Python基礎學完了再學什么呢？

Python基礎學完了再學什么？ 基礎階段學完Python 基礎語法、python 容器、函式和檔案操作、面向物件、 python編程和web基礎、Linux 作業系統多任務編程、Python 網路編程、靜態 web 服務器、HTML、CSS、JavaScript、資料庫MYSQL、正則運算式、Python 進階、mini-web 框架后，需要在進行實操積累專案實戰經驗，

python學萬基礎階段接下來就是專案學習了，具體的內容如下：

一、web-Django框架與專案

1、Django框架

認識Web框架的作用、MVT與MVC、虛擬開發環境的創建與使用、認識Django、Django工程的創建、Django應用創建、 模型視圖與模板的基本使用、路由配置、HttpRequest物件獲取請求引數、構造HttpResponse回應物件、 cookie使用、session使用、函式視圖與類視圖的使用、類視圖的原理、類視圖裝飾器的使用、 ORM的作用、資料庫配置、Model模型類的定義、通過ORM進行資料增刪改查操作、F物件與Q物件的使用、 一對一映射、一對多映射、多對多映射、Jinja2模板的定義、模板渲染、CSRF的攻擊原理與防護、 中間件的原理、中間件的定義、管理后臺admin站點的使用

2、Git

什么是版本控制、Git的作業磁區、Git commit、Git分支、本地倉庫與遠程倉庫、Github（或Gitee碼云）的使用方法

3、redis

Nosql介紹、redis資料庫特點、redis資料型別、redis常用命令、redis-py使用

4、前端框架Vue基礎

認識Vue、Vue生命周期、Vue雙向系結、Vue基礎語法、Javascript ES6語法

5、美多商城-用戶前臺

采用前后端不分離模式，使用Vue前端框架、電商業務采用B2C模式、采用云通訊短信發送功能、實作發送驗證郵件進行郵箱驗證機制、 定制Django認證系統完成多型別帳號登錄、集成第三方登錄（以QQ為例）、采用Celery完成異步任務、采用RabbitMQ訊息佇列、 電商SKU與SPU的講解、構建頁面靜態化方案、使用crontab定時任務、采用Haystack+Elasticsearch構建商品搜索方案、 采用redis做快取與session、購物車等資料存盤、構建用戶登錄與未登錄狀態下購物車存盤方案、采用FastDFS分布式檔案存盤系統、 采用支付寶支付、采用Docker完成組件安裝、采用資料庫事務與鎖解決并發訂單存盤問題、配置資料庫主從同步、實作資料庫讀寫分離

6、Django RESTframework框架（DRF）

前后端分離模式、RESTful介面設計、DRF框架的作用、序列化與反序列化、序列化器的定義與使用、DRF的類視圖使用、 DRF的視圖集原理與使用、Postman介面測驗工具的使用

7、前端框架Vue進階

SPA單頁面系統、Vue組件、Vue路由、Vue-cli工具、Element組件庫

8：美多商城后臺管理系統（MIS）

采用前后端分離模式，使用Vue組件構建SPA單頁面系統、JWT認證、CORS解決跨域、構建用戶權限管理方案、 實作用戶、商品、訂單等資料管理、實作日志管理、實作報表統計、Nginx+uWSGI部署

9、部署基礎

專案生命周期、專案部署方案

10、Nginx

認識Nginx、Nginx部署與配置、反向代理、負載均衡、日志決議、URL重寫

11、Docker

Docker鏡像管理、Docker容器管理、Docker倉庫、Docker資料管理、Docker網路管理、Dockerfile撰寫、Docker compose使用

12、架構與性能

架構演變、網站分析

市場價值 : Python Web開發工程師，獨立開發后端業務，并能輔助開發前端業務，

二、Web-Flask框架與專案

1、Flask框架

認識Flask、框架對比、Flask工程的創建與運行除錯、Flask視圖與路由、request物件使用、構造回應物件、 藍圖的使用、Flask應用背景關系與請求背景關系、請求鉤子、例外處理

2、Flask-RESTful

Flask-RESTful視圖與路由的定義、RequestParser的使用、marshal的使用、類視圖裝飾器的使用

3、頭條Web

采用前后端分離模式開發，對接手機App與PC Web三個前端、MySQL資料庫分析設計與SQL建表、 ORM映射的本質原理、SQLAlchemy映射的構建、SQLAlchemy操作資料庫、SQLAlchemy的優化用法、 資料庫集群原理、分布式ID、Twitter Snowflake雪花演算法構建分布式ID、Flask-SQLAlchemy定制實作讀寫分離、 Redis集群、Redis主從、Redis Sentinel哨兵、Redis事務、Redis持久化、 快取設計原理、快取穿透、快取雪崩、快取模式、快取同步、資料混合存盤、第三方物件存盤、 采用Gitflow作業流、手動實作JWT中間件、JWT禁用問題處理、APSchedule定時任務的使用、 認識RPC、RPC與HTTP的對比、Protobuf介面定義、gRPC服務端與客戶端的使用、 采用gRPC與kafka對接推薦系統與聊天機器人系統、認識IM即時通訊、Websocket原理、SocketIO用法、 SocketIO集成RabbitMQ用法、搜索引擎原理、Elasticsearch集群、Elasticsearch索引庫構建、Logstash匯入工具使用、 Elasticsearch查詢、Elastcisearch自動補全、Elasticsearch Python程式開發、supervisor行程管理

