AI—學之有道-助你成長：《AI人工智能Top工程師學習課程大綱》—看清AI學習路線不迷茫

AI—學之有道-助你成長：《AI人工智能Top工程師學習課程大綱》—看清AI學習路線不迷茫

目錄

一、AI基礎 —高等數學、線性代數、機率統計

二、算法程式設計學習

三、ML算法講解

四、AI實戰之學以緻用— ML學習項目初級

五、AI實戰之學以緻用—DL學習項目中級

六、AI提升 — 推薦算法及資料挖掘

七、AI進階—項目應用

八、AI進階—分布式搜尋引擎開發

九、AI進階—企業項目實戰

十、AI進階—擷取認證

十一、IT進階開發者職場生存規則 — 職業素養

1.資料分析	a. 常數e b. 導數 c. 梯度 d. Taylor e. gini系數 f. 資訊熵與組合數 g. 梯度下降 h. 牛頓法
2.機率論	a. 微積分與逼近論 b. 極限、微分、積分基本概念 c. 利用逼近的思想了解微分，利用積分的方式了解機率 d. 機率論基礎 e. 古典模型 f. 常見機率分布 g. 大數定理和中心極限定理 h. 協方差(矩陣)和相關系數 i. 最大似然估計和最大後驗估計
3.線性代數及矩陣	a. 線性空間及線性變換 b. 矩陣的基本概念 c. 狀态轉移矩陣 d. 特征向量 e. 矩陣的相關乘法 f. 矩陣的QR分解 g. 對稱矩陣、正交矩陣、正定矩陣 h. 矩陣的SVD分解 i. 矩陣的求導 j. 矩陣映射/投影
4. 凸優化	a. 凸優化基本概念 b. 凸集 c. 凸函數 d. 凸優化問題标準形式 e. 凸優化之Lagerange對偶化 f. 凸優化之牛頓法、梯度下降法求解

1. 容器	a. 清單:list b. 元組:tuple c. 字典: dict d. 數組: Array e. 切片 f. 清單推導式 g. 淺拷貝和深拷貝
2. 函數	a. lambda表達式 b. 遞歸函數及尾遞歸優化 c. 常用内置函數/高階函數 d. 項目案例：約瑟夫環問題
3. 常用庫	a. 時間庫 b. 并發庫 c. 科學計算庫 d. Matplotlib可視化繪圖庫 e. 鎖和線程 f. 多線程程式設計

項目一：職位畫像	使用python爬蟲scrapy架構，對于智聯招聘職位進行抓取，處理下一頁機制，抓取職位名稱、公司名稱、公司地點等職位資料，并将資料通過Pipeline管道對資料進行資料去重，資料清洗，資料轉換，資料存儲。資料存儲在Mysql資料庫中，并将資料數值化，形成多表關聯，後期使用Echarts可視化前端圖表，完成資料炫酷展示。
項目二：豆瓣TOP250抓取	抓取豆瓣電影TOP250，得到電影名、電影介紹、評分、評論人數、經典的話等資訊，後期為了防止爬蟲被豆瓣Ban掉，增加了一些随機延遲、僞裝浏覽器請求頭，浏覽器代理等，最終資料存儲在Mongodb。
1.機器學習概述	機器學習概述
2. 特征工程	a. 特征抽取 b. 特征轉換 c. 特征選擇 d. 降維 f. NLP特征工程
3.回歸算法	a. Linear Regression算法 b. Lasso Regression算法 c. Ridge Regression/Classifier算法 d. Elastic Net算法 e. Logistic算法 f. K-鄰近算法(KNN)
4.決策樹、随機森林和提升算法	a. 決策樹算法: ID3、C4.5、CART b. 決策樹優化 c. Bagging和Boosting算法 d. 随機森林 e. Adaboost算法 f. GBDT算法 g. XGBoost h. LightGBM
5.SVM	a. 線性可分支援向量機 b. 核函數了解 c. SMO算法 d. SVM回歸SVR和分類SVC
6.聚類算法	a. 各種相似度度量介紹及相關關系 b. K-means算法 c. K-means算法優缺點及變種算法 d. 密度聚類 e. 層級聚類 f. 譜聚類
7.EM算法	a. 最大似然估計 b. EM算法原理講解 c. 多元高斯分布的EM實作 d. 主題模型pLSA及EM算法
8.貝葉斯算法	a. 樸素貝葉斯 b. 條件機率表達形式 c. 貝葉斯網絡的表達形式
9.隐馬爾科夫模型	a. 機率計算問題 b. 前向/後向算法 c. HMM的參數學習 d. 高斯混合模型HMM
10.LDA主題模型	a. LDA主題模型概述 b. 共轭先驗分布 c. Dirichlet分布 d. Laplace平滑 e. Gibbs采樣詳解 f. LDA與word2Vec效果比較

