Python基础学完了再学什么？基础阶段学完Python 基础语法、python 容器、函数和文件操作、面向对象、 python编程和web基础、Linux 操作系统多任务编程、Python 网络编程、静态 web 服务器、HTML、CSS、JavaScript、数据库MySQL、正则表达式、Python 进阶、mini-web 框架后，需要在进行实操积累项目实战经验。
以《Python+人工智能就业班》课程为例，python学完基础阶段接下来就是项目学习了，具体的内容如下：
一、web-Django框架与项目
1、Django框架
认识Web框架的作用、MVT与MVC、虚拟开发环境的创建与使用、认识Django、Django工程的创建、Django应用创建、 模型视图与模板的基本使用、路由配置、HttpRequest对象获取请求参数、构造HttpResponse响应对象、 cookie使用、session使用、函数视图与类视图的使用、类视图的原理、类视图装饰器的使用、 ORM的作用、数据库配置、Model模型类的定义、通过ORM进行数据增删改查操作、F对象与Q对象的使用、 一对一映射、一对多映射、多对多映射、Jinja2模板的定义、模板渲染、CSRF的攻击原理与防护、 中间件的原理、中间件的定义、管理后台admin站点的使用
2、Git
什么是版本控制、Git的工作分区、Git commit、Git分支、本地仓库与远程仓库、Github（或Gitee码云）的使用方法
3、redis
Nosql介绍、redis数据库特点、redis数据类型、redis常用命令、redis-py使用
4、前端框架Vue基础
认识Vue、Vue生命周期、Vue双向绑定、Vue基础语法、Javascript ES6语法
5、美多商城-用户前台
采用前后端不分离模式，使用Vue前端框架、电商业务采用B2C模式、采用云通讯短信发送功能、实现发送验证邮件进行邮箱验证机制、 定制Django认证系统完成多类型帐号登录、集成第三方登录（以QQ为例）、采用Celery完成异步任务、采用RabbitMQ消息队列、 电商SKU与SPU的讲解、构建页面静态化方案、使用crontab定时任务、采用Haystack+Elasticsearch构建商品搜索方案、 采用redis做缓存与session、购物车等数据存储、构建用户登录与未登录状态下购物车存储方案、采用FastDFS分布式文件存储系统、 采用支付宝支付、采用Docker完成组件安装、采用数据库事务与锁解决并发订单存储问题、配置数据库主从同步、实现数据库读写分离
6、Django RESTframework框架（DRF）
前后端分离模式、RESTful接口设计、DRF框架的作用、序列化与反序列化、序列化器的定义与使用、DRF的类视图使用、 DRF的视图集原理与使用、Postman接口测试工具的使用
7、前端框架Vue进阶
SPA单页面系统、Vue组件、Vue路由、Vue-cli工具、Element组件库
8：美多商城后台管理系统（MIS）
采用前后端分离模式，使用Vue组件构建SPA单页面系统、JWT认证、CORS解决跨域、构建用户权限管理方案、 实现用户、商品、订单等数据管理、实现日志管理、实现报表统计、Nginx+uWSGI部署
9、部署基础
项目生命周期、项目部署方案
10、Nginx
认识Nginx、Nginx部署与配置、反向代理、负载均衡、日志解析、URL重写
11、Docker
Docker镜像管理、Docker容器管理、Docker仓库、Docker数据管理、Docker网络管理、Dockerfile编写、Docker compose使用
12、架构与性能
架构演变、网站分析
市场价值 : Python Web开发工程师，独立开发后端业务，并能辅助开发前端业务。
二、Web-Flask框架与项目
1、Flask框架
认识Flask、框架对比、Flask工程的创建与运行调试、Flask视图与路由、request对象使用、构造响应对象、 蓝图的使用、Flask应用上下文与请求上下文、请求钩子、异常处理
2、Flask-RESTful
Flask-RESTful视图与路由的定义、RequestParser的使用、marshal的使用、类视图装饰器的使用
三、人工智能机器学习编程
1、机器学习（科学计算库）
人工智能概述、机器学习定义、机器学习工作流程、机器学习算法分类、算法模型评估、Azure机器学习平台实验、 机器学习基础环境安装与使用、Matplotlib架构介绍、Matplotlib基本功能实现、 Matplotlib实现多图显示、Matplotlib绘制各类图形、Numpy运算优势、数组的属性、数组的形状、Numpy实现数组基本操作、Numpy实现数组运算、矩阵、 pandas介绍、pandas基本数据操作、DataFrame、Series、MultiIndex、panel、pandas画图、 文件读取和存储、缺失值处理、数据离散化、数据合并、交叉表和透视表、分组和聚合、案例：电影数据分析
2、机器学习（算法篇）
