文档视界 最新最全的文档下载
当前位置:文档视界 › Python大数据机器实战

Python大数据机器实战

Python大数据机器实战
Python大数据机器实战

关于举办“Python大数据机器学习实战”高级工程师

实战培训班的通知

地点:北京--时间:12月25-12月28

一、课程学习目标

1.每个算法模块按照“原理讲解→分析数据→自己动手实现→特征与调参”的顺序。

2.“Python数据清洗和特征提取”,提升学习深度、降低学习坡度。

3.增加网络爬虫的原理和编写,从获取数据开始,重视将实践问题转换成实际模型的能力,分享工作中的实际案例或Kaggle案例:广告销量分析、环境数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题分析、中文分词、股票数据特征分析等。

4.强化矩阵运算、概率论、数理统计的知识运用,掌握机器学习根本。

5.阐述机器学习原理,提供配套源码和数据。

6.以直观解释,增强感性理解。

7.对比不同的特征选择带来的预测效果差异。

8.重视项目实践,重视落地。思考不同算法之间的区别和联系,提高在实际工作中选择算法的能力。

9.涉及和讲解的部分Python库有:Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn。

二、课程目标

本课程特点是从数学层面推导最经典的机器学习算法,以及每种算法的示例和代码实现(Python)、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。

三、培训对象

大数据分析应用开发工程师、大数据分析项目的规划咨询管理人员、大数据分析项目的IT项目高管人员、大数据分析与挖掘处理算法应用工程师、大数据分析集群运维工程师、大数据分析项目的售前和售后技术支持服务人员

四、详细培训内容介绍

课程模块课程主题主要内容及案例和演示

模块一机器学习的

数学基础1 -

数学分析

1. 机器学习的一般方法和横向比较

2. 数学是有用的:以SVD为例

3. 机器学习的角度看数学

4. 复习数学分析

5. 直观解释常数e

6. 导数/梯度

7. 随机梯度下降

8. Taylor展式的落地应用

9. gini系数

10. 凸函数

11. Jensen不等式

12. 组合数与信息熵的关系

模块二机器学习的

数学基础2 -

概率论与贝

叶斯先验

1. 概率论基础

2. 古典概型

3. 贝叶斯公式

4. 先验分布/后验分布/共轭分布

5. 常见概率分布

6. 泊松分布和指数分布的物理意义

7. 协方差(矩阵)和相关系数

8. 独立和不相关

9. 大数定律和中心极限定理的实践意义

10. 深刻理解最大似然估计MLE和最大后验估计MAP

11. 过拟合的数学原理与解决方案

模块三机器学习的

数学基础3 -

矩阵和线性

1. 线性代数在数学科学中的地位

2. 马尔科夫模型

3. 矩阵乘法的直观表达

代数 4. 状态转移矩阵

5. 矩阵和向量组

6. 特征向量的思考和实践计算

7. QR分解

8. 对称阵、正交阵、正定阵

9. 数据白化及其应用

10. 向量对向量求导

11. 标量对向量求导

12. 标量对矩阵求导工作机制

模块四Python基础

1 - Python

及其数学库

1. 解释器Python

2.7与IDE:Anaconda/Pycharm

2. Python基础:列表/元组/字典/类/文件

3. Taylor展式的代码实现

4. numpy/scipy/matplotlib/panda的介绍和典型使用

5. 多元高斯分布

6. 泊松分布、幂律分布

7. 典型图像处理

8. 蝴蝶效应

9. 分形与可视化

模块五Python基础

2 - 机器学

习库

1. scikit-learn的介绍和典型使用

2. 损失函数的绘制

3. 多种数学曲线

4. 多项式拟合

5. 快速傅里叶变换FFT

6. 奇异值分解SVD

7. Soble/Prewitt/Laplacian算子与卷积网络

8. 卷积与(指数)移动平均线

9. 股票数据分析

模块六

Python基础

3 - 数据清1. 实际生产问题中算法和特征的关系

2. 股票数据的特征提取和应用

洗和特征选择3. 一致性检验

4. 缺失数据的处理

5. 环境数据异常检测和分析

6. 模糊数据查询和数据校正方法、算法、应用

7. 朴素贝叶斯用于鸢尾花数据

8. GaussianNB/MultinomialNB/BernoulliNB

9. 朴素贝叶斯用于18000+篇/Sogou新闻文本的分类

模块七回归1. 线性回归

2. Logistic/Softmax回归

3. 广义线性回归

4. L1/L2正则化

5. Ridge与LASSO

6. Elastic Net

7. 梯度下降算法:BGD与SGD

8. 特征选择与过拟合

模块八Logistic回

1. Sigmoid函数的直观解释

2. Softmax回归的概念源头

3. Logistic/Softmax回归

4. 最大熵模型

5. K-L散度

6. 损失函数

7. Softmax回归的实现与调参

模块九回归实践1. 机器学习sklearn库介绍

2. 线性回归代码实现和调参

3. Softmax回归代码实现和调参

4. Ridge回归/LASSO/Elastic Net

5. Logistic/Softmax回归

6. 广告投入与销售额回归分析

7. 鸢尾花数据集的分类

8. 交叉验证

9. 数据可视化

模块十

决策树和随

机森林1. 熵、联合熵、条件熵、KL散度、互信息

2. 最大似然估计与最大熵模型

3. ID3、C

4.5、CART详解

4. 决策树的正则化

5. 预剪枝和后剪枝

6. Bagging

7. 随机森林

8. 不平衡数据集的处理

9. 利用随机森林做特征选择

10. 使用随机森林计算样本相似度

11. 数据异常值检测

模块十一

随机森林实

践1. 随机森林与特征选择

2. 决策树应用于回归

3. 多标记的决策树回归

4. 决策树和随机森林的可视化

5. 葡萄酒数据集的决策树/随机森林分类

6. 波士顿房价预测

模块十二提升1. 提升为什么有效

2. 梯度提升决策树GBDT

3. XGBoost算法详解

4. Adaboost算法

5. 加法模型与指数损失

模块十三提升实践1. Adaboost用于蘑菇数据分类

2. Adaboost与随机森林的比较

3. XGBoost库介绍

4. Taylor展式与学习算法

5. KAGGLE简介

6. 泰坦尼克乘客存活率估计

模块十四SVM 1. 线性可分支持向量机

2. 软间隔的改进

3. 损失函数的理解

4. 核函数的原理和选择

5. SMO算法

6. 支持向量回归SVR

模块十五SVM实践1. libSVM代码库介绍

2. 原始数据和特征提取

3. 葡萄酒数据分类

4. 数字图像的手写体识别

5. SVR用于时间序列曲线预测

6. SVM、Logistic回归、随机森林三者的横向比较

模块十六聚类(一)1. 各种相似度度量及其相互关系

2. Jaccard相似度和准确率、召回率

3. Pearson相关系数与余弦相似度

4. K-means与K-Medoids及变种

5. AP算法(Sci07)/LPA算法及其应用

模块十七聚类(二)1. 密度聚类DBSCAN/DensityPeak(Sci14)

