vault backup: 2024-01-21 17:44:00

Spaces/000-Task/全栈工程师.md

@@ -2,12 +2,12 @@
 atlas: "[[Task Tracker]]"
 completed: 40
 created: 2023-07-08 03:18:59
-incomplete: 869
+incomplete: 948
 modified: 2024-01-20 20:10:43
 tags:
   - Task
 title: 全栈工程师
-total: 909
+total: 988
 ---
 
 # GitHub
@@ -70,34 +70,164 @@ total: 909
 - [ ] 为什么要编程
 - [ ] 硬件概述
 - [ ] Python 作为一种语言
-
-#### 安装 Python
-
-- [ ] 演示：使用 Python Playground
-- [ ] Windows 10：安装 Python 并编写程序
-- [ ] 截图
-
-#### 我们为什么要编程
-
 - [ ] 编写代码段落
 - [ ] 演示：完成 "Hello World" 作业
 
 #### 变量和表达式
 
+- [ ] 表达式（1）
+- [ ] 表达式（2）
+- [ ] 表达式（3）
+- [ ] 练习
+
 #### 条件代码
 
-#### 功能
+- [ ] 条件语句
+- [ ] 更多条件语句
+- [ ] 练习
+
+#### 函数
+
+- [ ] 使用函数
+- [ ] 构造函数
 
 #### 循环与迭代
 
+- [ ] 循环和迭代
+- [ ] 确定循环
+- [ ] 找出最大值
+- [ ] 循环语句
+- [ ] 练习
+
 ### Python 数据结构
 
-### 使用 Python 访问网络数据
+#### 字符串
+
+- [ ] 字符串
+- [ ] 操作字符串
+- [ ] 练习
+
+#### 文件
+
+- [ ] 文件
+- [ ] 处理文件
+- [ ] 练习
+
+#### 列表
+
+- [ ] 列表
+- [ ] 操作列表
+- [ ] 列表和字符串
+- [ ] 练习
+
+#### 字典
+
+- [ ] 字典
+- [ ] 用字典计数
+- [ ] 字典和文件
+- [ ] 练习
+
+#### 元组
+
+- [ ] 元组
+- [ ] 练习
+
+### 使用 Python 访问 Web 数据
+
+#### 正则表达式
+
+- [ ] 正则表达式
+- [ ] 提取数据
+
+#### 网络和套接字
+
+- [ ] 网络化技术
+- [ ] 超文本传输协议（HTTP）
+- [ ] 示例：套接字
+- [ ] 使用开发者控制台探索HTTP
+
+#### 网上冲浪程序
+
+- [ ] Unicode 字符和字符串
+- [ ] 检索网页
+- [ ] 示例：使用 Urllib
+- [ ] 解析网页
+- [ ] 示例：使用 beautifulsoap
+
+#### 网络服务和 XML
+
+- [ ] 网络数据
+- [ ] 可扩展标记语言（XML）
+- [ ] XML Schema
+- [ ] 解析 XML
+- [ ] 示例：XML
+
+#### JSON 和 REST 架构
+
+- [ ] JavaScript 对象符号（JSON）
+- [ ] 示例：JSON
+- [ ] 面向服务法
+- [ ] 面向服务的架构
+- [ ] 使用应用程序接口
+- [ ] 示例：GroJSON API
+- [ ] 安全 API 请求
+- [ ] 示例：Twitter API
 
 ### 使用 Python 操作数据库
 
+#### 面向对象的 Python
+
+- [ ] 面向对象的定义和术语
+- [ ] 我们的第一个类和对象
+- [ ] 对象生命周期
+- [ ] 对象继承
+
+#### 基础结构化查询语言
+
+- [ ] 关系型数据库
+- [ ] 使用数据库
+- [ ] 单表 CRUD
+- [ ] 示例：计算数据库中的电子邮件
+
+#### 数据模型和关系型 SQL
+
+- [ ] 设计数据模型
+- [ ] 用表格表示数据模型
+- [ ] 插入管信息数据
+- [ ] 使用 JOIN 重构数据
+- [ ] 示例：Tracks.py
+
+#### SQL 中的多对多关系
+
+- [ ] 多对多关系
+- [ ] 示例：roster.py
+- [ ] 示例：Twfriends. py
+
+#### 数据库和可视化
+
+- [ ] 地理编码
+- [ ] 地理编码可视化
+- [ ] 示例：地理数据
+
 ### 使用 Python 检索、处理和可视化数据
 