項目一：百度音樂系統檔案分類	音樂推薦系統就是利用音樂網站上的音樂資訊，向使用者提供音樂資訊或者建議，幫助使用者決定應該聽什麼歌曲。而個人化推薦則是基于音樂資訊及使用者的興趣特征、聽歌曆史行為，向使用者推薦使用者可能會感興趣的音樂或者歌手。推薦算法主要分為以下幾種：基于内容的推薦、協同過濾推薦、基于關聯規則推薦、基于效用推薦、基于知識推薦等；推薦系統常用于各個網際網路行業中，比如音樂、電商、旅遊、金融等。
項目二：千萬級P2P金融系統反欺詐模型訓練	目前比較火的網際網路金融領域，實質是小額信貸，小額信貸風險管理，本質上是事前對風險的主動把控，盡可能預測和防範可能出現的風險。本項目應用GBDT、Randomforest等機器學習算法做信貸反欺詐模型，通過資料挖掘技術，機器學習模型對使用者進行模型化綜合度量，确定一個合理的風險範圍，使風險和盈利達到一個平衡的狀态。

1. Tensorflow基本應用	a. Tensorflow安裝 b. Tensorflow基本概念 c. Tensorflow基本函數 d. Tensorflow執行流程 e. Tensorflow之上的工具庫:Keras f. 項目案例：基于Tensorflow實作回歸算法
2. 深度學習概述	深度學習是實作機器學習的技術，同時深度學習也帶來了機器學習的許多實際應用，拓展了AI的使用領域，本階段主要從TensorFlow、深度學習概述、感覺器神經網絡、BP神經網絡、RBF徑向基神經網絡、CNN卷積神經網絡、RNN循環神經網、等方面講解深度學習相關算法以及深度學習架構的使用。
3. 感覺器神經網絡
4. BP神經網絡
5. RBF徑向基神經網絡
6. 卷積神經網絡(CNN)
7. 循環神經網絡(RNN)
8. 生成對抗網絡(GAN、WGAN、EBGAN、DCGAN等)

1.推薦算法概述 2.推薦算法算法理論介紹(協同過濾、基于記憶體的推薦、基于知識的推薦等) 3.資料挖掘相關算法(關聯規則、Aprior算法) 4.項目案例：百度雲音樂推薦、隐因子模型推薦系統開發

随着現代電商的深入人心，基于使用者行為(浏覽、收藏、購物)分析尤為重要。而資料挖掘就是識别出巨量資料中有效的、新穎的、潛在有用的、最終可了解的模式的非平凡過程。本階段主要從基于内容的推薦、協同過濾、SVD、基于知識的推薦以及混合推薦算法等講解，并結合音樂推薦、隐因子模型推薦等項目讓大家有更深入的學習了解。