2. DensityPeak(Sci14)

3. 谱聚类SC

4. 聚类评价AMI/ARI/Silhouette

5. LPA算法及其应用

模块十八聚类实践1. K-Means++算法原理和实现

2. 向量量化VQ及图像近似

3. 并查集的实践应用

4. 密度聚类的代码实现

5. 谱聚类用于图片分割

模块十九EM算法 1. 最大似然估计

2. Jensen不等式

3. 朴素理解EM算法

4. 精确推导EM算法

5. EM算法的深入理解

6. 混合高斯分布

7. 主题模型pLSA

模块二十EM算法实践1. 多元高斯分布的EM实现

2. 分类结果的数据可视化

3. EM与聚类的比较

4. Dirichlet过程EM

5. 三维及等高线等图件的绘制

6. 主题模型pLSA与EM算法

模块二十一

主题模型

LDA 1. 贝叶斯学派的模型认识

2. Beta分布与二项分布

3. 共轭先验分布

4. Dirichlet分布

5. Laplace平滑

6. Gibbs采样详解

模块二十二LDA实践1. 网络爬虫的原理和代码实现

2. 停止词和高频词

3. 动手自己实现LDA

4. LDA开源包的使用和过程分析

5. Metropolis-Hastings算法

6. MCMC

7. LDA与word2vec的比较

8. TextRank算法与实践

模块二十三

隐马尔科夫

模型HMM 1. 概率计算问题

2. 前向/后向算法

3. HMM的参数学习

五、师资介绍

张老师:阿里大数据高级专家,国内资深的Spark 、Hadoop 技术专家、虚拟化专家,对HDFS 、MapReduce 、HBase 、Hive 、Mahout 、Storm 、spark 和openTSDB 等Hadoop 生态系统中的技术进行了多年的深入的研究,更主要的是这些技术在大量的实际项目中得到广泛的应用,因此在Hadoop 开发和运维方面积累了丰富的项目实施经验。近年主要典型的项目有:某电信集团网络优化、中国移动某省移动公司请账单系统和某省移动详单实时查询系统、中国银联大数据数据票据详单平台、某大型银行大数据记录系统、某大型通信运营商全国用户上网记录、某省交通部门违章系统、某区域医疗大数据应用项目、互联网公共数据大云(DAAS)和构建游戏云(Web Game Daas)平台项目等。

六、颁发证书

参加相关培训并通过考试的学员,可以获得:

工业和信息化部颁发的-《Python 大数据工程师证书》。该证书可作为专业技术人员职业能力考核的证明,以及专业技术人员岗位聘用、任职、定级和晋升职务的重要依据。注:请学员带一寸彩照2张(背面注明姓名)、身份证复印件一张。

七、培训费用及须知

7800元/人(含教材、培训费、考证费以及学习用具等费用) 食宿统一安排,费用自理。 4. Baum-Welch 算法详解

5. Viterbi 算法详解

6. 隐马尔科夫模型的应用优劣比较

模块二十四 HMM 实践 1. 动手自己实现HMM 用于中文分词

2. 多个语言分词开源包的使用和过程分析

3. 文件数据格式UFT-8、Unicode

4. 停止词和标点符号对分词的影响

5. 前向后向算法计算概率溢出的解决方案

6. 发现新词和分词效果分析

7. 高斯混合模型HMM

8. GMM-HMM 用于股票数据特征提取

模块二十五 课堂提问与互动讨论

八、报名回执

“Python大数据实战培训班”报名回执表

单位名称

详细地址联系人

电话传真邮箱

姓名性别部门/职务电话手机邮箱

1、户名:

参会单位签字或盖章注:1. 此表复印有效

机器学习实战

机器学习实战(用Scikit-learn和TensorFlow进行机器学习) 一、简介 Scikit-learn集成了很多机器学习需要使用的函数,学习Scikit-learn能简洁、快速写出机器学习程序。并且通过代码更加深入的了解机器学习模型,学习如何处理数据,如何选择模型,如何选择和调整模型参数。 二、配置必要的环境 1、推荐安装Anaconda(集成Python和很多有用的Package) 2、编辑器:Spyder 或 Pycharm 或 Jupyter Notebook 三、开始实战(处理CSV表格数据) 1、下载数据 数据集为房屋信息housing,代码运行后,会下载一个tgz文件,然后用tarfile解压,解压后目录中会有一个housing.scv文件(可以自行用excel打开看看),下载代码为: import os import tarfile from six.moves import urllib DOWNLOAD_ROOT = "https://https://www.docsj.com/doc/6f15568512.html,/ageron/handson-ml/master/" HOUSING_PATH = "datasets/housing" HOUSING_URL = DOWNLOAD_ROOT + HOUSING_PATH + "/housing.tgz" def fetch_housing_data(housing_url=HOUSING_URL, housing_path=HOUSING_PATH): if not os.path.isdir(housing_path): os.makedirs(housing_path) tgz_path = os.path.join(housing_path, "housing.tgz") urllib.request.urlretrieve(housing_url, tgz_path) housing_tgz = tarfile.open(tgz_path) housing_tgz.extractall(path=housing_path) housing_tgz.close()

数 据 结 构 与 算 法 从 零 开 始 学 习 ( 2 0 2 0 )

