通过实例对人工智能的开发语言载体Python进行深入理解并掌握Python语法规则，变量和数据类型，程序结构控制，Python的数据结构，Python中的OOP，了解-神经网络的训练方法和流程，学习主流机器学习、深度学习框架环境的搭建，TensorFlow、Keras、Caffe等。

通过数字识别和人脸识别、自然语言处理等这些应用极为广泛的项目开发，深入介绍深度学习的概念，激活函数以及神经网络基础，对CNN、RNN进行原理方法和原理学习，卷积层和池化层，图像特征提取与识别，经典LeNet模型，LSTM，Encoder-Decoder                Model等，同时引入自然语言处理方面的内容，包括分词、题干提取建模等，为不同方向的技术学习构建完整的技能知识图谱。

在项目开发实现的基础上进行调优处理，通过学习过程的优化、数据预处理方法、超参数、学习率优化、Batch-Normalization等方法，实现开发算法的优化，完善提升神经网络的效率和质量，进一步理解算法实现与设计，实现开发工程师提升到算法专家之路。

基于CDBD（中国历代人物传记资料库）数据集开发课程案例，介绍数据分析的基本流程和方法，涉及的数据建模方法主要是聚类和决策树，学完之后能够使用Python处理工作场景中的简单数据分析。

基于真实企业数据库开发案例，重点介绍K-近邻、凝聚与分裂（层次聚类算法）、线性回归、朴素贝叶斯等数据建模方法，最终成为具有一定分析思维的数据分析师，满足就业需求。

基于前两个阶段学员学习数据开发的在线学习数据分析案例，通过完全贴近真实情境的数据分析工作，学会处理各种数据分析中的复杂问题，所使用的建模方法有支持向量机、DBSCAN、逻辑回归和反向传播神经网络，最终成长为一名高级数据分析师，并获得算法工程师的相关技能，能做出直接跟系统交互的仪表盘。

在大量数据的情况下，如何让数据能够更直观，更高效的输出有用的信息就需要借助于数据可视化技术。通过项目实战完全掌握Matplotlib实现简单直观的数据可视化、Echarts实现更丰富的交互需求，在此基础上认识更多的数据可视化库并灵活运用。

互联网上存在着海量的数据信息，通过爬虫可以快速高效的获取这些数据。Scrapy爬虫框架是当前非常流行的一款爬虫框架。Scrapy使用Python作为开发语言，并且提供了非常丰富扩展功能，数量掌握Scrapy爬虫框架的使用能够实现高效获取互联网数据的目标。

本阶段主要完成数据处理方面的学习，利用Python实现数据清洗与存储相关技能。数据被正式应用于AI核心算法前，需要经过迁移、清洗、分片等多种转换处理，利用Python的numpy、pandas模块有效处理源数据中的空缺值、噪声数据、不一致数据、重复数据等。数据来源、存储环境是多样的，分别来自于JSON、CSV文件，MySQL、Redis、MongoDB数据库，HDFS文件系统等等。利用Python的json、csv、pymysql、redis、pymongo、pyhdfs模块很好地解决了数据存储问题。