項目一：公安系統人臉識别、圖像識别	使用深度學習架構從零開始完成人臉檢測的核心技術圖像類别識别的操作，從資料預處理開始一步步建構網絡模型并展開分析與評估，友善大家快速動手進行項目實踐！識别上千種人靓，傳回階層化結構的每個人的标簽。
項目二：公安系統圖像檢索	本項目基于卷積神經網在訓練過程中學習出對應的『二值檢索向量』，對全部圖先做了一個分桶操作，每次檢索的時候隻取本桶和臨近桶的圖檔作比對，而不是在全域做比對，使用這樣的方式提高檢索速度，使用Tensorflow架構建立基于ImageNet的卷積神經網絡，并完成模型訓練以及驗證。
項目三：今日頭條CTR廣告點選量預估	點選率預估是廣告技術的核心算法之一，它是很多廣告算法工程師喜愛的戰場。廣告的價值就在于宣傳效果,點選率是其中最直接的考核方式之一,點選率越大,證明廣告的潛在客戶越多,價值就越大,是以才會出現了刷點選率的工具和技術。通過對于點選量的評估，完成對于潛在使用者的價值挖掘。
項目四：序列分析系統	時間序列分析(Time Series Analysis)是一種動态資料處理的統計方法，主要基于随機過程理論和數理統計方法，研究随機資料序列所遵從的統計規律以便用于解決實際問題。主要包括自相關分析等一般的統計分析方法，構模組化型進而進行業務推斷。經典的統計分析是假定資料序列具有獨立性，而時間序列分析則側重于研究資料樣本序列之間的依賴關系。時間序列預測一般反應了三種實際變化規律：趨勢變化、周期性變化和随機性變化。時間序列預測常應用于國民經濟宏觀控制、企業經營管理、市場潛力量預測、天氣預報、水文預報等方面，是應用于金融行業的一種核心算法之一。
項目五：京東聊天機器人/智能客服	聊天機器人/智能客服是一個用來模拟人類對話或者聊天的一個系統，利用深度學習和機器學習等NLP相關算法建構出問題和答案之間的比對模型，然後可以将其應用到客服等需要線上服務的行業領域中，聊天機器人可以降低公司客服成本，還能夠提高客戶的體驗友好性。 在一個完整的聊天機器人實作過程中，主要包含了一些核心技術，包括但不限于：爬蟲技術、機器學習算法、深度學習算法、NLP領域相關算法。通過實作一個聊天機器人可以幫助我們隊AI整體知識的一個掌握。
項目六：機器人寫詩歌	機器人寫詩歌/小說是一種基于NLP自然語言相關技術的一種應用，在實作過程中可以基于機器學習相關算法或者深度學習相關算法來進行小說/詩歌建構過程。人工智能的一個終極目标就是讓機器人能夠像人類一樣了解文字，并運用文字進行創作，而這個目标大緻上主要分為兩個部分，也就是自然語言了解和自然語言生成，其中現階段的主要自然語言生成的運用，自然語言生成主要有兩種不同的方式，分别為基于規則和基于統計，基于規則是指首先了解詞性及文法等規則，再依據這樣的規則寫出文章；而基于統計的本質是根據先前的字句和統計的結果，進而判斷下一個子的生成，例如馬爾科夫模型就是一種常用的基于統計的方法。
項目七：機器翻譯系統	機器翻譯又稱自動翻譯，是指利用計算機将一種自然語言轉換為另外一種自然語言的過程，機器翻譯是人工智能的終極目标之一，具有很高的研究價值，同時機器翻譯也具有比較重要的實用價值，機器翻譯技術在促進政治、經濟、文化交流等方面起到了越來越重要的作用；機器翻譯主要分為以下三個過程：原文分析、原文譯文轉換和譯文生成；機器翻譯的方式有很多種，但是随着深度學習研究取得比較大的進展，基于人工網絡的機器翻譯也逐漸興起，特别是基于長短時記憶(LSTM)的循環神經網絡(RDD)的應用，為機器翻譯添了一把火。
