能力标准
以下是Python技术应用工程师能力标准概要及每个等级对应的学习课程，每个等级工程师分别从技能要求、应用方法要求、业务应用能力三个方面进行要求，只有同时满足各个方面要求才是一名优秀的Python技术应用工程师。
| 初级 | 中级 | 高级 | |
|---|---|---|---|
| 技能要求 | Python编程基础、Python常用数据分析与处理工具numpy、pandas、scikit-learn | 在初级基础上掌握Python数据可视化、机器学习、常规案例应用 | 在中级基础上掌握多行业多领域Python技术应用、数据分析、深度学习、典型人工智能应用 |
| 应用方法要求 | 掌握基本Python技术应用流程、基本数据预处理方法及Python数据分析常用模型（线性回归、聚类分析、逻辑回归、时间序列等） | 除掌握初级Python技术与应用方法外，还应掌握高级应用方法、数据分析应用及数据挖掘方法：决策树、神经网络、支持向量机、集成学习、特征工程、朴素贝叶斯、关联规则等，及常用Python可视化应用 | 在中级基础上,还需掌握机器学习，深度学习、人工智能等常见应用。熟知Python技术在不同行业应用价值及对应应用方法、流程及案例，熟悉不同分析方法的使用场景 |
| 业务应用能力 | 能够理解业务目标，并能将业务目标初步转化为Python技术与应用问题，能结合具体技术进行简单的目标实现 | 能够将业务目标准确转化为Python技术与应用目标，能将业务目标拆解成不同任务并能独立完成对应任务，提升工作效率 | 能充分理解业务目标，并将业务目标精准转换、拆分为具体技术任务；具有超强数据规划能力，不仅能自主完成各环节任务还能带领数据分析团队完成大型项目，为企业生产赋能 |
| 对应课程 | 必选课程： | 必选课程：
| 必选课程：
十选八案例：
|
Python技术应用工程师（初级）需要掌握Python编程基础、Python常用数据分析及处理工具numpy、pandas、scikit-learn，能以Python作为工具，解决基本的数据分析问题。能够理解业务目标，并能将业务目标初步转化为Python技术与应用问题，能结合具体技术进行初步目标实现。适合政府、金融、电信、零售等行业前端业务及从事市场、管理、财务、供应、咨询等职位的相关人员。
Python技术应用工程师（中级）一年以上Python数据分析应用工作经验，或通过Python技术应用工程师（初级）认证。掌握Python编程基础；Python常用数据分析及处理工具numpy、pandas、matplotlib、scikit-learn；Python数据可视化、机器学习、常规案例应用，能够将业务目标准确转化为Python技术与应用目标，能将业务目标拆解成不同任务并找到对应技术实现方法，提升工作价值。适合政府、金融、电信、零售、互联网、电商、医学等行业专门从事Python数据分析应用的人员。
Python技术应用工程师（高级） 三年以上Python数据分析应用岗位工作经验，或通过Python技术应用工程师（中级）认证。掌握Python编程基础；Python常用数据分析及处理工具numpy、pandas、matplotlib、scikit-learn；Python数据可视化、机器学习、多行业多领域Python技术应用、深度学习、典型人工智能应用，能充分理解业务目标，并将业务目标精准转换、拆分为具体技术任务；具有超强数据规划能力，不仅能自主完成各环节任务还能带领数据分析团队完成大型项目，为企业生产赋能。适合政府、金融、电信、零售、互联网、电商、医学等行业Python数据分析应用资深人员。
课程大纲
| Python编程基础 | Python数据分析与应用 |
|---|---|
1 准备工作 1.1 认识Python 1.2 搭建Python环境 1.3 安装PyCharm并创建一个应声虫程序 2 Python基础知识 2.1 掌握Python固定语法 2.2 创建字符串变量并提取里面的数值 2.3 计算圆形的各参数 3 Python数据结构 3.1 创建一个列表（list）并进行增删改查操作 3.2 转换一个元组（tuple）并进行取值操作 3.3 创建一个字典（dict）并进行增删改查操作 3.4 将两个列表转换为集合（set）并进行集合运算 4程序流程控制语句 4.1实现考试成绩划分 4.2实现一组数的连加与连乘 4.3使用冒泡排序法排序 4.4实训（猜数字游戏） 5 函数 5.1自定义函数实现输出方差 5.2使用匿名函数添加列表元素 5.3存储并导入函数模块 6 面向对象 6.1 认识面向对象编程 6.2 创建Car类 6.3 创建Car对象 6.4 迭代Car对象 6.5 产生Land_Rover对象（子类） 7 文件基础 7.1 认识文件 7.2 读取txt文件中的数据 7.3 保存数据为csv格式文件 7.4 认识os模块 | 1 Python数据分析概述 1.1认识数据分析 1.2熟悉Python数据分析的工具 1.3安装Python3的Anaconda发行版 1.4掌握Jupyter Notebook常用功能 2 NumPy数值计算基础 2.1认识NumPy数组对象ndarray 2.2认识NumPy矩阵与通用函数 2.3利用NumPy进行统计分析 3 Matplotlib数据可视化基础 3.1了解绘图基础语法与常用参数 3.2分析特征间的关系 3.3分析特征内部数据分布与分散状况 4 Pandas统计分析基础 4.1读写不同数据源的数据 4.2掌握DataFrame的常用操作 4.3转换与处理时间序列数据 4.4使用分组聚合进行组内计算 4.5创建透视表与交叉表 5 使用Pandas进行数据预处理 5.1合并数据 5.2清洗数据 5.3标准化数据 5.4转换数据 6使用scikit-learn构建模型 6.1使用sklearn转换器处理数据 6.2构建并评价聚类模型 6.3构建并评价分类模型 6.4构建并评价回归模型 |
