考试介绍

发布时间:2019-11-06 作者:本站编辑
分享到:

一、证书简介

“Python技术应用工程师”职业技术课程是由工业和信息化部教育与考试中心和泰迪智能研究院联合推出的标准化课程体系 ,是一套专业化,科学化,系统化的人才考核标准,涉及在互联网、零售、金融、电信、医学、旅游等行业专门从事数据采集、数据分析、机器学习、人工智能并能制作业务报告、提供决策的新型数据分析人才所需要的技能。

“Python技术应用工程师认证”是对在数据分析、人工智能领域中使用Python作为主要分析工具从业者的全面认证,分为初级,中级,高级三个等级。泰迪智能研究院作为认证考试主办机构,并根据标准制定了规范的人才培养与考试认证机制。

泰迪智能研究院专门成立技术认证领导工作小组,秉承着总结凝练最先进的数据分析、人工智能实践为使命,明晰各类从业者的知识体系为职责,旨在加强全球范围内正规化、科学化、专业化的人才队伍建设,进一步提升工程师的职业素养与能力水平,促进数据分析、人工智能行业的高质量持续快速发展。

二、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:

  1. 1.Python编程基础

  2. 2.Python数据分析与应用

必选课程:
  1. 1.Python编程基础

  2. 2.Python数据分析与应用

  3. 3.Python数据可视化

  4. 4.Python机器学习实战

三选一课程:
  1. 1.Python网络爬虫实战

  2. 2.TensorFlow实战

  3. 3.深度学习原理及编程实现

十选三案例:
  1. 1.基于水色图像的水质识别

  2. 2.电子商务网站用户行为分析及服务推荐

  3. 3.Python爬虫实践:《流浪地球》豆瓣影评分析

  4. 4.市财政收入分析及预测

  5. 5.广电大数据营销推荐项目实战

  6. 6.航空公司客户价值分析

  7. 7.基于文本内容的垃圾短信分类

  8. 8.基于卷积神经网络(CNN)的人脸识别系统

  9. 9.京东商城美的空调评论数据情感分析

  10. 10.大数据岗位人才招聘信息的分析与挖掘

必选课程:

  1. 1.Python编程基础

  2. 2.Python数据分析与应用

  3. 3.Python数据可视化

  4. 4.Python网络爬虫实战

  5. 5.Python机器学习实战

  6. 6.TensorFlow实战

  7. 7.深度学习原理及编程实现

十选八案例:

  1. 1.基于水色图像的水质识别

  2. 2.电子商务网站用户行为分析及服务推荐

  3. 3.Python爬虫实践:《流浪地球》豆瓣影评分析

  4. 4.市财政收入分析及预测

  5. 5.广电大数据营销推荐项目实战

  6. 6.航空公司客户价值分析

  7. 7.基于文本内容的垃圾短信分类

  8. 8.基于卷积神经网络(CNN)的人脸识别系统

  9. 9.京东商城美的空调评论数据情感分析

  10. 10.大数据岗位人才招聘信息的分析与挖掘

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。

三、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

四、报考条件

初级:无要求,皆可报考。
中级:

(满足以下之一皆可报名)

1. 获得初级认证证书。

2. 本科及以上学历需从事数据分析相关工作1年以上

3. 本科以下学历需从事数据分析相关工作2年以上

高级:

(满足以下之一皆可报名)

1. 获得中级认证证书。

2. 本科及以上学历需从事数据分析相关工作3年以上

3. 本科以下学历需从事数据分析相关工作4年以上

(注:上述数据分析相关工作不限制行业,工作可涉及统计,数据分析,数据挖掘,数据库,数据管理,大数据架构等内容。)

五、考试方式

初级和中级为线下统考,上机答题,闭卷。高级分为线下上机考试(闭卷)+线上答辩(开卷)两个部分。

六、考试内容

初级:120分钟,客观题(单选+多选),上机答题。
中级:

90分钟,客观题(单选+多选),上机答题;120分钟,案例操作,自行携带电脑操作(具体准备工作请见考试大纲中的详细说明)。

高级:

第一阶段:150分钟,客观题+主观题,上机答题。

第二阶段:1个月内,项目案例操作,提交项目结果;60分钟,线上答辩面试。(第一阶段考试通过者,才有资格参与第二阶段面试)。

七、考试安排

报名时间及考试时间请咨询工作人员。

咨询热线(微信同号):

蔡老师:13533974213   

钟老师:18819169875  

陈老师:13763027597

3.考试地点

广州/北京/武汉/上海/西安/长沙/南宁/贵州/福州

八、考试费用

  • 初级:600 RMB

  • 中级:700 RMB

  • 高级:800 RMB

九、报考流程

进入考试系统(http://cbda.tipdm.org/)进行报名,考试后15日登录系统查询成绩,通过者获取证书(证书将在考试后30日内寄送)。

十、成绩评分

考试最终成绩分为A,B,C,D四个层次,A,B,C皆为通过考试并获得认证证书,D为不通过。

十一、考试资料

考生可自行查看下载考试大纲,地址:http://cbda.tipdm.org/ksdt/1935.jhtml

报考成功后会发送《Python技术应用工程师备考手册》(包含:《考试大纲解析》、《模拟考试题》两份资料)到考生邮箱。其他教材根据考试大纲中推荐的学习书目自行网上购买学习,推荐书目不用全部学习完,建议根据考试大纲中规定的知识点逐一进行。欲参加专业课程者可以参考泰迪智能研究院官方培训课,购课网址https://edu.tipdm.org

十二、证书样本

学员经考核合格,将颁发双证:

1、由工业和信息化部教育与考试中心颁发Python技术应用工程师职业技术证书,证书可登录国家工信部教育与考试中心官网查询,全国通用。

工信证书模版0.png

2、由泰迪智能研究院国际培训中心颁发CBDA大数据分析工程师技能证书,证书可登录泰迪智能研究院国际培训中心官网查询,全国通用。

CBDA-BDAE-L2-2018010209.jpg


报考咨询(微信同号)

蔡老师:13533974213

钟老师:18819169875

陈老师:13763027597