年后跳槽BAT必看:10种数据结构、算法和编程课助你面试通关 译者 | 大鱼 编辑 | 一一 出品 | AI 科技大本营 进入 BAT 这样的巨头企业工作,无疑是很多程序员的梦想。但事实上,能通过这些公司高难度编程面试的只是一小撮人,大多数人因为理论知识和项目实践的匮乏导致在面试后很快被淘汰,没有为面试提前做好扎实的准备工作。 年后是程序员扎堆跳槽的高峰时段,如何准备好这些大公司的编程面试?应该先准备哪些方面?需要解决哪些问题?如何解决编程中出现的文因以及其他相关技术问题?尤其对计算机专业的毕业生而言,这些问题对他们来说无所适从,仅依赖于课本中的编程语言和数据结构来准备面试,很明显远远不够。 程序员 javinpaul 对此深有体会,早年间他面临同样的困境,也因此错失了 Microsoft 和 Amazon 的工作机会,所以他在博客上分享了自己多年来总结的课-程学习经验,以帮助程序员在编程面试中做好准备。 他给出的编程面试“法宝”中,不仅有专门针对于编程面试的书,如《Crack the Coding Interview Questions》,还有线上课-程和编程训练营,来帮助程序员准备编程面试。 线上课-程:

虽然训练营可以学习方法论、重点总结以及严谨练习,但它的费用有点高,并不是每个学生都能负担得起。另一个选择是如《Software Engineer Interview Unleashed》这样的线上课-程,既便宜又能提供类似编程训练营里面的互动指导。 Software Engineer Interview Unleashed: 在诸如 Udemy 和 PluralSight 这样一些流行的线上课-程网站上,有很多可供大家选择的编程面试课-程,而你要选择合适自己的课-程。 PluralSight: 十门针对编程面试的数据结构与算法课 javinpaul 分享了一些有助于准备编程面试的优质课-程,你可以根据个人的经验和技能,从中选择一到两门课,从而去准备下一次工作面试。这些课-程的大部分都侧重于数据结构与算法,这是所有编程面试中最重要的话题,但它们也会教你如何解决问题以及工作面试中其他方面的知识,如关于编程语言的问题,Java、C++、数据库、SQL 概念及 Linux 命令等。 一旦你完成了任何一门在线培训课-程,就会具备足够的知识去开始下一次面试,同时也会更清楚未来的努力方向。 一、数据结构与算法分析 -- 求职面试 要记住,选择合适的数据结构能够大大提升 CPU 和应用程序的内存性能。比如用集合来解决重复元素问题会容易很多。你也会学习到如何求每种数据结构的复杂度。最后,你可以写出运行更快且内存使用率低的代码,也能学习如何使用被许多程序员忽略的技术来分析问题。

《利用python进行数据分析》读书笔记

《利用python进行数据分析》读书笔记 pandas是本书后续内容的首选库。pandas可以满足以下需求:具备按轴自动或显式数据对齐功能的数据结构。这可以防止许多由于数据未对齐以及来自不同数据源(索引方式不同)的数据而导致的常见错误。. 集成时间序列功能既能处理时间序列数据也能处理非时间序列数据的数据结 构数学运算和简约(比如对某个轴求和)可以根据不同的元数据(轴编号)执行灵活处理缺失数据合并及其他出现在常见数据库(例如基于SQL的)中的关系型运算1、pandas数据结构介绍两个数据结构:Series和DataFrame。Series是一种类似于以为NumPy数组的对象,它由一组数据(各种NumPy数据类型)和与之相关的一组数据标签(即索引)组成的。可以用index和values分别规定索引和值。如果不规定索引,会自动创建0 到N-1 索引。#-*- encoding:utf-8 -*- import numpy as np import pandas as pd from pandas import Series,DataFrame #Series可以设置index,有点像字典,用index索引 obj = Series([1,2,3],index=['a','b','c'])

#print obj['a'] #也就是说,可以用字典直接创建Series dic = dict(key = ['a','b','c'],value = [1,2,3]) dic = Series(dic) #下面注意可以利用一个字符串更新键值 key1 = ['a','b','c','d'] #注意下面的语句可以将Series 对象中的值提取出来,不过要知道的字典是不能这么做提取的 dic1 = Series(obj,index = key1) #print dic #print dic1 #isnull 和notnull 是用来检测缺失数据 #print pd.isnull(dic1) #Series很重要的功能就是按照键值自动对齐功能 dic2 = Series([10,20,30,40],index = ['a','b','c','e']) #print dic1 + dic2 #name属性,可以起名字 https://www.docsj.com/doc/6f15568512.html, = 's1' https://www.docsj.com/doc/6f15568512.html, = 'key1' #Series 的索引可以就地修改 dic1.index = ['x','y','z','w']

【最新】python数据分析课程报告论文(附代码数据)

用python进行数据分析 一、样本集 本样本集来源于某高中某班78位同学的一次月考的语文成绩。因为每位同学的成绩都是独立的随机变量,遂可以保证得到的观测值也是独立且随机的 样本如下: grades=[131,131,127,123,126,129,116,114,115,116,123,122,118, 121,126,121,126,121,111,119,124,124,121,116,114,116, 116,118,112,109,114,116,116,118,112,109,114,110,114, 110,113,117,113,121,105,127,110,105,111,112,104,103, 130,102,118,101,112,109,107,94,107,106,105,101,85,95, 97,99,83,87,82,79,99,90,78,86,75,66]; 二、数据分析 1.中心位置(均值、中位数、众数) 数据的中心位置是我们最容易想到的数据特征。借由中心位置,我们可以知道数据的一个平均情况,如果要对新数据进行预测,那么平均情况是非常直观地选择。数据的中心位置可分为均值(Mean),中位数(Median),众数(Mode)。其中均值和中位数用于定量的数据,众数用于定性的数据。 均值:利用python编写求平均值的函数很容易得到本次样本的平均值 得到本次样本均值为109.9 中位数:113 众数:116 2.频数分析 2.1频数分布直方图 柱状图是以柱的高度来指代某种类型的频数,使用Matplotlib对成绩这一定性变量绘制柱状图的代码如下:

