Python编程基础：

1 Python爬虫与文本分析概述

1.1 文本数据的重要性

1.1.1 结构化数据

1.1.2 非结构化数据

1.1.3 文本数据

1.2 文本分析

1.2.1 文本分析基本概念

1.2.2 文本分析与自然语言处理的关系

1.2.3 爬虫与文本分析

2 Python基础

2.1 Python语言概述

2.1.1 起源

2.1.2 语言特色

2.1.3 开发环境配置

2.2 标准数据类型

2.2.1 bool（布尔）

2.2.2 number（数字）

2.2.3 string（字符串）

2.2.4 list（列表）

2.2.5 tuple（元组）

2.2.6 dictionary（字典）

2.2.7 set（集合）

2.3 控制流

2.3.1 顺序

2.3.2 选择

2.3.3 循环

2.3.4 异常处理

2.4 函数

2.4.1 定义函数

2.4.2 调用函数

2.4.3 匿名函数

2.5 os文件处理模块

2.5.1 文件目录操作

2.5.2 文件读写

3 Python重要数据科学计算库

3.1 numpy

3.1.1 数组的创建

3.1.2 数组常用内置方法

3.1.3 数据类型的转换

3.1.4 数组的索引

3.1.5 变换数组的形态

3.1.6 数组的运算

3.1.7 常用统计函数

3.2 pandas

3.2.1 数据帧的创建

3.2.2 索引与过滤

3.2.3 增加和删除

3.2.4 缺失值处理

3.2.5 数据整理

3.2.6 统计和描述

3.2.7 数据的合并和分组运算

3.2.8 数据的读写和查看

3.3 matplotlib

3.3.1 快速绘图

3.3.2 绘制子图

3.3.3 添加文字说明和注释

3.3.4 散点图

3.3.5 对数坐标图

3.3.6 极坐标图

3.3.7 饼图

3.3.8 柱状图

3.3.9 直方图

3.3.10 箱线图

3.4 pyecharts

3.4.1 柱状图/条形图

3.4.2 箱型图

3.4.3 热力图

3.4.4 折线图

3.4.5 散点图

3.4.6 漏斗图

3.4.7 饼图

3.4.8 词云图

3.4.9 3D图表

4 爬虫

4.1 爬虫基础

4.1.1 爬虫基本概念

4.1.2 通用爬虫和聚焦爬虫

4.1.3 http的请求与响应

4.1.4 网页基础知识

4.2 简单爬虫实现

4.2.1 爬虫基本原理

4.2.2 爬虫与反爬虫

4.2.3 正则表达式

4.2.4 requests库实现http请求

4.2.4.1 实战1：豆瓣电影分类排行榜（JSON数据格式）

4.2.4.2 实战2：猫眼电影排行榜数据提取

4.2.4.3 实战3：基于cookies爬取豆瓣短评分析

4.2.5 Beautiful Soup

4.2.5.1 网页的解析

4.2.5.2 网页元素的选取

4.2.5.3 实战：从中国天气网获得天气数据；爬取豆瓣电视剧评分

4.3 爬虫高级技术进阶

4.3.1 多页面的爬取

4.3.2 动态渲染页面的爬取

4.3.3 基于selenium的自动化爬取技术

4.3.4 实战：多页面爬取京东商品数据

5 文本分析

5.1 文本分析概述

5.1.1 自然语言处理的层次

5.1.2 自然语言处理的难点

5.1.3 自然语言处理的流派

5.2 文本分析关键技术

5.2.1 常用文本整理和清洗方法

5.2.1.1 句子拆分

5.2.1.2 词拆分

5.2.1.3 过滤重复的单词

5.2.1.4 删除停用词

5.2.1.5 拼写检查

5.2.1.6 大小写变换

5.2.1.7 文本翻译

5.2.1.8 词干提取

5.2.1.9 提取电子邮件或URL

5.2.2 中文分词技术

5.2.2.1 规则分词

5.2.2.2 统计分词

5.2.2.3 混合分词

5.2.2.4 实战：结巴分词，对爬取的豆瓣数据分析，统计词频，绘制词云图

5.2.3 词性标注与命名实体识别

5.2.3.1 词性标注

5.2.3.2 命名实体识别

5.2.3.3 实战：基于jiebaku 的词性标注和基于HanLP的命名实体识别

5.2.4 文本向量化

5.2.4.1 离散化表示

5.2.4.2 分布式表示

5.2.4.3 实战：利用word2vec计算西游记中人物相似性

5.2.5 关键词提取

5.2.5.1 TF-IDF算法

5.2.5.2 TextRank算法

5.2.5.3 LDA算法

5.2.5.4 实战：基于LDA主题模型进行新闻关键词提取

5.2.5.5 实战：网页相似性分析

5.2.6 文本分类

5.2.6.1 分类算法介绍

5.2.6.2 实战：贝叶斯新闻分类

5.2.6.3 实战：虚假评论分类

5.2.7 文本聚类

5.2.7.1 kmeans算法介绍

5.2.7.2 实战：百度百科数据聚类

5.2.7.3 实战：豆瓣书籍数据聚类

5.2.8 文本情感分析

5.2.8.1 基于规则的情感分析

5.2.8.2 基于机器学习模型的情感分析

5.2.8.3 实战：基于豆瓣电影的情感分析

5.2.8.4 实战：在线情感分析系统

第一部分：（0.5天）机器学习学术应用介绍：

机器学习基本思想

常用机器学习算法模型

机器学习算法库介绍

机器学习在学术领域应用场景

第二部分：算法原理与实战（4天）

1、KNN算法：

KNN算法基本原理

常用相似度衡量方法、KNN用于分类和回归

KNN模型参数优化

Python案例：KNN用于鸢尾花数据集分类

2、决策树：

决策树基本原理

决策树分类

决策树用于分类和回归实现

决策树参数优化

Python案例：决策树实现波士顿房价预测

3、线性回归：

线性回归的求解、岭回归、LASSO和弹性网

Python案例：线性回归实现鲍鱼年龄预测

4、逻辑回归：

逻辑回归基本原理

从线性回归到逻辑回归

逻辑回归实现和参数优化

Python案例：逻辑回归实现病马死亡率预测

5、神经网络：

神经网络基础

神经网络中的激活函数

神经网络Python实现与参数调优

Python案例：手写数字识别

6、贝叶斯网络：

贝叶斯分类原理

朴素贝叶斯

贝叶斯模型分类

Python案例：垃圾邮件过滤

7、支持向量机：

支持向量机分类原理

线性SVM和非线性SVM

Python案例：人脸识别

8、随机森林：

决策树与随机森林

随机森林原理

随机森林Python实现与参数调优

Python案例：随机森林用于泰坦尼克沉船预测

9、聚类：

聚类原理

聚类和分类

k-means聚类原理

k-means python实现

Python案例：聚类用于客户价值识别

第三部分：Python机器学习学术应用指导（0.5天）

数据发现与变量创造，预测，因果推断；

文本大数据应用；

基于机器学习的学术论文写作指导

1，报名机器学习赠送Python编程基础；

2，报名机器学习可以八折优惠价购买Python爬虫及文本分析；

3，重点合作院系师生及现场班老学员九折优惠；

4，编程基础，爬虫，文本任选两门—三门可以九折优惠；

5，折扣优惠不叠加，折扣优惠与学术会员账号优惠券可以叠加使用。