파이썬을 배우려면 어떤 준비가 필요합니까?

1 단계: 전문 핵심 기반

단계 목표:

1. 파이썬 개발 환경 및 프로그래밍 핵심 지식에 익숙합니다.

2. 파이썬 객체 지향 지식을 능숙하게 사용하여 프로그램 개발을 수행합니다.

파이썬의 핵심 라이브러리 및 구성 요소에 대한 심층적 인 이해.

4. 일반적인 데이터베이스 작업에 SQL 문을 능숙하게 사용합니다.

5. Linux 운영 체제 명령 및 환경 구성 사용에 능숙합니다.

MySQL 사용에 능숙하고 고급 데이터베이스 작업을 마스터하십시오.

7. 배운 지식을 종합하여 프로젝트를 완성할 수 있다.

지식 포인트:

파이썬 프로그래밍 기반, 파이썬 객체 지향, 파이썬 고급, MySQL 데이터베이스, 리눅스 운영 체제.

1, 파이썬 프로그래밍 기반, 구문 규칙, 함수 및 매개 변수, 데이터 유형, 모듈 및 패키지, 파일 IO, 견고한 파이썬 프로그래밍 기본 기술 개발, 파이썬 핵심 객체 및 라이브러리 프로그래밍에 능숙합니다.

2, 파이썬 객체 지향, 핵심 객체, 예외 처리, 멀티 스레드, 네트워크 프로그래밍, 객체 지향 프로그래밍, 예외 처리 메커니즘, 멀티 스레드 원리, 네트워크 프로토콜 지식, 프로젝트에 능숙하게 적용.

3. 클래스의 원리, 메타클래스, 밑줄의 특수 방법, 반복, 마술 방법, 반사, 반복자, 장식기, 단위 테스트, 시뮬레이션. 객체 지향 기본 원칙을 깊이 이해하고, Python 이 개발한 첨단 기술을 익히고, 단위 테스트 기술을 이해합니다.

4, 데이터베이스 지식, 모델, MySQL 구성, 명령, 데이터베이스 구축 테이블, 데이터 추가, 삭제, 쿼리, 제약 조건, 뷰, 저장 프로시저, 함수, 트리거, 트랜잭션, 커서, PDBC, 데이터베이스 관리 시스템에 대한 일반적인 지식 및 파이썬 백그라운드 개발을 위한 견고한 토대를 마련하다.

5. 리눅스 설치 및 구성, 파일 디렉토리 작업, VI 명령, 관리, 사용자 및 권한, 환경 구성, Docker 및 셸 프로그래밍. Linux 는 주요 서버 운영 체제로서 모든 개발 엔지니어가 숙지하고 능숙하게 운용해야 하는 핵심 기술입니다.

2 단계: 파이썬 웹 개발

단계 목표:

1. 웹 프런트 엔드 개발 기술, HTML, CSS, 자바스크립트 및 프런트 엔드 프레임워크에 익숙합니다.

2. 웹 시스템의 전후 상호 작용 과정과 통신 프로토콜을 깊이 이해합니다.

3. Django, Flask 등 웹 프런트 엔드 및 주류 프레임워크를 능숙하게 사용하여 웹 시스템 개발을 완료합니다.

4. 네트워크 프로토콜, 분산, PDBC, AJAX, JSON 등에 대해 자세히 알아보십시오.

5. 배운 것을 이용하여 미니웹 프레임워크를 개발하여 프레임워크의 실현 원리를 파악할 수 있다.

6. 웹 개발 프레임 워크를 사용하여 프로젝트 간 구현

지식 포인트:

웹 프런트 엔드 프로그래밍, 웹 프런트 엔드 고급, Django 개발 프레임워크, Flask 개발 프레임워크, 웹 개발 프로젝트 실전.