sklearn介绍、sklearn获取数据集、seaborn介绍、数据可视化、数据集划分、 特征工程、特征预处理、归一化、标准化、特征选择、特征降维、 交叉验证、网格搜索、模型保存和加载、欠拟合、过拟合、 KNN算法、欧式距离、曼哈顿距离、切比雪夫距离、闵氏距离、标准化欧式距离、余弦距离、汉明距离、 杰卡德距离、马氏距离、KNN中k值的选择、kd树、案例：鸢尾花种类预测、 线性回归、求导、最小二乘法、正规方程、梯度下降法、FG、SGD、mini-batch、SAG、Lasso回归、零回归、 Elastic Net、案例：波士顿房价预测、 逻辑回归、sigmoid、对数似然损失、混淆矩阵、精确率、召回率、F1-Score、ROC曲线、AUC指标、ROC曲线的绘制、 案例：癌症分类预测、决策树算法、熵、信息增益、信息增益比、基尼值、基尼指数、ID3、C4.5、CART算法、 案例：泰坦尼克号乘客生存预测、集成学习、boosting、Bagging、随机森林、GBDT、XGBoost、 案例：泰坦尼克号乘客生存预测优化、聚类算法、K-means聚类实现、SSE、肘方法、轮廓系数法、 CH系数、Canopy、Kmeans++、二分k-means、k-medoids、kernel kmeans、ISODATA、Mini-batch K-Means、 案例：探究用户对物品类别的喜好细分
3、机器学习项目实战
《绝地求生》玩家排名预测、客户价值分析系统、注：项目实训会随着社会热点调整
市场价值 : 对实际问题抽象为算法模型，对收集到的数据进行基本分析，构建有效的算法那模型。
四、人工智能基于大数据的推荐系统项目
1、系统项目理论课
推荐系统定义、推荐系统应用场景、推荐系统算法概述、协同过滤、内容、知识、混合推荐、 协同过滤算法、User-Based CF、Item-Based CF、杰卡德相似系数、余弦相似度、皮尔逊相关系数、 电影评分推荐案例、评分预测标准化、推荐系统评估方法、用户调查、离线测评、在线测评、RMSE、MAE、 K-近邻协同过滤推荐、回归协同过滤推荐、交叉验证与网格搜索、矩阵分解的协同过滤推荐、LFM、Apriori、FP-Growth、 基于内容推荐、物品画像、TFIDF、TOPN、用户画像、物品标签、物品冷启动、word2vec
2、系统项目lambda大数据开发
Hadoop简介、生态、发行版本、Hadoop shell命令、ls、cat、mv、put、rm、 文件系统HDFS、namenode、datanode、YARN运行流程、ResourceManager、NodeManager、Contain-er、Client、MapReduce流程、WordCount案例、Spark组件、特点、pyspark使用配置、sparkContext、parallelize、sc.textFile、 Spark算子、Action、Transformation、map、filter、flatmap、union、intersection、groupByKey、 SPARK作业提交模式、Local模式、Standalone模式、Spark ON Yarn模式、Spark日志分析案例、 Spark sql与DataFrame、RDD、DataFrame操作API、withColumn、select、StructType、filter、 json文件操作、spark.read.json、Flume架构、Source、Channel、Sink、Flume采集端口数据案例、 Kafka架构、Topic、Producer、Consumer、Broker、安装与部署、生产者与消费者、Flume与Kafka整合、 sparkStreaming概述、WordCount案例实战、状态操作、updateStateByKey、对接Kafka
3、推荐系统项目
ABTest实验中心、流量分桶、点击日志参数添加、grpc协议封装、用户feed流、文章相似接口、 待推荐结果存储、历史推荐结果存储、redis推荐缓存、召回接口、在线排序接口、 实时日志分析、flume配置、kafka配置、新文章更新、热门文章更新、用户冷启动、在线内容召回、基于内容召回存储、 sqoop增量导入、incremental、lastmodified、check-column、last-value、Query、Append导入、shell脚本设置、 文章画像构建、文章词库与分词、原始文章数据合并、tfidf计算、textrank计算、全量文章相似度计算、 新文章实时相似度、文章word2vec计算、BucketedRan-domProjectionLSH、离线文章画像定时更新、 用户画像构建、用户标签权重计算、时间衰减系数、用户基础信息画像、用户画像定时更新、 离线召回、用户日志行为数据处理、StringIndexer、离线ALS召回、 排序模型实现、用户日志行为基础表过滤、画像行为合并、LR模型、GBDT模型、离线排序效果AUC、 推荐算法效果评估、离线HIVE点击率统计、模型更新与上线
市场价值 : 具备基于大数据基础上的推荐系统搭建与开发能力。
