门
的机器学习领域的算法讲解，并结合相关机器学习框架/深度学习框架（Tensorflow 、Keras、pytorch）简化人工智能-机器学习、深度学习的代码实现 。
学完后胜任的工作岗位是：人工智能/机器学习开发工程师（高级） 、人工智能/机器算法工程师（中高级）
深度学习应用开发工程师、人脸识别应用开发工程师
讲师：童金浩
讲师
周春江
教学总监
北京邮电大学硕士毕业，曾供职于大唐移动，担任测试经理，后加入51testing，工作内容覆盖培训、咨询、测试工具研发、项目管理、技术支持等内容，在软件测试领域积累了丰富的项目经验、管理经验和培训经验
项目经历：
UT斯达康合作RNC项目性能测试
大唐移动3G协议栈测试
上海移动BOSS系统测试
大唐移动NodeB Tester测试
大唐移动3G上网卡测试
培训经历：
厦门建行软件测试培训
卡斯柯系统测试培训
浙江电力研究院测试需求分析培训
信雅达测试分析设计培训
安防科技缺陷分析培训
上海联想测试需求分析和测试用例设计培训
捷德测试需求分析和测试用例设计培训
北京工行缺陷分析培训
海康威视缺陷分析培训
中电集团28所测试管理培训
中彩在线测试管理和测试技术培训
测评联盟大会测试管理体系建设专题演讲
上海软件测试就业培训
上海软件测试周末班精品班培训
童金浩
资深教育专家
中科大计算机专业，工信部大数据专家评委，十年技术开发经验，十年教学管理经验，中国最早的一批在线教育践行者。近些年专注于大数据、人工智能及区块链等方面的研究与落地教学实践工作。长期与企业一线技术总监、项目经理，互联网企业接触合作进行课程联合研制，产品的落地实践工作，对技术、架构和教育与商业有极深的理解和敏锐洞察力。
龚玮斌
高级讲师
毕业于上海大学，12年以上企业级项目开发经验，10年以上软件开发培训经验，精通Java/大数据/Python/人工智能/.Net Core/Web前端/SQL等主流技术，曾主导参与“交通银行信用卡申请/审贷系统”、“宝钢诊断部设备状态管理系统”、“协力智能OA系统”等项目。