学Python matplotlib(面积图)_光环大数据python培训

https://www.docsj.com/doc/6f15568512.html, 学Python matplotlib(面积图)_光环大数据python培训 我们之前写过一篇文章是关于折线图的可视化《从零开始学Python【14】—matplotlib(折线图)》,一般来说,折线图表达的思想是研究某个时间序列的趋势。往往一条折线图可以根据某个分组变量进行拆分,比如今年的销售额可以拆分成各个事业线的贡献;流量可以拆分为各个渠道;物流总量可以拆分为公路运输、铁路运输、海运和空运。按照这个思路可以将一条折线图拆分成多条折线图,直观的发现各个折线图的趋势,但遗憾的是不能得知总量的趋势。为了解决这个问题,我们可以借助matplotlib中的stackplot函数绘制面积图来直观表达分组趋势和总量趋势。 stackplot函数语法及参数含义 stackplot(x,*args,**kargs) x指定面积图的x轴数据 *args为可变参数,可以接受任意多的y轴数据,即各个拆分的数据对象 **kargs为关键字参数,可以通过传递其他参数来修饰面积图,如标签、颜色 可用的关键字参数: labels:以列表的形式传递每一块面积图包含的标签,通过图例展现 colors:设置不同的颜色填充面积图

https://www.docsj.com/doc/6f15568512.html, 案例分享 以我国2017年的物流运输量为例,来对比绘制折线图和面积图。这里将物流运输量拆分成公路运输、铁路运输和水路运输,绘图的对比代码见下方所示: # ========== Python3 + Jupyter ========== ## 导入第三方模块import pandas as pdimport numpy as npimport matplotlib.pyplot as plt# 设置图形的显示风格https://www.docsj.com/doc/6f15568512.html,e('ggplot')# 设置中文和负号正常显示plt.rcParams['font.sans-serif'] = 'Microsoft YaHei'plt.rcParams['axes.unicode_minus'] = False# 读取数据transport = pd.read_excel('transport.xls')# 窥探数据框的前5行transport.head()# 折线图的x变量值,即Jan(一月份)到Aug(八月份)8个值N = np.arange(transport.shape[1]-1)# 绘制拆分的折线图labels = transport.Indexchannel = transport.columns[1:]for i in range(transport.shape[0]): plt.plot(N, # x坐标transport.loc[i,'Jan':'Aug'], # y坐标 label = labels[i], # 添加标签marker = 'o', # 给折线图添加圆形点linewidth = 2 # 设置线的宽度 )# 添加标题和坐标轴标签plt.title('2017年各运输渠道的运输量')plt.ylabel('运输量(万吨)')# 修改x轴的刻度标签plt.xticks(N,channel)# 剔除图框上边界和右边界的刻度plt.tick_params(top = 'off', right = 'off')# 显示图例(即显示label的效果) plt.legend(loc = 'best') # 显示图形plt.show() 这就是绘制分组的折线图思想,虽然折线图能够反映各个渠道的运输量随月份的波动趋势,但无法观察到1月份到8月份的各自总量。接下来我们看看面积图的展现。

从零开始学习网页制作网站建设问答以及需要学习的软件

如何从零开始学习网页制作网站建设问答以及需要学习的软件

————————————————————————————————作者:————————————————————————————————日期: 2

如何从零开始学习网页制作网站建设问答需要掌握的技术和软件有哪些? “零”的意义:没有任何网页制作基础,没有接触过如何制作网页! 1.我没基础,可否学习网页制作? 可以!完全可以!因为谁都不是生来就会的。大家都是通过后期老师的教学来学会的。所以别人能会,你也可以! 2.我应该怎么开始学习网页制作? 现在网上有很多教程或者专业的教学网站,可以先去看看了解,掌握好最基础的知识和概念。如果你是自学,看一些免费的教程尽量选择录制日期比较新的视频教程。因为技术是在不断进步的,而且进步的非常快!当然你要是想快速并系

统的学习,建议你找一个好的老师。 3.我需要有哪些准备?需不需要会英语? 有一台电脑。 还有一个积极好学的心态。 会英语最好,不会也没关系。 4.学网页需要多久? 永远也学不完。但是,阶段的学习会非常快,可以完整制作一个目前阶段需求的项目。技术在日新月异地变化。活到老,学到老。 5.所需要掌握的软件有哪些? Phpstorm 6.我们需要学习哪些内容? a)html:超文本标记语言,是网页的根本,是 用来布局 b)css:层叠样式表,它的作用是装饰网页

c)javascript:网页脚本,最主要是要掌握一些 库,比如jquery,jquery.form,模板库即可,简称:js d)一门服务器端的语言.比如 php,asp,c#,java,python,ruby.技术是用share. 是用来分享。 e)数据库:mysql,其它类型的据库: mssql,oracle,sqllite3.数据库只是数据的载体,sql:结构化查询语言。 综上我们要想做成一个完整的网站,我们需要掌握的技术: Html,css,javascript,php,mysql(sql) Div css 布局很好,大多采用div css Html包含了div,div是html中一个元素,在实际的开发过程中,我们会遇到更多的html其它

Python数据分析与展示教学大纲

Python数据分析与展示教学大纲 课程概述 本课程面向各类编程学习者,讲解利用Python语言表达N维数据并结合数据特点合理展示数据的技术和方法,帮助学习者掌握表示、清洗、统计和展示数据的能力。 本课程介绍Python计算生态中最优秀的数据分析和展示技术,所讲授内容是数据领域最优秀的编程模块,在理学、工程、信息、管理、经济等学科领域具有极其广泛的应用潜力。 本课程共包括内容: (1)Python第三方库NumPy,讲解N维数据的表达及科学计算的基本概念和运算方法; (2)Python第三方库Matplotlib,讲解绘制坐标系、散点图、极坐标图等直观展示数据趋势和特点的方法; (3)Python第三方库Pandas,强大的专业级数据分析和处理第三方库,介绍并讲解Series和DataFrame数据类型的表示和基本使用。 该课程希望传递“理解和运用计算生态,培养集成创新思维”的理念,重点培养学习者运用当代最优秀第三方专业资源,快速分析和解决问题的能力。 本课程是“Python网络爬虫与数据分析”课程的下半部分。“Python网络爬虫与数据分析”课程由“Python网络爬虫与信息提取”和“Python数据分析与展示”两门MOOC课程组成,完整地讲解了数据获取、清洗、统计、分析、可视化等数据处理周期的主要技术内容,培养计算思维、数据思维及采用程序设计方法解决计算问题的实战能力技术。 课程大纲 01 【第〇周】数据分析之前奏 课时 “数据分析”课程内容导学 Python语言开发工具选择

Anaconda IDE的基本使用方法 02 【第一周】数据分析之表示 课时 本周课程导学 单元1:NumPy库入门 单元2:NumPy数据存取与函数 单元3:实例1:图像的手绘效果 03 【第二周】数据分析之展示 课时 本周课程导学 单元4:Matplotlib库入门 单元5:Matplotlib基础绘图函数示例(5个实例) 单元6:实例2:引力波的绘制 04 【第三周】数据分析之概要 课时 本周课程导学 单元7:Pandas库入门 单元8:Pandas数据特征分析 预备知识 本课程需要学习者具备Python语言编程的基本知识和初步技能 参考资料 [1] Python零基础入门教程:《Python语言程序设计基础(第2版)》,嵩天、礼欣、黄天羽著,高等教育出版社,2017.2 [2] 专题参考资料:《利用Python进行数据分析》,Wes McKinney著,O’Reilly & 机械工业出版社,2014.1(该书使用Python 2.x系列,内容略微陈旧,仅做参考,不建议跟踪学习)