項目八：垃圾郵件過濾系統	郵件主要可以分為有效郵件和垃圾郵件兩大類，有效郵件指的郵件接收者有意義的郵件，而垃圾郵件轉指那些沒有任何意義的郵件，其内容主要包含賺錢資訊、成人廣告、商業或者個人網站廣告、電子雜志等，其中垃圾郵件又可以發為良性垃圾郵件和惡性垃圾郵件，良性垃圾郵件指的就是對收件人影響不大的資訊郵件，而惡性垃圾郵件指具有破壞性的電子郵件，比如包含病毒、木馬等惡意程式的郵件。垃圾郵件過濾主要使用使用機器學習、深度學習等相關算法，比如貝葉斯算法、CNN等，識别出所接收到的郵件中那些是垃圾郵件。
項目九：手工數字識别	人認知世界的開始就是從認識數字開始的，深度學習也一樣，數字識别是深度學習的一個很好的切入口，是一個非常經典的原型問題，通過對手寫數字識别功能的實作，可以幫助我們後續對神經網絡的了解和應用。選取手寫數字識别的主要原因是手寫數字具有一定的挑戰性，要求對程式設計能力及神經網絡思維能力有一定的要求，但同時手寫數字問題的複雜度不高，不需要大量的運算，而且手寫數字也可以作為其它技術的一個基礎，是以以手寫數字識别為基礎，貫穿始終，進而了解深度學習相關的應用知識。
項目十：癌症篩選檢測	技術可以改變癌症患者的命運嗎，對于患有乳腺癌患者來說，複發還是痊愈影響這患者的生命，那麼怎麼來預測患者的患病結果呢，機器學習算法可以幫助我們解決這一難題，本項目應用機器學習logistic回歸模型，來預測乳腺癌患者複發還是正常，有效的預測出醫學難題。
項目十一：葡萄酒品質檢測系統	随着資訊科技的快速發展,計算機中的經典算法在葡萄酒産業中得到了廣泛的研究與應用。其中機器學習算法的特點是運用了人工智能技術,在大量的樣本集訓練和學習後可以自動地找出運算所需要的參數和模型。
項目十二：淘寶網購物籃分析推薦算法	購物籃分析(Market Basket Analysis)即非常有名的啤酒尿布故事的一個反應，是通過對購物籃中的商品資訊進行分析研究，得出顧客的購買行為，主要目的是找出什麼樣的物品會經常出現在一起，也就是那些商品之間是有很大的關聯性的。通過購物籃分析挖掘出來的資訊可以用于指導交叉銷售、追加銷售、商品促銷、顧客忠誠度管理、庫存管理和折扣計劃等業務；購物籃分析的最常用應用場景是電商行業，但除此之外，該算法還被應用于信用卡商城、電信與金融服務業、保險業以及醫療行業等。
項目十三：手工實作梯度下降回歸算法	梯度下降法（英語：Gradient descent）是一個一階最優化算法，通常也稱為最速下降法。 要使用梯度下降法找到一個函數的局部極小值，必須向函數上目前點對應梯度（或者是近似梯度）的反方向的規定步長距離點進行疊代搜尋。如果相反地向梯度正方向疊代進行搜尋，則會接近函數的局部極大值點；這個過程則被稱為梯度上升法。
項目十四：基于TensorFlow實作回歸算法	回歸算法是業界比較常用的一種機器學習算法，通過應用于各種不同的業務場景，是一種成熟而穩定的算法種類；TensorFlow是一種常用于深度學習相關領域的算法工具；随着深度學習熱度的高漲，TensorFlow的使用也會越來越多，進而使用TensorFlow來實作一個不存在的算法，會加深對TensorFlow的了解和使用；基于TensorFlow的回歸算法的實作有助于後續的TensorFlow架構的了解和應用，并可以促進深度學習相關知識的掌握。