市場價值 : Python Web開發工程師，獨立構建解決方案，

三、人工智能機器學習

1、機器學習（科學計算庫）

人工智能概述、機器學習定義、機器學習作業流程、機器學習演算法分類、演算法模型評估、Azure機器學習平臺實驗、 機器學習基礎環境安裝與使用、Matplotlib架構介紹、Matplotlib基本功能實作、 Matplotlib實作多圖顯示、Matplotlib繪制各類圖形、Numpy運算優勢、陣列的屬性、陣列的形狀、Numpy實作陣列基本操作、Numpy實作陣列運算、矩陣、 pandas介紹、pandas基本資料操作、DataFrame、Series、MultiIndex、panel、pandas畫圖、 檔案讀取和存盤、缺失值處理、資料離散化、資料合并、交叉表和透視表、分組和聚合、案例：電影資料分析

2、機器學習（演算法篇）

sklearn介紹、sklearn獲取資料集、seaborn介紹、資料可視化、資料集劃分、 特征工程、特征預處理、歸一化、標準化、特征選擇、特征降維、 交叉驗證、網格搜索、模型保存和加載、欠擬合、過擬合、 KNN演算法、歐式距離、曼哈頓距離、切比雪夫距離、閔氏距離、標準化歐式距離、余弦距離、漢明距離、 杰卡德距離、馬氏距離、KNN中k值的選擇、kd樹、案例：鳶尾花種類預測、 線性回歸、求導、最小二乘法、正規方程、梯度下降法、FG、SGD、mini-batch、SAG、Lasso回歸、嶺回歸、 Elastic Net、案例：波士頓房價預測、 邏輯回歸、sigmoid、對數似然損失、混淆矩陣、精確率、召回率、F1-Score、ROC曲線、AUC指標、ROC曲線的繪制、 案例：癌癥分類預測、決策樹演算法、熵、資訊增益、資訊增益比、基尼值、基尼指數、ID3、C4.5、CART演算法、 案例：泰坦尼克號乘客生存預測、集成學習、boosting、Bagging、隨機森林、GBDT、XGBoost、 案例：泰坦尼克號乘客生存預測優化、聚類演算法、K-means聚類實作、SSE、“肘”方法、輪廓系數法、 CH系數、Canopy、Kmeans++、二分k-means、k-medoids、kernel kmeans、ISODATA、Mini-batch K-Means、 案例：探究用戶對物品類別的喜好細分

3、機器學習專案實戰

《絕地求生》玩家排名預測、客戶價值分析系統、注：專案實訓會隨著社會熱點調整

市場價值 : 對實際問題抽象為演算法模型，對收集到的資料進行基本分析，構建有效的演算法那模型，

四、人工智能基于大資料的推薦系統專案

1、系統專案理論課

推薦系統定義、推薦系統應用場景、推薦系統演算法概述、協同過濾、內容、知識、混合推薦、 協同過濾演算法、User-Based CF、Item-Based CF、杰卡德相似系數、余弦相似度、皮爾遜相關系數、 電影評分推薦案例、評分預測標準化、推薦系統評估方法、用戶調查、離線測評、在線測評、RMSE、MAE、 K-近鄰協同過濾推薦、回歸協同過濾推薦、交叉驗證與網格搜索、矩陣分解的協同過濾推薦、LFM、Apriori、FP-Growth、 基于內容推薦、物品畫像、TFIDF、TOPN、用戶畫像、物品標簽、物品冷啟動、word2vec

2、系統專案lambda大資料開發

Hadoop簡介、生態、發行版本、Hadoop shell命令、ls、cat、mv、put、rm、 檔案系統HDFS、namenode、datanode、YARN運行流程、ResourceManager、NodeManager、Contain-er、Client、MapReduce流程、WordCount案例、Spark組件、特點、pyspark使用配置、sparkContext、parallelize、sc.textFile、 Spark算子、Action、Transformation、map、filter、flatmap、union、intersection、groupByKey、 SPARK作業提交模式、Local模式、Standalone模式、Spark ON Yarn模式、Spark日志分析案例、 Spark sql與DataFrame、RDD、DataFrame操作API、withColumn、select、StructType、filter、 json檔案操作、spark.read.json、Flume架構、Source、Channel、Sink、Flume采集埠資料案例、 Kafka架構、Topic、Producer、Consumer、Broker、安裝與部署、生產者與消費者、Flume與Kafka整合、 sparkStreaming概述、WordCount案例實戰、狀態操作、updateStateByKey、對接Kafka

3、推薦系統專案

ABTest實驗中心、流量分桶、點擊日志引數添加、grpc協議封裝、用戶feed流、文章相似介面、 待推薦結果存盤、歷史推薦結果存盤、redis推薦快取、召回介面、在線排序介面、 實時日志分析、flume配置、kafka配置、新文章更新、熱門文章更新、用戶冷啟動、在線內容召回、基于內容召回存盤、 sqoop增量匯入、incremental、lastmodified、check-column、last-value、Query、Append匯入、shell腳本設定、 文章畫像構建、文章詞庫與分詞、原始文章資料合并、tfidf計算、textrank計算、全量文章相似度計算、 新文章實時相似度、文章word2vec計算、BucketedRan-domProjectionLSH、離線文章畫像定時更新、 用戶畫像構建、用戶標簽權重計算、時間衰減系數、用戶基礎資訊畫像、用戶畫像定時更新、 離線召回、用戶日志行為資料處理、StringIndexer、離線ALS召回、 排序模型實作、用戶日志行為基礎表過濾、畫像行為合并、LR模型、GBDT模型、離線排序效果AUC、 推薦演算法效果評估、離線HIVE點擊率統計、模型更新與上線

市場價值 : 具備基于大資料基礎上的推薦系統搭建與開發能力，