《Python大数据与人工智能实践》课程大纲一、课程名称：Python大数据与人工智能实践二、课程性质：选修、理论实验（实践）混合课三、学时与学分：32学时，2学分（16+16）四、课程先导课：C++程序设计，概率论，线性代数，高等数学，高级语言程序设计等五、教学内容第一章Python编程与数据处理基础（2+2)1）了解Python语言的特点；2）掌握Python编程的基础规则：3）熟悉Python语言读写、处理数据的基础方式；4）掌握Python语言的环境搭建与运行方式5）了解基于爬虫的Python互联网数据收集方法。第二章Python数据分析基础（2+2）1）介绍Python语言基础的数据分析方法；2）学习基础的数据统计分析方法：3）了解基于统计的数据清洗方式：4）掌握Python语言展示分析结果的方式；5）熟悉Numpy，Matplotlib等库的基本使用。第三章Python机器学习基础（2+2）1）学习机器学习基础概念，例如误差、训练、测试等；2）掌握机器学习的任务目标与种类，例如监督学习、无监督学习等；3）熟悉机器学习的评测标准，例如准确率、召回率等：4）了解Python机器学习库PyTorch的配置与使用。第四章Python数据分析-经典机器学习（2+2）1）熟悉基础的机器学习方法，例如PCA，线性回归等：2）了解常用的机器学习方法，例如SVM等；3）了解机器学习的优化方法，例如极大似然估计、梯度下降等：
《Python 大数据与人工智能实践》课程大纲 一、课程名称：Python 大数据与人工智能实践 二、课程性质：选修、理论实验（实践）混合课 三、学时与学分：32 学时，2 学分（16+16） 四、课程先导课：C++程序设计，概率论，线性代数，高等数学，高级语言程序 设计等 五、教学内容 第一章 Python 编程与数据处理基础（2+2） 1）了解 Python 语言的特点； 2）掌握 Python 编程的基础规则； 3）熟悉 Python 语言读写、处理数据的基础方式； 4）掌握 Python 语言的环境搭建与运行方式； 5）了解基于爬虫的 Python 互联网数据收集方法。 第二章 Python 数据分析基础（2+2） 1）介绍 Python 语言基础的数据分析方法； 2）学习基础的数据统计分析方法； 3）了解基于统计的数据清洗方式； 4）掌握 Python 语言展示分析结果的方式； 5）熟悉 Numpy，Matplotlib 等库的基本使用。 第三章 Python 机器学习基础（2+2） 1）学习机器学习基础概念，例如误差、训练、测试等； 2）掌握机器学习的任务目标与种类，例如监督学习、无监督学习等； 3）熟悉机器学习的评测标准，例如准确率、召回率等； 4）了解 Python 机器学习库 PyTorch 的配置与使用。 第四章 Python 数据分析-经典机器学习（2+2） 1）熟悉基础的机器学习方法，例如 PCA，线性回归等； 2）了解常用的机器学习方法，例如 SVM 等； 3）了解机器学习的优化方法，例如极大似然估计、梯度下降等；
4）熟悉Python语言中基于PyTorch的经典机器学习方法的使用。第五章Python深度学习基础（2+2）1）了解深度学习的基本思想；2）以卷积神经网络为例，学习深度神经网络中的基本结构单元：3）熟悉深度学习的训练、测试过程；4）以手写数字识别为例，熟悉基于PyTorch的深度学习基础流程5）以PyTorch代码为例，学习深度网络的前向传播与反向传播。第六章Python深度学习与计算机视觉（2+2）1）了解计算机视觉的基本任务，例如分类、检测、分割、重构等；2）以分类任务为例，了解PyTorch对输入数据的基本处理方式；3）以分类任务为例，了解卷积神经网络前向传播中的细节，例如卷积核的大小、池化的种类等；4）了解计算机视觉中经典的深度网络结构，例如VGG，ResNet等；5）学习PyTorch中对经典深度网络结构的调用与训练测试。第七章Python深度学习与自然语言处理（2+2）1）了解自然语言处理的基本任务，例如分类、翻译、预测等：2）以分类任务为例，了解PyTorch对输入数据的基本处理方式；3）了解自然语言处理中经典的深度网络结构，例如LSTM，GRU，Transformer等；4）学习PyTorch中对经典深度网络结构的调用与训练测试。第八章Python数据分析实战-互联网多媒体数据分析（2+2）1）学习使用Python处理实际多模态大数据任务的基本流程；2）利用第一章已学知识，学习使用爬虫进行互联网数据抓取；3）利用第二章已学知识，学习使用Python对抓取数据进行清洗；4）利用第四、六、七章已学知识，学习使用PyTorch对抓取数据进行分析
4）熟悉 Python 语言中基于 PyTorch 的经典机器学习方法的使用。 第五章 Python 深度学习基础（2+2） 1）了解深度学习的基本思想； 2）以卷积神经网络为例，学习深度神经网络中的基本结构单元； 3）熟悉深度学习的训练、测试过程； 4）以手写数字识别为例，熟悉基于 PyTorch 的深度学习基础流程； 5）以 PyTorch 代码为例，学习深度网络的前向传播与反向传播。 第六章 Python 深度学习与计算机视觉（2+2） 1）了解计算机视觉的基本任务，例如分类、检测、分割、重构等； 2）以分类任务为例，了解 PyTorch 对输入数据的基本处理方式； 3）以分类任务为例，了解卷积神经网络前向传播中的细节，例如卷积核的 大小、池化的种类等； 4）了解计算机视觉中经典的深度网络结构，例如 VGG，ResNet 等； 5）学习 PyTorch 中对经典深度网络结构的调用与训练测试。 第七章 Python 深度学习与自然语言处理（2+2） 1）了解自然语言处理的基本任务，例如分类、翻译、预测等； 2）以分类任务为例，了解 PyTorch 对输入数据的基本处理方式； 3）了解自然语言处理中经典的深度网络结构，例如 LSTM，GRU，Transformer 等； 4）学习 PyTorch 中对经典深度网络结构的调用与训练测试。 第八章 Python 数据分析实战-互联网多媒体数据分析（2+2） 1）学习使用 Python 处理实际多模态大数据任务的基本流程； 2）利用第一章已学知识，学习使用爬虫进行互联网数据抓取； 3）利用第二章已学知识，学习使用 Python 对抓取数据进行清洗； 4）利用第四、六、七章已学知识，学习使用 PyTorch 对抓取数据进行分析