零基础学习PHP-从零开始学习PHP-PHP基础教程-PHP简明教程 (1)

PHP起步 欢迎来到PHP的世界! PHP语言是最受欢迎的Web开发语言之一。它以学习简单、开发快速、性能稳定而倍 受Web开发人员的青睐。PHP不仅使用人员众多、数以万计的Web站点用它构建,而且有 强大的社区支持,使得无论是用PHP开发Web应用,还是学习PHP语言,都会快速有效、 事半功倍。在各种Web开发语言、框架、概念纷扰的今天,PHP仍以其独特魅力吸引更多 的Web开发人员学习和使用。 选择PHP,没错的! 1.1初识 PHP PHP是一种服务器端的、嵌入HTML的脚本语言。它的语法结构和C语言极为相似。为了能够快速地编写动态Web页面,PHP还加入了自己的某些语言特征,这些特征都非常容 易理解和使用。先来看一个嵌入有PHP代码的HTML文档。 Welcome 1.2 LAMP——锋利四剑客:Linux、Apache、MySQL和 PHP 要想学习PHP,就有必要了解和PHP关系密切的其他3种技术:Linux操作系统、Apache 网络服务器和MySQL数据库。 LAMP这个名词最早由Michael Kunze创造,用来代表Linux操作系统、Apache网络服务器、MySQL数据库和PHP(如果可以,Perl和Python也是不错的选择),LAMP正是这4种技术的首字母。 PHP作为强有力的Web开发语言,和Linux、Apache、MySQL的支持是密不可分的。它们都是开源软件,并且有强有力的社区支持,它们的完美组合构成了当今Web开发世界中 不可忽视的一极重要力量。而且,这支力量近年一直在不断地变得更加强大。虽然,这 4 种技术并不是专门被设计成在一起工作的,但多年来,这些软件之间的兼容性不断完善,不仅完改善了个组件之间的协作,扩展出更多的功能,而且在目前几乎所有的Linux版本中都 默认包含了这些产品,使得这些产品共同组成了一个强大的Web应用平台。 1.3 PHP Web编程的体系结构和基本内容 概括地说,任何Web编程体系,无外乎服务器端和客户端的程序开发。基于PHP的Web应用开发也不例外,其中客户端的开发包括使用HTML设计Web页面,使用样式表控 制Web页面的显示效果,还需要客户端的脚本语言来控制浏览器的特效、验证HTML表单 数据等,这些脚本语言包括JavaScript、VBScript等。服务器端的开发就需要掌握PHP语言 和MySQL数据库的有关内容。 本节的各小节将对这些内容做简要说明,之后的各节将较为详细地介绍HTML、样式表和JavaScript,它们都是Web开发的基础内容,对这些内容不了解的PHP初学者有必要掌握。 1.3.1 了解PHP、HTML、层叠样式表(CSS)和JavaScript及其关系 作为服务器端的脚本语言,PHP多数情况下都是和HTML相互搭配来使用的。PHP用来

数 据 结 构 与 算 法 从 零 开 始 学 习 ( 2 0 2 0 )

用Python解决数据结构与算法问题(一):Python基础 python学习之路 - 从入门到精通到大师 一、你【实战追-女生视频】好世界 Python是一种现代的,易于学习的面向对象的编程语言。它具有一组强【扣扣】大的内置数据类型和易于使用的控件结构。由于是解释【1】型语言,因此通过简单地查看和描述交互式会话,更容易进行【О】检查。所以好多人会和你说推荐你使用 anaconda 的,比如:【⒈】深度学习入门笔记(五):神经网络的编程基础。 在 j【б】upyter notebook 中是提示输入语句,然后计算你提供的Py【9】thon语句。例如: pri【5】nt("Hello,World") Hel【2】lo,World 打印结果【6】: print("".join("Hello World")) 二、数据入门 因为Python是支持面向对象的编程范式,这意味着Python认为在解决问题的过程中的重点是数据。在任何面向对象的编程语言中,类都是被定义用来描述数据的外观(状态)和数据能做什么(行为)。因为类的用户只看数据项的状态和行为,所以类类似于抽象的数据类型。数据项在面向对象的范式中称为对象,对象是类的实例。

Python有: 两个主要的内置数字类,分别是 int (整型数据类型)和 float (浮点数据类型)。 标准的算术运算,+,-,*,-,和 **(取幂),可以用括号强制操作的顺序来规避正常的操作符优先级。 其他很有用的操作是余数(模组)操作符%、和整数除法--。注意,当两个整数相除,结果是一个浮点数。整数除法运算符通过截断所有小数部分来返回商的整数部分。 布尔数据类型,作为Python bool类的实现,在表示真值时非常有用。 布尔数据 在标准的布尔操作中,and、or、not,布尔类型的状态值可能是True 和 False。 False or True not (False or True) True and True 布尔数据对象也被用作比较运算符的结果,例如相等(==)和大于()。 关系运算符和逻辑运算符 此外,关系运算符和逻辑运算符可以组合在一起形成复杂的逻辑问题。下表展示了关系和逻辑运算符: 标识符在编程语言中作为名称使用。在Python中,标识符以字母

python数据分析(DOC46页)

python数据分析(pandas) 几年后发生了。在使用SAS工作超过5年后,我决定走出自己的舒适区。作为一个数据科学家,我寻找其他有用的工具的旅程开始了!幸运的是,没过多久我就决定,Python作为我的开胃菜。 我总是有一个编写代码的倾向。这次我做的是我真正喜欢的。代码。原来,写代码是如此容易! 我一周内学会了Python基础。并且,从那时起,我不仅深度探索了这门语言,而且也帮助了许多人学习这门语言。Python是一种通用语言。但是,多年来,具有强大的社区支持,这一语言已经有了专门的数据分析和预测模型库。 由于Python缺乏数据科学的资源,我决定写这篇教程来帮助别人更快地学习Python。在本教程中,我们将讲授一点关于如何使用Python 进行数据分析的信息,咀嚼它,直到我们觉得舒适并可以自己去实践。