1, 웹 요소, 레이아웃, CSS 스타일, 상자 모델, 자바스크립트, JQuery 및 BootStrap 프런트 엔드 개발 기술, JQuery 및 Bootstrap 의 프런트 엔드 개발 프레임 워크 파악, 페이지 레이아웃 및 미화 완료.

2, 프런트 엔드 개발 프레임 워크 Vue, JSON 데이터, 네트워크 통신 프로토콜, 웹 서버 및 프런트 엔드 상호 작용 Vue 프레임 워크의 숙련 된 사용, HTTP 네트워크 프로토콜에 대한 깊은 이해, Swagger 및 AJAX 기술을 사용한 프런트 엔드 상호 작용.

3. 맞춤형 웹 개발 프레임워크, Django 프레임워크의 기본 사용, 모델 속성 및 백엔드 구성, 쿠키 및 세션, 템플릿 템플릿 템플릿, ORM 데이터 모델, Redis 보조 캐시, RESTful, MVC 모델, Django 프레임워크의 공통 API 파악

4.Flask 설치 구성, App 객체 초기화 및 구성, 보기 함수 라우팅, 요청 객체, 중단 함수, 사용자 정의 오류, 보기 함수 반환 값, Flask 컨텍스트 및 요청 후크, 템플릿, 데이터베이스 확장 팩 Flask-Sqlalchemy, 데이터베이스 마이그레이션 확장 팩 flask Flask 프레임워크의 공통 API 를 익히면 Django 프레임워크와 달리 완전한 웹 시스템 개발을 독립적으로 개발할 수 있습니다.

3 단계: 파충류 및 데이터 분석

단계 목표:

1. 파충류의 작동 방식과 일반적인 네트워크 패킷 캡처 도구의 사용에 익숙하여 HTTP 및 HTTPS 프로토콜을 분석할 수 있습니다.

2. 다양한 일반적인 웹 구조 분석 라이브러리를 능숙하게 익히고 추출 캡처 결과를 분석합니다.

3. 여러 가지 일반적인 크롤링 방지 메커니즘과 대응 전략에 익숙하여 일반적인 크롤링 방지 조치에 대응할 수 있습니다.

4. 상업 파충류 프레임워크 Scrapy 를 이용하여 대형 웹 파충류를 써서 분산된 콘텐츠를 잡는다.

데이터 분석 관련 개념 및 워크 플로에 익숙합니다.

6. 메인스트림 데이터 분석 도구 Numpy, Pandas, Matplotlib 사용에 익숙합니다.

7. 데이터 정리, 정리, 형식 변환 및 데이터 분석 보고서 작성에 익숙합니다.

8. 파충류를 종합적으로 활용해 콩잎에 대한 영화 평론 데이터를 잡아 데이터 분석을 완성할 수 있는 전 과정 프로젝트 실전.

지식 포인트:

웹 파충류 개발, 데이터 분석 수, 데이터 분석 팬더.

1, 크롤링 원리, 크롤링 프로세스, 페이지 분석 도구 LXML, Beautifulfoup, 정규식, 프록시 풀 작성 및 아키텍처, 일반적인 크롤링 조치 및 솔루션, 크롤러 프레임 구조, 상업용 크롤러 프레임 스크래피 크롤링 원리, 웹 사이트 데이터 크롤링 프로세스, 네트워크 프로토콜 분석 및 이해를 통해 페이지 분석 도구의 사용을 파악함으로써 대부분의 웹 사이트의 크롤링 전략에 유연하게 대응할 수 있습니다.

