《Python 学习课程安排表》由会员分享，可在线阅读，更多相关《Python 学习课程安排表（9页珍藏版）》请在金锄头文库上搜索。
1、从Python基础到数据清洗，到爬虫，到案例分析实战，还有Python量化与统计计量，all about Python：等级课程时间方式Level1Python编程基础入门，从配置环境到能够上手5月6-9日四天北京/远程Level2Python数据清洗及统计描述数据思维和数据清洗5月13-15日三天北京/远程Level3Python爬虫学会网络爬虫收集数据5月20-21日两天北京/远程Level4Python数据挖掘,算法及案例5月27-30日四天北京/远程专题Python量化投资基础+实战4月15-16,22-23日北京/远程专题Python统计计量4月28-5月1日上海/视频(课程详情请参
2、照回复)Level1-Python编程基础 5月6-9日四天 北京/远程 3200/2600课程大纲：一，Python概述 (0.5天)注: 本部分课程主要为Python语言的介绍及基础环境的安装配置。0.1Python语言介绍、Anaconda科学计算集成介绍安装0.2Python编译器、Shell、编辑器介绍0.3Python的第三方包的管理0.4Python在数据分析领域的生态介绍二，Python编程基础 (3.5天)注: 本部分主要为讲解Python的基础编程知识，侧重于Python数据分析常用的功能和知识点进行讲解。课程安排:1.1Python语言特点1.2Python的数据类型和变
3、量1.3Python中的运算1.4Python的数据结构1.5Python的控制流语句1.6Python中的异常处理和调试1.7函数调用和定义以及函数的参数1.8Python的类和面向对象编程1.9Python的文件、模块操作1.10其他高级特性练习项目:-蒙特卡罗模拟求圆周率-冒泡算法和二分查找-实现计算器-堆栈和队列的实现-模拟实现ATM机取钱-求阶乘-模拟管理学生成绩信息-编程实现24点扑克游戏-会员信息管理的实现-虚拟水果店进销存系统-投票系统-汉诺塔问题-离散事件模拟- 堆排序的实现Level 2：Python数据清洗及统计描述 5月13-15日三天 北京/远程 2400/2000课
4、程大纲：一，Numpy(NumericalPython)是高性能科学计算和数据分析的基础包，是数据分析几乎所有的高级工具的构建基础。Numpy基础-Numpy的ndarray-数组的索引和切片-数组的运算-常用的数组方法二，Pandas包提供了大量能使我们快速便捷地处理数据的函数和方法，它是Python成为强大而高效的数据分析环境的重要因素之一。Pandas基础应用-Series数据结构-DataFrame数据结构-基本功能-汇总和计算统计描述-缺失值的处理Pandas数据规整-数据加载&输出-数据集的合并-数据集的重塑-数据重构Pandas分组运算-GroupBy技术-数据聚合-分组级运算和
5、转换-透视表和交叉表Level 3：Python爬虫 5月20-21日 北京/远程 1600/1300课程大纲：一，爬虫初级-认识HTTP协议和Cookie及HTML介绍-网络请求(urllib以及requests的介绍和安装)-使用BeautifulSoup4库(静态网页解析)-使用lxml库(XPath语法解析静态网页)-Python连接数据库(数据保存)-logging、time模块的学习-正则表达式的使用二，爬虫高级-动态网页的抓取(PhantomJS和Selenium的使用)-Scrapy爬虫框架的安装和学习-多线程爬虫-规避网站信息采集陷阱Level 4：Python数据挖掘、机器
6、学习算法案例 5月27-30日四天 北京/远程 4200/3600Python案例分析大全（但不局限于）：1.文本挖掘原理和案例-数据可视化的各种方式2.预测分析核心算法-Python图片结构和分析（图片的k-means聚类分析）3.机器学习经典算法-图片的识别和分类：PCA建模4.Python概率统计-二维手写数字识别（KNN方法）5.数据可视化-推荐系统的构建（最近邻方法、协同过滤）6.Python经典金融分析-垃圾短信或邮件的识别与分类（Logistic对文本的分类）7.Python量化投资-新闻的文本分类（TF-IDF准则、旅游新闻个性化推荐）8.算法和模型的优化-人脸识别9.模型精度
7、评估和提升-朴素贝叶斯决策10.特征选取的方法-酒的品质分类预测11.最佳k-means分类数-机器学习的格点搜索和参数寻优12.交叉验证（CV）-惩罚线性回归分类器13.不平衡数据处理-使用支持向量机识别和分类14.XGBoost-时间序列预测案例15.贝叶斯分析-机器集成学习算法案例16.逼近和最优化-Python随机模拟案例17.概率图模型-Python金融分析案例18.马尔科夫&蒙特卡罗-使用Python进行量化投资案例Python量化投资 4月15-16，22-23日 四天 北京/远程 4500/3600课程大纲：基础班（一天）：Python语言基础与金融统计分析Part1：Pyth