1.課程介紹 2.初識ElasticSearch 3.ES安裝部署 4.插件安裝Head 5.插件安裝ik 6.ES中文搜尋示範 7.Marvel和Kibana安裝 8.ES一些相關概念 9.ES請求格式和傳回 10.ES索引操作 11.ES的文檔新增和修改 12.ES查詢示範 13.ES查詢補充和删除 14.多索引和多類别 15.分頁和routing介紹 16.ES工作流程 17.Java用戶端和建立連接配接 18.Index操作 19.資料的增、删、改 20.資料的查詢 21.spring環境內建 22.spring篇操作index 23.Spring操作CRUD01 24.Spring操作CRUD02 25.常見索引操作 26.索引的Mapping操作 27.mapping引入01 28.mapping引入02 29.mapping之properties根對象 30.mapping資料類型之string類型 31.mapping其他基本資料類型 32.mapping資料類型之Object類型 33.mapping中繼資料和動态映射 34.mapping動态模闆 35.反向索引概念 36.ES的動态索引原理 37.ES動态索引的問題和解決原理 38.初識DSL 39.DSL進階特性 40.結構化查詢之基本查詢 41.結構化查詢之複合查詢 42.全文檢索第一講 43.全文檢索第二講 44.嵌套類型查詢 45.嵌套類型查詢 46.DSL之Java操作 47.全文檢索之Java操作 48.聚合查詢之Java操作 49.DSL之Spring操作 50.進階檢索之Spring操作 51.ES項目引用和熱搜詞功能實作 52.實作思路介紹以及簡要實作

