初識Python語言：Python語言概述和環(huán)境安裝丨變量、數(shù)據(jù)類型和進制丨運算符和分支結(jié)構(gòu)丨循環(huán)結(jié)構(gòu)入門丨循環(huán)結(jié)構(gòu)的應(yīng)用
常用數(shù)據(jù)結(jié)構(gòu)和函數(shù)：字符串丨列表的應(yīng)用丨元組和集合丨字典類型的應(yīng)用丨函數(shù)使用入門
函數(shù)和面向?qū)ο缶幊?/span>：包和模塊丨函數(shù)的高級用法丨裝飾器和生成器丨面向?qū)ο缶幊袒A(chǔ)丨面向?qū)ο缶幊踢M階
Python網(wǎng)絡(luò)數(shù)據(jù)采集：爬蟲概述和頁面抓取丨解析頁面的方式丨爬取數(shù)據(jù)的持久化丨Cookie和商業(yè)IP代理丨獲取頁面動態(tài)內(nèi)容丨Selenium應(yīng)用詳解丨提升爬蟲工作效率丨破解驗證碼丨爬蟲框架Scrapy

數(shù)據(jù)分析概述和Excel的應(yīng)用：數(shù)據(jù)分析和數(shù)據(jù)分析師概述丨指標(biāo)和指標(biāo)體系建設(shè)丨Excel的安裝和快速上手丨Excel中的函數(shù)和公式計算丨Excel透 視表、透 視圖和商業(yè)數(shù)據(jù)看板
關(guān)系型數(shù)據(jù)庫和SQL：數(shù)據(jù)庫概述和MySQL的安裝使用丨表關(guān)系和SQL的應(yīng)用丨SQL數(shù)據(jù)查詢詳解丨窗口函數(shù)和業(yè)務(wù)場景下的數(shù)據(jù)查詢丨Python程序接入MySQL數(shù)據(jù)庫
商業(yè)智能（BI）工具：MySQL其他相關(guān)知識丨從Excel到Power BI丨Power BI中的數(shù)據(jù)清洗和分析模型丨Power BI中的數(shù)據(jù)可視化和報表制作丨Power BI項目實操丨認識和使用Tableau丨認識和使用fineBI丨數(shù)據(jù)思維和分析模型
Python數(shù)據(jù)分析：Python數(shù)據(jù)分析工具介紹丨使用NumPy實現(xiàn)批量數(shù)據(jù)處理丨線性代數(shù)和NumPy的linalg模塊丨使用Pandas進行數(shù)據(jù)分析

機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)：線性代數(shù)丨微積分丨概率論丨統(tǒng)計學(xué)丨信息論
機器學(xué)習(xí)算法：機器學(xué)習(xí)概述和kNN算法丨回歸算法丨邏輯回歸丨樸素貝葉斯丨決策樹丨支持向量機丨聚類算法和輪廓系數(shù)丨集成算法丨特征工程和評價指標(biāo)丨機器學(xué)習(xí)項目實戰(zhàn)
深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)：推薦系統(tǒng)丨深度學(xué)習(xí)和tensorflow入門丨tensorflow的應(yīng)用丨卷積神經(jīng)網(wǎng)絡(luò)
數(shù)據(jù)倉庫和大數(shù)據(jù)挖掘：Hadoop生態(tài)圈丨ETL工具丨數(shù)據(jù)倉庫丨Hive丨Spark概述

售/電商行業(yè)數(shù)據(jù)分析項目實戰(zhàn)：為期5天的項目實戰(zhàn)
金融風(fēng)險信用評估項目實戰(zhàn)：為期5天的項目實戰(zhàn)
就業(yè)指導(dǎo)和模擬面試：就業(yè)期的技術(shù)和心理準(zhǔn)備丨如何制作一份優(yōu)質(zhì)的簡歷丨面試流程和注意事項丨一對一模擬模式

高等數(shù)學(xué)：什么是函數(shù)丨極限的定義丨無窮小與無窮大丨連續(xù)性與導(dǎo)數(shù)丨偏導(dǎo)數(shù)丨方向?qū)?shù)丨微積分的基本思想丨定積分原理丨牛頓-萊布尼茨公式丨泰勒公式及應(yīng)用丨拉格朗日優(yōu)化問題
線性代數(shù)：矩陣觀點的由來-方程可解性丨矩陣的逆丨行列式丨矩陣的向量空間與秩丨為什么要做矩陣分解丨特征值與特征向量丨基于特征值的矩陣分解丨SVD如何進行矩陣分解丨SVD在推薦系統(tǒng)中的應(yīng)用
概率論：概率與頻率-古典學(xué)派丨條件概率與文氏圖丨離散隨機變量丨連續(xù)隨機變量丨什么是隨機抽樣丨從貝葉斯學(xué)派到貝葉斯推斷丨多維隨機變量丨期望及其求法丨大數(shù)定律與中心極限定律告訴我們什么丨極大似然估計丨統(tǒng)計推斷的做了哪些事情丨z分布與t分布丨f分布丨卡方分布丨使用卡方分布檢測相關(guān)性丨f分布與回歸分析