8、on语言学习与应用1、Python语言简介2、运算符与表达式3、Python控制流4、Python函数5、Python模块6、异常处理与文件操作7、Python绘图8、Numpy篇9、Pandas篇10、数据库连接Part2：金融统计分析概论1、统计学理论 （1）统计学概论 （2）描述性统计 （3）参数估计 （4）假设检验 2、多变量相关性分析3、线性回归模型案例分析：案例一：大型股票数据库读取股票数据案例二：A股市场股票数据绘图案例三：交易数据描述性统计案例四：非金融专业数据获取方法实战班（三天）第一天：Part1：金融数据处理高级编程1、Pandas深入分析2、金融因子数据生成3、常见的金
9、融数据整理方式Part2：量化投资概述 1、投资策略回顾与比较 2、基本面、技术分析和量化的联系与区别 3、量化投资概述4、量化投资风险与管控Part3：量化投资Python平台介绍1、数据获取2、回测框架介绍3、回测注意问题。案例分析：案例一：市盈率手动计算案例二：Panel数据的存储与提取案例三：简单的均线穿越策略实现第二天：Part1：市场描述策略描述性研究Part2：高级交易策略1、CTA策略2、大师选股策略3、市场中性选股策略4、技术指标类策略5、资产配置策略Part3：时间序列模型1、什么是时间序列数据 2、时间序列的平稳性检验与白噪声探讨 3、时间序列平滑 4、【SMA、WMA
10、EWMA】5、金融时间序列建模预测6、【ARMA、ARIMA模型】7、波动的集聚效应 案例分析：案例一：如何通过各种数据描述当前市场状态案例二：CTA策略案例三：经典大师选股策略案例四：市场中性选股策略案例五：技术指标类选股策略案例六：资产配置策略案例七：时间序列策略第三天：Part1：投资组合基本概念1、超额Alpha选股2、CAPM模型3、三因子模型选股Part2：投资组合构建1、单因子测试2、多因子测试3、常见的组合构建方法Part3：数据挖掘算法在量化投资中的运用 1、逻辑回归与涨跌预测 2、支持向量机模型与涨跌预测 3、聚类与股票配对 Part4舆情分析与关注度模型 1、文本挖掘概述
11、 2、文本处理技巧3、中文分词案例分析：案例一：单因子全套测试代码案例二：组合构建案例案例三：文本数据处理案例Python统计计量 4月28-5月1日四天 上海/视频 3200/1500课程大纲：Part-1 Python初探01.Python语法结构概览教学内容：兼顾应用广泛的Python 2.x与日益兴盛的Python 3.x，从最基本的原理和语法格式入手，教授Python的基础内容。教学目的： 深入Python的流程控制语句，夯实基础，这部分内容将贯穿课程始终，熟练到就算没有开放的扩展库，自己也能根据公式做模型。1.1 一个概览式的例子1.2 基本语法与数据1.3 条件与条件语句1.4
12、循环与嵌套1.5 循环控制语句02.Python函数与数据结构教学内容： Python基础的核心内容。教学目的： 了解各类函数、参数和变量的区别和联系，能够提升编程质量，使内容更加完善与流畅。2.1 认识与定义函数2.2 参数形式与返回值2.3 内置函数形式2.4 变量类型及应用2.5 数据结构及应用03.数据处理与计算教学内容： 介绍的丰富且成熟的第三方扩展库，解读数据分析的逻辑和分析结果。教学目的：学会使用Python进行更加便捷的数理统计与计量分析，结果更加全面，解释性更强。3.1 常用模块概览3.2 数据的导入与导出3.3 描述性数据统计3.4 两总体对比推断3.5 方差分析3.6 卡
13、方检验3.7 非参数统计分析04.数据清洗教学内容： 检查数据一致性、处理无效值和各种填补缺失值的方式。教学目的： 迈出数据处理的第一步，能够识别并处理不清洁的数据，使数据更有利于后续的数据分析与挖掘。4.1 数据的整理4.2 数据的集成4.3 原始数据变换4.4 数据归约4.5 处理缺失值Part-2关于截面数据05.线性回归模型教学内容： 学会使用最单纯也是最实用且频频出现在Top期刊中的线性回归模型。教学目的：学会使用Python固定语句进行回归，合理地构建模型、选择变量、解释结果。5.1 小样本&大样本OLS5.2 使用虚拟变量5.3 非线性回归处理5.4 异方差5.5 自相关5.6
14、主成分分析（PCA）与因子分析（FA）06.内生性的解决办法教学内容： 处理各类研究中如影随形的内生性问题。教学目的：能够完爆一个内生性，并使用Python处理内生性，使论文轻松达到“A-level”。6.1 工具变量法（IV）6.2 两阶段最小二乘拆解内生性（2SLS）6.3 广义矩估计（GMM）6.4 倍分法07.离散变量模型教学内容：介绍最早的离散选择模型Logit/Probit模型，这是很多0/1选择问题的主要方法，也是社会学、心理学、经济学、市场营销等统计实证分析的常用方法。教学目的：学会针对不同的问题选择合适的离散选择模型解决问题，并解释结果。7.1 二值型Logit/Probit模型7.2 多值型Logit/Probit模型7.3. 定序Logit/Probit模型7.4 计数模型Part-3关于时间序列08.平稳时间序列分析教学内容： 时