目录 1. 数据分析的Python基础 o为什么学Python用来数据分析 o Python 2.7 v/s 3.4 o怎样安装Python o在Python上运行一些简单程序 2. Python的库和数据结构 o Python的数据结构 o Python的迭代和条件结构 o Python库 3. 在Python中使用Pandas进行探索性分析

o序列和数据框的简介 o分析Vidhya数据集——贷款的预测问题 4. 在Python中使用Pandas进行数据再加工 5. 使用Python中建立预测模型 o逻辑回归 o决策树 o随机森林 让我们开始吧 1.数据分析的Python基础 为什么学Python用来数据分析 很多人都有兴趣选择Python作为数据分析语言。这一段时间以来,我有比较过SAS和R。这里有一些原因来支持学习Python: ?开源——免费安装 ?极好的在线社区 ?很容易学习 ?可以成为一种通用的语言,用于基于Web的分析产品数据科学和生产中。

只需十四步:从零开始掌握Python

只需十四步:从零开始掌握Python机器学习(附资源) 2017-03-14 机器之心 选自kdnuggets 作者:Matthew Mayo 机器之心编译 参与:黄小天、吴攀、晏奇、蒋思源 Python 可以说是现在最流行的机器学习语言,而且你也能在网上找到大量的资源。你现在也在考虑从Python 入门机器学习吗?本教程或许能帮你成功上手,从0 到 1 掌握Python 机器学习,至于后面再从1 到100 变成机器学习专家,就要看你自己的努力了。本教程原文分为两个部分,机器之心在本文中将其进行了整合,原文可参阅:http://suo.im/KUWgl 和http://suo.im/96wD3。本教程的作者为KDnuggets 副主编兼数据科学家Matthew Mayo。 「开始」往往是最难的,尤其是当选择太多的时候,一个人往往很难下定决定做出选择。本教程的目的是帮助几乎没有Python 机器学习背景的新手成长为知识渊博的实践者,而且这个过程中仅需要使用免费的材料和资源即可。这个大纲的主要目标是带你了解那些数量繁多的可用资源。毫无疑问,资源确实有很多,但哪些才是最好的呢?哪些是互补的呢?以怎样的顺序学习这些资源才是最合适的呢? 首先,我假设你并不是以下方面的专家: 机器学习 Python 任何Python 的机器学习、科学计算或数据分析库 当然,如果你对前两个主题有一定程度的基本了解就更好了,但那并不是必要的,在早期阶段多花一点点时间了解一下就行了。 基础篇 第一步:基本Python 技能 如果我们打算利用Python 来执行机器学习,那么对Python 有一些基本的了解就是至关重要的。幸运的是,因为Python 是一种得到了广泛使用的通用编程语言,加上其在科学计算和机器学习领域的应用,所以找到一个初学者教程并不十分困难。你在Python 和编程上的经验水平对于起步而言是至关重要的。 首先,你需要安装Python。因为我们后面会用到科学计算和机器学习软件包,所以我建议你安装Anaconda。这是一个可用于Linux、OS X 和Windows 上的工业级的Python 实现,完整包含了机器学习所需的软件包,包括numpy、scikit-learn 和matplotlib。其也包含了iPython Notebook,这是一个用在我们许多教程中的交互式环境。我推荐安装Python 2.7。 ?

python数据分析过程示例

python数据分析过程示例

引言 几年后发生了。在使用SAS工作超过5年后,我决定走出自己的舒适区。作为一个数据科学家,我寻找其他有用的工具的旅程开始了!幸运的是,没过多久我就决定,Python作为我的开胃菜。 我总是有一个编写代码的倾向。这次我做的是我真正喜欢的。代码。原来,写代码是如此容易! 我一周内学会了Python基础。并且,从那时起,我不仅深度探索了这门语言,而且也帮助了许多人学习这门语言。Python是一种通用语言。但是,多年来,具有强大的社区支持,这一语言已经有了专门的数据分析和预测模型库。 由于Python缺乏数据科学的资源,我决定写这篇教程来帮助别人更快地学习Python。在本教程中,我们将讲授一点关于如何使用Python 进行数据分析的信息,咀嚼它,直到我们觉得舒适并可以自己去实践。

目录 1. 数据分析的Python基础 o为什么学Python用来数据分析o Python 2.7 v/s 3.4 o怎样安装Python o在Python上运行一些简单程序2. Python的库和数据结构 o Python的数据结构 o Python的迭代和条件结构

o Python库 3. 在Python中使用Pandas进行探索性分析 o序列和数据框的简介 o分析Vidhya数据集——贷款的预测问题 4. 在Python中使用Pandas进行数据再加工 5. 使用Python中建立预测模型 o逻辑回归 o决策树 o随机森林 让我们开始吧 1.数据分析的Python基础 为什么学Python用来数据分析 很多人都有兴趣选择Python作为数据分析语言。这一段时间以来,我有比较过SAS和R。这里有一些原因来支持学习Python:

【IT专家】《python与机器学习实战》笔记(一)

本文由我司收集整编,推荐下载,如有疑问,请与我司联系 《python与机器学习实战》笔记(一) 2018/06/11 9 机器学习追求的是合理的假设空间的选取和模型的泛化能力。 ?人生苦短,我用python。 ?单纯的lambda表达式 f = lambda x:pow(x,2) f(2) ?如上两行代码,定义一个lambda表达式f,输入参数为x,返回为x的平方 ?机器学习的过程: ?获取与处理数据 ?选择与处理数据 ? ?评估与可视化结果 ?import numpy as npimport matplotlib.pyplot as pltdef get_model(deg): return lambda input_x=x0: np.polyval(np.polyfit(x, y, deg), input_x)# Get the cost of regression model above under given x, ydef get_cost(deg, input_x, input_y): return 0.5 * ((get_model(deg)(input_x) - input_y) ** 2).sum()# Set degreestest_set = (1, 4, 10)for d in test_set: print(get_cost(d, x, y))# Visualize resultsplt.scatter(x, y, c=“g”, s=20)for d in test_set: plt.plot(x0, get_model(d)(), label=“degree = {}”.format(d))plt.xlim(-2, 4)plt.ylim(1e5, 8e5)plt.legend()plt.show() ? ?96732238800.3529294112406641.6774375874846680.09283 ?tips:感谢大家的阅读,本文由我司收集整编。仅供参阅!