回歸模型：什么是回歸丨多元回歸的定義丨解析求解-較小二乘法丨梯度下降與迭代求解原理丨手擼梯度下降丨梯度下降的改進丨模型的評估方法-r2評分丨非線性問題如何解決-泰勒級數(shù)丨回歸問題的更一般表達丨模型復(fù)雜度與擬合丨如何解決過擬合與欠擬合丨嶺回歸與lasso回歸丨sklearn中的線性回歸丨sklearn中的嶺回歸與lasso回歸丨AR模型在回歸中的應(yīng)用丨回歸項目（kaggle舊金山犯罪率預(yù)測）
分類方法：分類問題的定義丨從回歸到分類-邏輯函數(shù)的作用丨貝葉斯推斷與似然函數(shù)丨使用較大似然進行參數(shù)估計丨邏輯斯蒂損失定義丨邏輯斯蒂梯度下降推導(dǎo)丨手擼邏輯斯蒂丨使用邏輯斯蒂進行手寫體識別丨文本分類問題與NLP丨復(fù)習(xí)使用樸素貝葉斯框架的推斷丨使用樸素貝葉斯進行文本分類的原理丨樸素貝葉斯進行文本分類的實例丨sklearn中樸素貝葉斯實現(xiàn)丨高斯貝葉斯及其應(yīng)用丨項目實戰(zhàn)（新聞分類）丨什么是決策樹丨信息如何度量丨信息增益表達了什么？丨使用ID3算法構(gòu)建決策樹丨C4.5與CART樹使用的度量方法丨CART樹如何進行回歸丨分類方法的較優(yōu)化思考丨支持向量與較優(yōu)分類超平面丨svm模型的構(gòu)建丨svm對偶問題的轉(zhuǎn)換丨smo算法與對偶問題的求解丨核函數(shù)如何解決非線性問題丨綜合項目(使用svm進行車牌識別)
聚類：數(shù)據(jù)的潛在結(jié)構(gòu)與聚類丨距離的度量標(biāo)準(zhǔn)丨KMeans原理丨KMeans實現(xiàn)丨聚類算法的評估-輪廓系數(shù)丨基于密度的聚類丨層次聚類丨綜合項目
集成學(xué)習(xí)：集成學(xué)習(xí)概述-弱分類與強分類丨boosting與bagging丨adaboost概述丨adaboost原理丨adaboost推導(dǎo)與計算丨bagging抽樣的若干問題丨使用bagging與決策樹構(gòu)建隨機森林丨隨機森林為什么有效？丨使用boosting與決策樹構(gòu)建提升樹丨什么是梯度提升丨GBDT的原理與推導(dǎo)丨xgboost的原理與推導(dǎo)丨lightgbm的進一步改進丨綜合項目

深度前饋網(wǎng)絡(luò)：什么是神經(jīng)網(wǎng)絡(luò)丨神經(jīng)網(wǎng)絡(luò)能進行學(xué)習(xí)的原因-從XOR問題入手丨正向傳播的計算丨基于梯度的學(xué)習(xí)丨反向傳播的計算丨梯度消失與梯度爆炸-函數(shù)的選擇丨控制模型復(fù)雜度-神經(jīng)網(wǎng)絡(luò)的正則化丨注意力機制
機器學(xué)習(xí)算法：機器學(xué)習(xí)概述和kNN算法丨回歸算法丨邏輯回歸丨樸素貝葉斯丨決策樹丨支持向量機丨聚類算法和輪廓系數(shù)丨集成算法丨特征工程和評價指標(biāo)丨機器學(xué)習(xí)項目實戰(zhàn)
卷積網(wǎng)絡(luò)：計算機如何理解圖片丨卷積運算丨池化丨LeNet-一個完整的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)丨卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)化輸出與數(shù)據(jù)類型丨VGG網(wǎng)絡(luò)-向深度邁進丨RESNET-解決退化問題作出的努力丨yolo-一次掃描完成多目標(biāo)檢測丨其他流行的網(wǎng)絡(luò)結(jié)構(gòu)介紹
循環(huán)網(wǎng)絡(luò)：綜合項目丨時間序列處理的發(fā)展和演進丨計算圖及其展開丨RNN網(wǎng)絡(luò)結(jié)構(gòu)丨RNN如何處理時間序列丨雙向RNN丨RNN為什么起作用?丨遞歸與深度循環(huán)丨改進RNN的短視-LSTM丨使用LSTM完成詩歌生成器丨綜合項目
置信網(wǎng)絡(luò)：編碼與解碼丨什么是受限玻爾茲曼機丨受限玻爾茲曼機推導(dǎo)丨構(gòu)建DBN丨使用DBN進行推薦與編碼丨綜合項目-廣告點擊優(yōu)化

理論基礎(chǔ)：什么是強化學(xué)習(xí)丨MDP過程丨動態(tài)規(guī)劃丨策略梯度原理
模型實現(xiàn)：什么是Q-Learning丨Q-Learning的更新丨Q-Learning的實現(xiàn)丨什么是Sarsa丨Sarsa的原理與實現(xiàn)丨什么是DQN丨DQN如何更新丨DQN的實現(xiàn)丨什么是Actor Critic丨Actor Ctitic原理與實現(xiàn)