2.Numpy 에서 ndarray 의 데이터 구조 특징, Numpy 가 지원하는 데이터 유형, 자체 배열 생성 방법, 산술 연산자, 행렬 곱, 자체 증가 감소, 일반 함수 및 합산 함수, ndarray 의 슬라이스 인덱스, 벡터화 및 브로드캐스트 메커니즘, 데이터 분석의 세 가지 주요 도구 중 하나인 numpy 의 일반적인 사용에 익숙함

3.Pandas 의 세 가지 데이터 구조 (데이터 프레임, 시퀀스 및 인덱스 객체의 기본 개념과 사용, 인덱스 객체의 대체 및 삭제, 인덱스, 산술 및 데이터 정렬, 데이터 정리, 데이터 정규화 및 구조 변환 방법, 데이터 분석의 세 가지 주요 도구 중 하나인 Pandas 의 일반적인 사용, Pandas 의 세 가지 데이터 객체 사용 방법 등)

4.matplotlib 의 3 계층 아키텍처, 라인 차트, 막대 차트, 누적 막대 차트, 원형 차트, 범례, 텍스트, 마커 추가, 시각화 파일 저장 등 다양한 일반적인 차트 유형 그리기 데이터 분석의 세 가지 주요 도구 중 하나인 Matplotlib 의 일반적인 용도와 Matplotlib 의 3 계층 구조에 익숙하며, Matplotlib 를 사용하여 다양한 공통 데이터 분석 차트를 그리는 데 능숙합니다. 코스에 언급된 다양한 데이터 분석 및 시각화 도구를 종합적으로 활용하여 주식 시장 데이터 분석 및 예측, 자전거 사용자 데이터 분석, 글로벌 행복지수 데이터 분석 등 프로젝트의 실전 전 전 과정을 완료할 수 있습니다.

4 단계: 기계 학습 및 인공 지능

단계 목표:

1. 기계 학습 및 시스템 처리 프로세스와 관련된 기본 개념을 이해합니다.

2. 다양한 일반적인 기계 학습 모델을 능숙하게 적용하여 감독 학습과 감독되지 않은 학습이 있는 교육 및 테스트 문제를 해결하고 회귀 및 분류 문제를 해결할 수 있습니다.

3. KNN, 의사 결정 트리, 무작위 숲, K-Means 등과 같은 일반적인 분류 알고리즘 및 회귀 알고리즘 모델에 익숙합니다.

4. 컨볼 루션 신경망의 이미지 인식 및 자연어 인식 처리 방법을 익히고 심도 있는 학습 프레임워크 TF 의 텐서, 보존 및 그라데이션 최적화 모델에 익숙합니다.

5. 심도 있는 학습 컨볼 루션 신경망의 작동 메커니즘을 파악하여 컨볼 루션 레이어, 풀 레이어, FC 레이어를 사용자 정의하여 이미지 인식, 필기 글꼴 인식, 검증 코드 인식 등 일반적인 심도 학습 실제 프로젝트를 완료할 수 있습니다.

지식 포인트:

1, 기계 학습 공통 알고리즘, sklearn 데이터 세트 사용, 사전 피쳐 추출, 텍스트 피쳐 추출, 정규화, 표준화, 데이터 주성분 분석 PCA, KNN 알고리즘, 의사 결정 트리 모델, 임의 산림, 선형 회귀 및 논리 회귀 모델 및 알고리즘 기계 학습과 관련된 기본 개념에 익숙하고, 기계 학습의 기본 워크플로우를 익히고, 특징공학에 익숙하며, 다양한 일반적인 기계 학습 알고리즘 모델을 사용하여 분류, 회귀, 클러스터 등의 문제를 해결할 수 있습니다.

2. Tensorflow, TF 데이터 흐름 그래프, conversation, 텐서, 텐서 보드 시각화, 텐서 수정, TF 파일 읽기, tensorflow playround 사용, 신경망 구조, 컨볼 루션 계산, 함수 계산 활성화, 신경 네트워크의 구조와 특성, 텐서, 맵 구조 및 OP 객체의 사용, 입력 레이어, 컨볼 루션 레이어, 풀 레이어 및 전체 연결 레이어 설계에 익숙한 인증 코드 인식, 이미지 인식, 필기 입력 인식 등 일반적인 심층 학습 프로젝트의 전 과정을 완료합니다.