聯網+、大資料、網絡爬蟲、搜尋引擎等等這些概念，如今可謂炙手可熱，本課程就是以公司項目經驗為基礎，為大家帶來市面上比較流行的分布式搜尋引擎之一的ElasicSearch，深入淺出的帶領大家了解并掌握該技術的綜合應用，進而為大家添加一份競争的資本。    本課程旨在帶領大家進入搜尋引擎領域，從無到有，深入淺出的講解了什麼是搜尋引擎，搜尋引擎的作用以及ElasticSearch在實際工作中的作用等。

1.基于Python資料分析與機器學習案例實戰教程	1.Python資料分析與機器學習實戰課程簡介 2.Python快速入門 3.Python科學計算庫Numpy 4.Python資料分析處理庫Pandas 5.Python可視化庫Matplotlib 6.回歸算法 7.模型評估 8.K近鄰算法 9.決策樹與随機森林算法 10.支援向量機  11.貝葉斯算法 12.神經網絡 13.Adaboost算法 14.SVD與推薦 15.聚類算法 16.案例實戰：使用Python庫分析處理Kobe Bryan職業生涯資料 17.案例實戰：信用卡欺詐行為檢測 18.案例實戰：泰坦尼克号獲救預測 19.案例實戰：鸢尾花資料集分析 20.案例實戰：級聯結構的機器學習模型 21.案例實戰：員工離職預測 22.案例實戰：使用神經網絡進行手寫字型識别 23.案例實戰：主成分分析 24.案例實戰：基于NLP的股價預測  25.案例實戰：借貸公司資料分析
2.人工智能與深度學習實戰	1.深度學習概述與挑戰 2.圖像分類基本原理門 3.深度學習必備基礎知識點 4.神經網絡反向傳播原理 5.神經網絡整體架構 6.神經網絡案例實戰圖像分類任務 7.卷積神經網絡基本原理 8.卷積參數詳解 9.卷積神經網絡案例實戰 10.經典網絡架構分析  11.分類與回歸任務 12.三代物體檢測算法分析 13.資料增強政策 14.TransferLearning 15.網絡架構設計 16.深度學習架構Caffe網絡結構配置 17.Caffe 18.深度學習項目實戰人臉檢測 19.人臉正負樣本資料源制作 20.人臉檢測網絡架構配置習模型 21.人臉檢測代碼實戰 22.人臉關鍵點定位項目實戰 23.人臉關鍵點定位網絡模型 24.人臉關鍵點定位建構級聯網絡 25.人臉關鍵點定位測試效果與分析  26.Tensorflow架構實戰 27.Tensorflow建構回歸模型 28.Tensorflow建構神經網絡模型 29.Tensorflow深度學習模型 30.Tensorflow打造RNN網絡模型 31.Tensorflow項目實戰驗證識别 32.項目實戰圖像風格轉換 33.QLearning算法原理 34.DQN網絡架構 35.項目實戰DQN網絡讓AI自己玩遊戲 36.項目實戰對抗生成網絡等
3.【項目直播】AI大資料網際網路電影智能推薦（第一季）	一、教務管理系統業務介紹  1.教務管理系統架構講解  2.系統業務邏輯介紹 二、大資料需求分析  1.明确資料需求  2.大資料分析過程  3.分析難點和解決方案  4.大資料相關技術選型 三、建構分布式大資料架構  1.Hadoop分布式叢集配置  2.ZooKeeper高可用  3.SQOOP資料轉移  4.ETL資料清洗  5.HIVE資料分析  6.HBase資料存儲 四、基于教務管理系統大資料分析  1.業務資料分析名額設定  2.操作MapReduce分而治之  3.使用Hive進行資料整合抽離  4.使用HBase存儲非結構話資料 五、大資料可視化  1.可視化技術選型  2.Echarts代碼展示炫酷視圖  3.使用Tableau進行資料可視化展示
4.電商大資料情感分析與AI推斷實戰項目（第一季）	一、實踐項目研發  1) 開發環境的安裝配置  2) 表與資料  3) LARAVEL的快速開發實踐  4) 批量建立模型  5) 萬能控制器與表配置  6) 統一視圖的建立 二、資料分析需求設立  1) 定義資料需求  2) 分析計算過程  3) 分析難點和解決方案  4) 大資料技術選型 三、大資料平台搭建  1) 分布式環境的模拟建立  2) 網絡環境的調通  3) 身份驗證與叢集控制  4) Hadoop環境搭建和要點說明  5) MapReduce與Yarn的搭建和說明 四、大資料分析腳本編寫  1) MapReduce腳本編寫  2) 拆解資料需求  3) Map邏輯詳寫  4) Reduce邏輯詳寫  5) 結果整理與輸出 五、結果可視化  1) 可視化需求和技術選型  2) 展示頁面的快速鋪設  3) 可視化JS上手  4) 使用可視化JS展示結果
5.AI法律咨詢大資料分析與服務智能推薦實戰項目(第一季)	一、系統業務介紹  1.底層業務實作架構講解  2.功能子產品講解 二、系統架構設計  1.總體架構分析  2.資料流向  3.各技術選型承載作用  4.部署方案 三、詳盡實作  1. 原始資料處理  2. ETL資料導入  3. MR資料計算  4. Hive資料分析 四、資料可視化  1.采用Highcharts插件展示客戶偏好曲線圖  2.使用Tableau進行資料分析可視化展示 五、項目優化  1. ZooKeeper實作HA  2. 叢集監控的整體聯調
6.AI大資料基站定位智能推薦商圈分析項目實戰（第一季）	第一階段：分析系統業務邏輯講解 （1）大資料基站定位智能推薦商圈分析系統介紹 （2）資料前期清晰和資料分析目标名額的設定等 第二階段：大資料導入與存儲 （1）關系型資料庫基礎知識 （2）hive的基本文法 （3）hive的架構及設計原理 （4）hive安裝部署與案例等 （5）Sqoop安裝及使用 （6）Sqoop與關系型資料庫進行互動等 （7）動手實踐 第三階段：Hbase理論及實戰 （1）Hbase簡介、安裝及配置 （2）Hbase的資料存儲與資料模型 （3）Hbase Shell （4）Hbase 通路接口 （5）Hbase資料備份與恢複方法等 （6）動手實踐（資料轉儲與備份） 第四階段：基站資料分析與統計推斷 （1）背景與分析推斷目标 （2）分析方法與過程推斷       1)資料抽取       2)資料探索分析       3)資料預處理 （3）動手實踐（分析既定名額資料） 第五階段：資料分析與統計推斷結果的展示（大資料可視化） （1）使用Tableau展示資料分析結果 （2）使用HighCharts、ECharts展示資料分析結果

