第壹階段:專業核心基礎
階段目標:
1.熟悉Python開發環境和編程核心知識。
2.熟練運用Python面向對象知識進行程序開發。
3.對Python的核心庫和組件有深入的了解。
4.熟練使用SQL語句進行常見的數據庫操作。
5.熟練使用Linux操作系統命令和環境配置。
6.熟練使用MySQL，掌握高級數據庫操作。
7.能綜合運用所學知識完成項目。
知識點:
Python編程基礎，Python面向對象，Python高級進階，MySQL數據庫，Linux操作系統。
1，Python編程基礎，語法規則，函數和參數，數據類型，模塊和包，文件IO，培養紮實的Python編程基本功，熟練運用Python核心對象和庫編程。
2、Python面向對象、核心對象、異常處理、多線程、網絡編程，深入了解面向對象編程、異常處理機制、多線程原理、網絡協議知識，並熟練運用到項目中。
3.類的原理，元類，下劃線的特殊方法，遞歸，魔術方法，反射，叠代器，裝飾器，單元測試，模擬。深刻理解面向對象的底層原理，掌握Python開發的先進技術，了解單元測試技術。
4、數據庫知識，範型，MySQL配置，命令，建庫建表，數據添加，刪除，查詢，約束，視圖，存儲過程，函數，觸發器，事務，遊標，PDBC，深入了解數據庫管理系統的壹般知識以及MySQL數據庫的使用和管理。為Python後臺開發打下堅實的基礎。
5.Linux安裝和配置，文件目錄操作，VI命令，管理，用戶和權限，環境配置，Docker和Shell編程。Linux作為主流的服務器操作系統，是每個開發工程師都必須掌握並能熟練運用的關鍵技術。
第二階段:PythonWEB開發
階段目標:
1.熟悉Web前端開發技術，HTML，CSS，JavaScript和前端框架。
2.深刻理解Web系統中前後端的交互過程和通信協議。
3.熟練使用Django、Flask等Web前端和主流框架，完成Web系統的開發。
4.深入了解網絡協議、分布式、PDBC、AJAX、JSON等知識。
5.能夠運用所學開發壹個MiniWeb框架，掌握框架的實現原理。
6.利用Web開發框架實現跨項目
知識點:
Web前端編程，Web前端高級，Django開發框架，Flask開發框架，Web開發項目實戰。
1、網頁元素、布局、CSS樣式、框模型、JavaScript、JQuery和BootStrap掌握前端開發技術，掌握JQuery和Bootstrap的前端開發框架，完成頁面布局和美化。
2、前端開發框架Vue、JSON數據、網絡通信協議、Web服務器和前端交互熟練使用Vue框架，深刻理解HTTP網絡協議，熟練使用Swagger和AJAX技術實現前端交互。
3.定制WEB開發框架，Django框架的基本使用，模型屬性和後端配置，Cookie和Session，模板模版，ORM數據模型，Redis二級緩存，RESTful，MVC模型，掌握Django框架的常用API，集成前端技術，開發完整的Web系統和框架。
4.Flask安裝配置、App對象的初始化和配置、視圖函數的路由、請求對象、中止函數、自定義錯誤、視圖函數的返回值、Flask上下文和請求鉤子、模板、數據庫擴展包Flask-Sqlalchemy、數據庫遷移擴展包Flask-Migrate、郵件擴展包Flask-Mail。掌握Flask框架的常用API，與Django框架的異同，能夠獨立開發壹套完整的WEB系統開發。
第三階段:爬蟲和數據分析
階段目標:
1.熟悉爬蟲的工作原理和常用網絡數據包捕獲工具的使用，能夠分析HTTP和HTTPS協議。
2.熟練掌握各種常見的網頁結構解析庫，解析提取抓取結果。
