突破演演算法，年薪豈止翻倍

跟我走吧

陸家嘴學堂推出

Python經典演演算法設計與機器學習訓練營

（零基礎入門）

充分發揮Python語言簡潔、高效及易學特點，這門課將全面闡釋經典演演算法思想，資料結構以及機器學習演演算法原理與實踐，利用金融、商業資料分析場景，手把手教學程式設計技巧，為學員打下扎實基礎，助您突破演演算法類崗位面試中各類問題，摘得心中理想的崗位。

教學課題的選擇根據招聘中演演算法、資料分析崗位實際技能需求進行設定，涵蓋邏輯實現能力、機器學習深度學習演演算法的理解以及資料挖掘的基本技巧。這些技能包括並不僅限於：深度學習/神經網路（MLP,CNN,RNN），回歸分析，K-Means聚類，支援向量機、決策書與Ensemble，PCA，交叉檢驗，Bias/Variance Tradeoff，搜尋演演算法等等。

課程標的

（1）幫助學生快速入門python演演算法與機器學習

（2）理解經典的演演算法及資料結構思想原理。

（3）熟練運用Python語言及常用庫。

（4）理解機器學習，深度學習演演算法細節，能夠運用演演算法解決實際問題。 

（5）自信面對資料、演演算法類崗位面試各類考題。

（6）學習金融、商業及工業領域的應用場景。

（7）幫助學生轉換職業發展路徑到資料科學或者AI領域。

（8）打磨自身程式設計技能並掌握重要演演算法基礎知識和核心就業技能。

Jason

CQF、CFA、FRM、Wilmott/CQF高階會員、SEG/EAGE學會會員、享獨立國家發明專利、世界500強投資部門主管、資深金融工程師、油氣行業演演算法工程師、SEG油藏地球物理工程師。同濟大學理學博士(同濟大學與德州大學經濟地質局聯合培養)，精通Python語言，演演算法與資料庫基礎極為扎實。擔任過多次面試官，並培訓新人。

以第一作者身份發表多篇國際期刊及會議論文，內容涵蓋強化學習（蟻群演演算法）、資料分析等，波動方程偏移以及機器學習下的動態資產組合建立等等。近年來發表三篇國際頂會論文，分別受邀前往Oral宣讀。積累了大量演演算法研究成果，其中包括CV演演算法（發表EI期刊論文一篇），深度學習演演算法最佳化，基於頻譜分解的強化學習，蒙特卡羅及情景分析經濟地質測算與快速評價等等。

課程大綱

第一模組：Python程式設計基礎 （2個課時）

一、Python基礎

1.語言特性

2.程式設計環境

 Anaconda環境簡介

3.語法基礎

變數及標記語法

4.常用函式

5.陳述句結構

順序、迴圈、條件與遞迴

6. 常用庫介紹

Numpy、 Pandas、 Matplotlib等等

7. 面向物件方法

 案例

二、演演算法分析與Big O

1.演演算法分析與Big O簡介

2.Big O 案例

3.Python 資料結構中的Big O

第二模組：常用庫及應用 （2個課時）

一、Numpy庫的應用

1.特性

2.函式與方法

二、Pandas庫的應用

1.時間序列處理初步

2.Dataframe與Series

3.常用方法與函式

4.類資料庫查詢

三、視覺化庫的應用

1.視覺化圖件意義及製作方法

散點圖、餅圖、頻度圖、QQ、熱力圖等

2.Matplotlib,Seaborn及Pandas Plotting應用

3.物件特性

第三模組：常用資料結構（2.5個課時）

一、陣列

陣列序列簡介

動態陣列與低階別陣列

常見面試問題

二、棧、佇列與雙端佇列

簡介

Python實現方式

常見案例

三、連結串列

單連結串列與雙連結串列

常見問題

四、樹

樹結構的表徵

樹的遍歷

二叉搜尋樹

常見應用

五、圖

圖的簡介

鄰接矩陣與鄰接串列

常見應用

第四模組：經典演演算法的Python實現（2.5個課時）

1.貪心演演算法：原理與實體

2.遞迴與遍歷

遞迴原理

序列遍歷與二分法

深度優先與廣度優先遍歷

常用場景

3.常用排序演演算法：演演算法原理、實體

4.動態規劃演演算法初步：原理、應用場景案例

5.Hash函式：原理、Hash表的應用

第五模組：機器學習演演算法原理及Python應用（4個課時）

一、機器學習演演算法概覽與數學基礎

1.機率論與統計基礎

2.Bayes原理

3.最大似然原理

4.機器學習“武器庫”概況

二、最最佳化問題相關演演算法

1.預測模型與最小二乘：（多元）線性回歸

2.Lagarange法：案例投資組合管理

3.牛頓法，最速下降及其變種

三、Logit回歸及機器學習重要概念

1.Logit回歸原理

2.損失函式

3.偏差與方差

4.欠擬合與過擬合

5.評估引數與方法

6.案例

四、經典機器學習演演算法思想

1.EM演演算法思想： Kmeans演演算法等

2.樹類演演算法：不純度計算：熵與Gini繫數

Ensemble原理：Boosting，Bagging, Stacking

GBDT,RandomForest

演演算法最佳化

案例

3.聚類演演算法：PCA、 SVD、T-SNE

4.支援向量機

間隔與幾何間隔

對偶最最佳化問題

核技巧

損失函式：從Cross Entropy到Hinge

應用案例

5.特徵工程及實戰技巧

Sk-Learn庫使用方法

特徵工程基礎

常用特徵工程演演算法

K-Fold交叉檢驗

資料清洗與充填

異常值檢驗

第六模組：時間序列分析常用演演算法（3個課時）

1.訊號分解與時頻分析

2.濾波與重構

3.ARIMA模型

模型定階初步

 Python實現

4.Garch模型：原理及Python實現

5.隨機過程：理論、隨機取樣，蒙特卡羅法

6.案例

ARIMA股價預測

多階指數濾波

訊號分解重構

第七模組：深度學習實踐與提高（3個課時）

一、神經網路原理

1.啟用函式

2.梯度下降演演算法

3.正向傳播與反向傳播

二、神經網路實現

1.Tensorflow、Keras、Theano庫應用基礎

2.手把手學習底層程式碼          

三、主要問題及最佳化

1.Dropout

2.BatchNormalisation

3.啟用函式最佳化

4.結構最佳化

四、摺積神經網路初步

1.影象濾波與特徵

2.輸出特徵尺寸計算

3.引數調優

五、深度學習經典模型及研究進展

1.迴圈神經網路（RNN）

2.LSTM，Gru等

3.新技術及學習方法

第八模組：演演算法類崗位面試問題解決（2個課時）

1.統計與機率題

2.智力題

3.資料庫SQL

4.經典演演算法題概要

5.機器學習演演算法相關

6.實務類演演算法設計題