python语言零基础入门-字典映射

1、字典dict 基本概念 字典是另一种可变容器模型,且可存储任意类型对象。 字典的每个键值(key=>value)对用冒号(:)分割,每个对之间用逗号(,)分割,整个字典包括在花括号({})中 键必须是唯一的,但值则不必。 In [1]: {'小头爸爸': 35, '大头儿子': 6, '隔壁老王': 37} [{'age': 18, 'name': 'Tom'}, {'age': 19, 'name': 'Jack'}, {'age': 17, 'name': 'Ale x'}] # 什么是映射?什么是字典dict ? name = ['大头儿子','小头爸爸','隔壁老王'] age = [6,35,37] # 首先虽然序列是有顺序的,但还是不能直接把名字和年龄关联起来,这里只是顺序对上,且并没有一对一的关系 dic = {'大头儿子':6, '小头爸爸': 35, '隔壁老王':37} print (dic,type (dic)) # 用{}来表示,按照key :value 来表示字典中的元素,其中key 是键,value 是值,key-value 也就是键值对# 这里dic 就是一个字典类型的变量 dic = [{'name':'Tom', 'age':18},{'name':'Jack', 'age':19},{'name':'Alex', "age":17}] print (dic) # 一个以字典为元素的列表,有没有觉得键值对很像数据中的字段和字段值?

{'a': 2} {'var1': 1, 'var2': 'hello', 'var3': [1, 2, 3], 'var4': {'a': 1, 'b': 2}} {'var2': 'hello', 'var5': '添加一个值', 'var3': [1, 2, 3], 'var4': '任意修改其中一个 值'} {} # 字典的特点 dic = {'a':1,'b':2,'c':3} # 键值对,一定共同出现,不能只有一个 dic = {'a':1,'a':2} print (dic) # 不允许同一个键出现两次:创建时如果同一个键被赋值两次,后一个值会被记住 dic = {'var1':1, 'var2':'hello', 'var3':[1,2,3], 'var4':{'a':1,'b':2}} # key 必须是不可变对象,value 则可以是任意对象:数值,字符串,序列,字典 print (dic) # 字典是一个无序集合,序列由于没有key 来做对应,所以以顺序来对应值# 序列有顺序,字典没有! dic['var5'] = '添加一个值' # 任意添加元素 dic['var4'] = '任意修改其中一个值' # 任意修改元素 del dic['var1'] # 任意删除元素 print (dic) dic.clear() # 清空词典所有条目 print (dic) del dic # 删除词典#print(dic)

Python数据可视化实战第一章

Python数据可视化实战第1期

法律声明 【声明】本视频和幻灯片为炼数成金网络课程的教学资料,所有资料只能在课程内使用,不得在课程以外范围散播,违者将可能被追究法律和经济责任。 课程详情访问炼数成金培训网站 https://www.docsj.com/doc/6f15568512.html,

Python数据可视化实战—课程概要 1. Python基本绘图 2. Python简单图形绘制 3. 常见图形绘制 4. 完善统计图形 5. Python高级绘图一之图形样式 6. Python高级绘图二之实现多张图并存 7. Python高级绘图三实现共享坐标轴 8. Python精美制图一之ggplot 9. Python精美制图二之seaborn 10. Python精美制图三之pyecharts

第一章Python基本绘图 ? 1.1 Python绘图常用库介绍? 1.2 相关参数 ? 1.3 简单案例实践

1.1 Python绘图常用库介绍 matplotlib作为Python的基本绘图库,是Python中应用最广泛的绘图工具包之一,matplotlib能和其他很多库结合,如pandas等 ?Matplotlib库 matplotlib作为Python的基本绘图库,是Python中应用最广泛的绘图工具包之一,matplotlib能和其他很多库结合,如pandas等 ?其他库 包括ggplot2和seaborn,还有pyecharts库等都是第三方绘图库,可以优化Python图形,使得Python数据可视化结果更加美观

matplotlib.plot是最常见的绘图的模块,语法如下: plt.plot(x,y,ls=,lw=,c=,marker=,markersize=,markeredgecolor=,markerfacecolor, label=) x: x轴上的数值 y: y轴上的数值 ls: 折线的风格(‘-‘, ’--‘, ’-.‘和':‘) lw: 线条宽度 c: 颜色 marker: 线条上点的形状 markersize: 线条上点的大小 markeredgecolor: 点的边框色 markerfacecolor: 点的填充色 label: 文本标签

Python数据挖掘与机器学习实战 - 选题

Python数据挖掘与机器学习实战—选题大纲(一组一章,第一章除外)

或从下列选题中选择:(除第1讲) 选题名称内容结构内容要求 第1讲 机器学习与Python库(该讲不可选)解释器Python3.6与IDE:Anaconda/Pycharm 1.Python基础:列表/元组/字典/类/文件 2.numpy/scipy/matplotlib/panda 的介绍和典型使用 3.多元高斯分布 4.典型图像处理 5.scikit-learn的介绍和典型使用 6.多种数学曲线 7.多项式拟合 8.快速傅里叶变换FFT 9.奇异值分解SVD 10.Soble/Prewitt/Laplacian算子 与卷积网络 代码和案例实践 1.卷积与(指数)移动平均线 2.股票数据分析 3.实际生产问题中算法和特征的关系 4.缺失数据的处理 5.环境数据异常检测和分析 第2讲回归线性回归 1.Logistic/Softmax回归 2.广义线性回归 3.L1/L2正则化 4.Ridge与LASSO 5.Elastic Net 6.梯度下降算法:BGD与SGD 7.特征选择与过拟合 8.Softmax回归的概念源头 9.最大熵模型 10.K-L散度 代码和案例实践 1.股票数据的特征提取和应用 2.泰坦尼克号乘客缺失数据处理和存活率 预测 3.环境检测数据异常分析和预测 4.模糊数据查询和数据校正方法 5.PCA与鸢尾花数据分类 6.二手车数据特征选择与算法模型比较 7.广告投入与销售额回归分析 8.鸢尾花数据集的分类