3.熟悉各種常見的防爬機制和應對策略，能夠應對常見的防爬措施。
4.巧用商業爬蟲框架Scrapy寫大型網絡爬蟲抓取分布式內容。
5.熟悉數據分析相關概念和工作流程。
6.熟悉主流數據分析工具Numpy，Pandas，Matplotlib的使用。
7.熟悉數據清理、整理、格式轉換和數據分析報告的撰寫。
8.能夠綜合運用爬蟲抓取豆瓣的影評數據，完成數據分析的全流程項目實戰。
知識點:
網絡爬蟲開發，數據分析的數量，數據分析的熊貓。
1，爬取原理，爬取過程，頁面解析工具LXML，Beautifulfoup，正則表達式，代理池編寫及架構，常見反爬取措施及解決方案，爬蟲框架結構，商業爬蟲框架Scrapy。通過對爬取原理、網站數據爬取流程、網絡協議的分析和理解，掌握頁面解析工具的使用，可以靈活應對大多數網站的反爬取策略。
2.numpy中ndarray的數據結構特點，Numpy支持的數據類型，自身的數組創建方法，算術運算符，矩陣乘積，自增自減，通用函數和聚合函數，ndarray的切片索引，向量化和廣播機制，熟悉數據分析三大利器之壹Numpy的常用用法，熟悉ndarray數據結構的特點和常用操作，掌握不同維數ndarray數組的切片，索引，矩陣運算等操作。
3.Pandas中的三種數據結構，包括數據幀、序列和索引對象的基本概念和用法，索引對象的替換和刪除，索引、算術和數據對齊、數據清洗、數據規範化和結構轉換的方法，熟悉數據分析三大利器之壹Pandas的常用用法，以及Pandas中三種數據對象的使用方法，能夠使用Pandas完成數據分析中最重要的數據清洗、格式轉換和數據規範化工作，並通過Pandas讀取和操作文件。
4.matplotlib的三層結構體系，各種常見圖表類型的繪制，如折線圖、柱形圖、堆積柱形圖、餅圖，圖例、文字、標記的添加，可視化文件的保存。熟悉數據分析三大利器之壹Matplotlib的常用用法和Matplotlib的三層結構，能熟練使用Matplotlib繪制各種常用的數據分析圖表。能夠綜合運用課程中提到的各種數據分析和可視化工具，完成股市數據分析和預測、單車用戶數據分析、全球幸福指數數據分析等項目的實戰全過程。
第四階段:機器學習和人工智能
階段目標:
1.了解機器學習和系統處理流程相關的基本概念。
2.能夠熟練應用各種常見的機器學習模型，解決有監督學習和無監督學習的訓練和測試問題，解決回歸和分類問題。
3.熟悉常用的分類算法和回歸算法模型，如KNN、決策樹、隨機森林、K-Means等。
4.掌握卷積神經網絡對圖像識別和自然語言識別的處理方法，熟悉深度學習框架TF中的張量、守恒和梯度優化模型。
5.掌握深度學習卷積神經網絡的運行機制，能夠定制卷積層、池層、FC層，完成圖像識別、手寫字體識別、驗證碼識別等常規深度學習實際項目。
知識點:
1，機器學習常用算法，sklearn數據集的使用，詞典特征提取，文本特征提取，歸壹化，標準化，數據主成分分析PCA，KNN算法，決策樹模型，隨機森林，線性回歸和邏輯回歸模型及算法。熟悉機器學習相關的基本概念，掌握機器學習的基本工作流程，熟悉特征工程，能夠使用各種常用的機器學習算法模型解決分類、回歸、聚類等問題。
2.與Tensorflow、TF數據流圖、conversation、張量、張量板可視化、張量修改、TF文件讀取、tensorflow playround使用、神經網絡結構、卷積計算、激活函數計算、池層設計相關的基本概念，掌握機器學習和深度學習之前的區別和練習，掌握深度學習的基本工作流程。熟悉神經網絡的結構和特點，張量、圖結構和OP對象的使用，熟悉輸入層、卷積層、池層和全連接層的設計，完成驗證碼識別、圖像識別、手寫輸入識別等常見深度學習項目的全過程。