課程一、雲計算 - 網站建設：部署與釋出	阿裡雲網站建設認證課程教你如何掌握将一個本地已經設計好的靜态網站釋出到Internet公共網際網路，綁定域名，完成工信部的ICP備案。
課程二、雲計算 - 網站建設：簡單動态網站搭建	阿裡雲簡單動态網站搭建課程教你掌握如何快速搭建一個WordPress動态網站，并會對網站進行個性化定制，以滿足不同的場景需求。
課程三、雲計算 - 雲伺服器管理維護	阿裡雲伺服器運維管理課程教你掌握快速開通一台雲伺服器，并通過管理控制台友善地進行伺服器的管理、伺服器配置的變更和更新、資料的備份，并保證其可以正常運轉并按業務需求随時進行配置的變更。
課程四、雲計算 - 雲資料庫管理與資料遷移	阿裡雲雲資料庫管理與資料遷移認證課程掌握雲資料庫的概念，如何在雲端建立資料庫、将自建資料庫遷移至雲資料庫MySQL版、資料導入導出，以及雲資料庫運維的常用操作。
課程五、雲計算 - 雲存儲：對象存儲管理與安全	阿裡雲雲儲存認證課程教你掌握安全、高可靠的雲存儲的使用，以及在雲端存儲下載下傳檔案，處理圖檔，以及如何保護資料的安全。
課程六、雲計算 - 超大流量網站的負載均衡	掌握如何為網站實作負載均衡，以輕松應對超大流量和高負載。
課程七、大資料 - MOOC網站日志分析	本課程可以幫助學員掌握如何收集使用者通路日志，如何對通路日志進行分析，如何利用大資料計算服務對資料進行處理，如何以圖表化的形式展示分析後的資料。
課程八、大資料 - 搭建企業級資料分析平台	模拟電商場景，搭建企業級的資料分析平台，用來分析商品資料、銷售資料以及使用者行為等。
課程九、大資料 - 基于LBS的熱點店鋪搜尋	本課程可以幫助學員掌握如何在分布式計算架構下開發一個類似于手機地圖查找周邊熱點（POI）的功能，掌握GeoHash編碼原理，以及在地理位置中的應用，并能将其應用在其他基于LBS的定位場景中。課程中完整的示範了整個開發步驟，學員在學完此課程之後，掌握其原理，可以在各種分布式計算架構下完成此功能的開發，比如MapReduce、Spark。
課程十、大資料 - 基于機器學習PAI實作精細化營銷	本課程通過一個簡單案例了解、掌握企業營銷中常見的、也是必需的精準營銷資料處理過程，了解機器學習PAI的具體應用，指導學員掌握大資料時代營銷的利器---通過機器學習實作營銷。
課程十一、大資料 - 基于機器學習的客戶流失預警分析	本課程講解了客戶流失的分析方法、流程，同時詳細介紹了機器學習中常用的分類算法、內建學習模型等通用技能，并使用阿裡雲機器學習PAI實作流失預警分析。可以幫助企業快速、準确識别流失客戶，輔助制定政策進行客戶關懷，達到挽留客戶的目的。
課程十二、大資料 - 使用DataV制作實時銷售資料可視化大屏	幫助非專業工程師通過圖形化的界面輕松搭建專業水準的實時可視化資料大屏，以滿足業務展示、業務監控、風險預警等多種業務的展示需求。
課程十三、大資料 - 使用MaxCompute進行資料品質核查	通過本案例，學員可了解影響資料品質的因素，出現資料品質問題的類型，掌握通過MaxCompute（DateIDE）設計資料品質監控的方法，最終獨立解決常見的資料品質監控需求。
課程十四、大資料 - 使用Quick BI制作圖形化報表	阿裡雲Quick BI制作圖形化報表認證課程教你掌握将電商營運過程中的資料進行圖表化展現，掌握通過Quick BI将資料制作成各種圖形化報表的方法，同時還将掌握搭建企業級報表門戶的方法。
課程十五、大資料 - 使用時間序列分解模型預測商品銷量	使用時間序列分解模型預測商品銷量教你掌握商品銷量預測方法、時間序列分解以及熟悉相關産品的操作示範和項目介紹。
課程十六、雲安全 - 雲平台使用安全	阿裡雲雲平台使用安全認證課程教你了解由傳統IT到雲計算架構的變遷過程、目前資訊安全的現狀和形勢，以及在雲計算時代不同系統架構中應該從哪些方面利用雲平台的優勢使用安全風險快速降低90%。
課程十七、雲安全 - 雲上伺服器安全	阿裡雲雲上伺服器安全認證課程教你了解在網際網路上提供計算功能的伺服器主要面臨哪些安全風險，并針對這些風險提供了切實可行的、免費的防護方案。
課程十八、雲安全 - 雲上網絡安全	了解網絡安全的原理和解決辦法，以及應對DDoS攻擊的方法和防護措施，確定雲上網絡的安全。
課程十九、雲安全 - 雲上資料安全	了解雲上資料的安全隐患，掌握資料備份、資料加密、資料傳輸安全的解決方法。
課程二十、雲安全 - 雲上應用安全	了解常見的應用安全風險，SQL注入原理及防護，網站防篡改的解決方案等，確定雲上應用的安全。
課程二十一、雲安全 - 雲上安全管理	了解雲上的安全監控方法，學會使用監控大屏來監控安全風險，并能夠自定義報警規則，確定随時掌握雲上應用的安全情況。

.團隊協作 2.心态管理 3.目标管理 4.時間管理 5.學習管理 6.溝通能力 7.項目管理

本課程主要為廣大畢業生或者工作經驗較少的學員而設立，主要是為了在職業素養方面給大家提供輔導，為更加順利走向職場而提供幫助。 為什麼有些同學在技能方面過關，卻還是給予别人一種書生氣的感覺？ 為什麼履歷已經通過了，卻還是沒有通過HR的面試？ 為什麼入職後，與同僚的溝通總是存在問題? 為什麼每天的時間都不夠用，無法兼顧生活學習和工作? 為什麼學習一段時間後，對工作對職場沒有方向感? 為什麼遇到事情，别人總是能夠保持良好心态遊刃有餘，而我總是問題百出？ COT課程正是引領大家一起來探索其中的奧秘和方法，讓大家一起在學習過程中不斷深思和進步，讓大家的職場路越走越順暢！