第3讲 决策树和随机森林熵、联合熵、条件熵、KL散度、互信息 1.最大似然估计与最大熵模型 2.ID3、C4.5、CART详解 3.决策树的正则化 4.预剪枝和后剪枝 5.Bagging 6.随机森林 7.不平衡数据集的处理 8.利用随机森林做特征选择 9.使用随机森林计算样本相似度 10.异常值检测 代码和案例实践 1.随机森林与特征选择 2.决策树应用于回归 3.多标记的决策树回归 4.决策树和随机森林的可视化 5.社会学人群收入预测 6.葡萄酒数据集的决策树/随机森林分类 7.泰坦尼克乘客存活率估计 第4讲SVM 线性可分支持向量机 1.软间隔 2.损失函数的理解 3.核函数的原理和选择 4.SMO算法 5.支持向量回归SVR 6.多分类SVM 代码和案例实践: 1.原始数据和特征提取 2.调用开源库函数完成SVM 3.葡萄酒数据分类 4.数字图像的手写体识别 5.MNIST手写体识别 6.SVR用于时间序列曲线预测 7.SVM、Logistic回归、随机森林三者的 横向比较 第5讲聚类各种相似度度量及其相互关系 1.Jaccard相似度和准确率、召回率 2.Pearson相关系数与余弦相似度 3.K-means与K-Medoids及变种 4.AP算法(Sci07)/LPA算法及其应用 5.密度聚类DBSCAN/DensityPeak(Sci14) 6.谱聚类SC 7.聚类评价和结果指标 代码和案例实践: 1.K-Means++算法原理和实现 2.向量量化VQ及图像近似 3.并查集的实践应用 4.密度聚类的异常值检测 5.谱聚类用于图片分割 第6讲 隐马尔科夫模型 HMM 主题模型LDA 1.词潜入和word2vec 2.前向/后向算法 3.HMM的参数学习 4.Baum-Welch算法详解 5.Viterbi算法详解 6.隐马尔科夫模型的应用优劣比较 7.共轭先验分布 https://www.docsj.com/doc/6f15568512.html,place平滑 9.Gibbs采样详解 代码和案例实践: 1.敏感话题分析 2.网络爬虫的原理和代码实现 3.LDA开源包的使用和过程分析 4.HMM用于中文分词

Python基础入门课程-学习笔记

Python基础入门课程 --学习笔记 近期忽然有点迷上了爬虫Python,可能原因是最近人工智能,深度学习炒的比较热火有关。所以在网上搜了一大圈,想找点基础教程看看,发现还真不少,不过还真没有发现比较适合我这种菜鸟的教程,要么是英文的,要么一开始就讲的比较深,连测试环境都搭建不起了。让人一看就有点畏难放弃了。最后终于发现了唐老师的视频教程,好了,废话不多说,我就把我最近一段时间的学习笔记给大家分享一下。 要想学习Python,首先要搭建测试环境。本教程所用的环境如下: 一、测试环境: 系统:64位win7中文版 浏览器:Google Chrome,尽量不要用IE浏览器,测试中可能不能使用。 Python:Anaconda3-4.3.1-Windows-x86_64.exe Python可以自行通过Baidu自行搜索下载安装即可。 二、Python安装: 如果你能下载到上面的版本,直接双击运行安装即可,可以更改安装路径到D盘,因为占用空间比较大。我就是安装到D盘。安装完成后你就可以在开始菜单-所有程序-Anaconda3找到Jupyter Notebook。本次教程所有脚本全部在该notebook中运行和测试。

三、入门学习: 如果你顺利看到这里,并能在你的电脑上看到上面的截图,那么恭喜你,你已经成功的拥有了本次学习测试的环境。 1、打开Jupyter notebook。 路径:开始菜单-所有程序- Anaconda3找到Jupyter Notebook单击打开, 界面如下。如能打开Dos窗口,不能出现下面的截图,请尝试安装Google Chrome,并设置成默认浏览器即可解决。 单击上图中的New,从下来菜单中选择Python 3即可打开代码编辑窗口。 如下两图:

【黑马程序员】Python入门教程、python基础教程

【黑马程序员】Python入门教程、python基础教程 黑马程序员视频库网址:https://www.docsj.com/doc/6f15568512.html,(海量热门编程视频、资料免费学习)学习路线图、学习大纲、各阶段知识点、资料网盘免费领取+QQ 3285264708 / 3549664195 适合人群:零基础小白 学习周期:15天 课程章节:2章(每章包含1-100小节课程) 学习后目标:1.掌握基本的Linux系统操作。2.掌握Python基础编程语法。3.建立起编程思维和面向对象思想。 0基础小白也能学会的人工智能 完整视频:https://www.docsj.com/doc/6f15568512.html,/course/534.html?1911sxkqq 课程资料:https://https://www.docsj.com/doc/6f15568512.html,/s/1EDaAE9eG0fhW7V5haowbig 提取码:9kml 内容简介: 本套课程从零开始,讲解人工智能的全部核心基础,4天课让你掌握机器学习、线性代数、微积分和概率论,学完课程你可以自己推导损失函数,实现梯度下降,手写神经网络,把控无人驾驶,完成手写字识别... 2019年python入门到精通(19天全) 完整视频:https://www.docsj.com/doc/6f15568512.html,/course/542.html?1910sxkqq

课程资料:https://https://www.docsj.com/doc/6f15568512.html,/s/1UzxLIXhkRppccqf2vGyOhA 提取码:ueva 内容简介: python基础学习课程,从搭建环境到判断语句,再到基础的数据类型,之后对函数进行学习掌握,熟悉文件操作,初步构建面向对象的编程思想,最后以一个案例带领同学进入python的编程殿堂 Python入门教程完整版(懂中文就能学会) 完整视频:https://www.docsj.com/doc/6f15568512.html,/course/273.html?1910sxkqq 课程资料:https://https://www.docsj.com/doc/6f15568512.html,/s/12-dymJ8FjWzh6b5NKJuP3Q 提取码:gqly 内容简介: 1-3 天内容为Linux基础命令;4-13 天内容为Python基础教程;14-15 天内容为飞机大战项目演练。 python进阶深入浅出完整版 完整视频:https://www.docsj.com/doc/6f15568512.html,/course/541.html?1910sxkqq 课程资料:https://https://www.docsj.com/doc/6f15568512.html,/s/1Y83bFUKz1Z-gM5x_5b_r7g 提取码:ix8q 内容简介: python高级学习课程,从linux操作系统到网络编程,再到多任务编程以及http同学协议,熟练掌握mysql数据库的使用,构建完整python编程技能,进入python殿堂,一窥python 编程之美。 Python进阶之Django框架

相关文档
相关文档 最新文档