| Python数据可视化 | Python网络爬虫实战 |
1 准备工作环境 1.1准备介绍 1.2安装matplotlib、Numpy和Scipy库 1.3安装图像处理工具：Python图像库（PIL） 1.4配置matplotlib参数 2绘制并定制化图表 2.1简介 2.2定义图表类型—柱状图、线形图和堆积柱状图 2.3设置坐标轴长度和范围、线型、属性和格式化字符串 2.4添加图例和注解 3学习更多图表和定制化 3.1简介 3.2设置坐标轴标签的透明度和大小 3.3为图表线条添加阴影 3.4向图表添加数据表 3.5使用subplots(子区) 3.6定制化网格 4创建3D可视化图表 4.1简介 4.2创建3D柱状图 4.3创建3D直方图. 4.4在matplotlib中创建动画 5用图像和地图绘制图表 5.1用PIL做图像处理 5.2在具有其他图形的图表中显示图像 5.3使用Basemap在地图上绘制数据 | 1 Python爬虫环境与爬虫简介 1.1认识爬虫 1.2认识反爬虫 1.3配置Python爬虫环境 2 网页前端基础 2.1认识Python网络编程 2.2认识HTTP协议 3 简单静态网页爬取 3.1实现HTTP请求 3.2解析网页 3.3数据存储 4 常规动态网页爬取 4.1逆向分析爬取动态网页 4.2使用Selenium库爬取动态网页 4.3存储数据至MongoDB数据库 5 模拟登录 5.1使用表单登录方法实现模拟登录 5.2使用Cookie登录方法实现模拟登录 6 终端协议分析 6.1分析PC客户端抓包 7 Scrapy爬虫 7.1认识Scarpy 7.2通过Scrapy爬取文本信息 7.3定制中间件 |
| Python机器学习实战 | TensorFlow实战 |
1机器学习绪论 1.1 引言 1.2 基本术语 1.3 假设空间 1.4 归纳偏好 2 模型评估与选择 2.1 经验误差与过拟合 2.2 评估方法 2.3 性能度量 2.4 偏差与方差 3 回归分析(Regression Analysis) 3.1 基本形式 3.2 线性模型 3.3 逻辑回归 4 决策树(Decision Tree) 4.1 基本流程 4.2 划分选择 4.3 剪枝 5 人工神经网络(Artificial Neural Network) 5.1 神经元模型 5.2 感知机与多层网络 5.3 误差逆传播 5.4 BP神经网络 6 最近邻算法（KNN） 7 朴素贝叶斯分类(Naive Bayesian) 8 聚类分析(Cluster Analysis) 8.1 聚类任务 8.2 性能度量 8.3 距离计算 8.4 常用聚类算法 9 支持向量机(Support Vector Machine) 9.1 间隔与支持向量 9.2 对偶问题 9.3 核函数 9.4 软间隔与正则化 | 1 TensorFlow与深度学习实战 1 TensorFlow安装与入门 1.1 TensorFlow环境搭建 1.2 TensorFlow计算模型性:计算图 1.3 TensorFlow数据模型:张量Tensor 1.4 TensorFlow运行模型:会话 2 TensorFlow数据类型 2.1 常量、变量及其构建 2.2 TensorFlow实现线性回归模型 2.3 操作：TensorFlow实现鸢尾花分类 3 TensorFlow实现多层神经网络 3.1 BP神经网络模型(Back Propagation) 3.2 操作：利用TensorFlow构建BP网络模型实现鸢尾花分类 4 mnist手写数字识别 4.1 图片预处理 4.2 占位符:placeholder 4.3 操作：利用TensorFlow实现SoftMax网络对手写数字分类 5 TensorFlow动态学习速率 5.1 TensorFlow动态学习速率设置 5.2 TensorFlow动态学习速率使用 6 TensorFlow模型保存与调用 6.1 TensorFlow模型保存操作 6.2 TensorFlow模型加载与调用 6.3 操作：softmax网络保存与调用实例 |
| 深度学习原理及编程实现 | 10大项目案例 |
1卷积神经网络CNN 1.1卷积神经网络(CNN)简介 1.2 CNN关键结构:卷积层与池化层 1.3 经典卷积网络模型: LeNet-5 1.4 图像数据处理 1.5 操作：CNN的TensorFlow实现 2循环神经网络RNN 2.1循环神经网络(RNN)简介 2.2 RNN网络关键结构: 隐层互联 2.3 经典RNN模型: LSTM 2.4 时序数据处理 2.5 操作：RNN的TensorFlow实现 3自然语言处理基础 3.1 自然语言处理简介 3.2 中文分词 3.3 NLP概率图 3.4 文本分类 4 词表征（Word Representation） 词表征的背景与应用 编码 原理及实现 5 深度学习挖掘语义特征 5.1 词向量组合相似度 5.2 基于循环神经网络（RNN）编码的相似度计算 | 基础案例 1 数据分析案例：基于水色图像的水质识别 2 数据分析案例：电子商务网站用户行为分析及服务推荐 3 数据采集和分析案例：Python爬虫实践:《流浪地球》豆瓣影评分析 4 数据分析案例：市财政收入分析及预测 5 数据分析案例：广电大数据营销推荐项目实战 6 数据分析和可视化案例：航空公司客户价值分析 7 文本挖掘和可视化案例：基于文本内容的垃圾短信分类 人工智能案例 基于卷积神经网络（CNN）的人脸识别系统 综合案例 1 京东商城美的空调评论数据情感分析 2 大数据岗位人才招聘信息的分析与挖掘 |
蔡老师：13533974213
钟老师：18819169875
陈老师：13763027597
蔡老师：13533974213
钟老师：18819169875
陈老师：13763027597