+#### 建立搜索引擎
+
+- [ ] 网页排名概述
+- [ ] 示例：网页排名-爬虫
+- [ ] 示例：网页排名-计算
+- [ ] 示例：网页排名-可视化
+
+#### 搜索和模拟电子邮件数据
+
+- [ ] Gmane 简介
+- [ ] 示例：邮件检索
+- [ ] 示例：邮件模型
+
+#### 电子邮件数据可视化
+
+- [ ] 示例：邮件可视化
+
 ## 黑马程序员
 
 - [ ] 初识 python
@@ -260,7 +390,9 @@ total: 909
 - [ ] 正则表达式 - 元字符匹配
 - [ ] 递归
 
-## 爬虫
+# 爬虫
+
+## Genji
 
 - [ ] 课程介绍
 - [ ] 快速易懂 Python 入门
@@ -277,10 +409,44 @@ total: 909
 
 # 数据分析
 
-## Google
+## Google 数据分析
+
+### 基础：无处不在的数据
+
+### 提出问题以做出数据驱动的决策
+
+### 为探索准备数据
+
+### 从脏数据到干净数据的处理
+
+### 分析数据回答问题
+
+### 通过可视化艺术共享数据
+
+### 使用 R 编程进行数据分析
+
+### 完成一个案例研究
+
+## Google 高级数据分析
+
+### 数据科学基础
+
+### Python 入门
+
+### 超越数字：将数据转化为洞察
+
+### 统计的力量
+
+### 回归分析：简化复杂的数据关系
+
+### 机器学习的基础知识
+
+### 结业项目
 
 ## IBM
 
+### 
+
 # 机器学习
 
 ## 有监督的机器学习：回归与分类
@@ -485,9 +651,9 @@ total: 909
 
 ### 神经网络基础知识
 
-- [ ] 二分分类
+- [ ] 二分类
 - [ ] logistic 回归
-- [ ] logistic 回归损失函数
+- [ ] logistic 回归成本函数
 - [ ] 梯度下降法
 - [ ] 导数
 - [ ] 更多导数的例子
@@ -502,7 +668,7 @@ total: 909
 - [ ] Python 中的广播
 - [ ] 关于 Python_numpy 向量的说明
 - [ ] Jupyter_ipython 笔记本的快速指南
-- [ ] logistic 损失函数的解释
+- [ ] logistic 成本函数的解释
 - [ ] 彼得阿贝尔访谈
 
 ### 浅层神经网络
@@ -525,7 +691,7 @@ total: 909
 - [ ] 深层神经网络
 - [ ] 前向和反向传播
 - [ ] 深层网络中的前向传播
-- [ ] 核对矩阵的维数
+- [ ] 正确设置矩阵维度
 - [ ] 为什么使用深层表示
 - [ ] 搭建深层神经网络块
 - [ ] 参数 VS 超参数
@@ -543,20 +709,21 @@ total: 909
 - [ ] Dropout 正则化
 - [ ] 理解 Dropout
 - [ ] 其他正则化方法
-- [ ] 归一化输入
+- [ ] 输入规范化
 - [ ] 梯度消失与梯度爆炸
 - [ ] 神经网络的权重初始化
-- [ ] 梯度的数值逼近
+- [ ] 梯度的数值近似
 - [ ] 梯度检验
 - [ ] 关于梯度检验实现的注记
 - [ ] 约书亚本吉奥访谈
 
 ### 优化算法
 
-- [ ] Mini-batch 梯度下降法
+- [ ] 小批量梯度下降法
+- [ ] 理解小批量梯度下降法
 - [ ] 指数加权平均
 - [ ] 理解指数加权平均
-- [ ] 指数加权平均的偏差修正
+- [ ] 指数加权平均的偏差校正
 - [ ] 动量梯度下降法
 - [ ] RMSprop
 - [ ] Adam 优化算法
@@ -564,11 +731,11 @@ total: 909
 - [ ] 局部最优的问题
 - [ ] 林元庆访谈
 
-### 超参数训练、正则化和编程框架
+### 超参数调优、正则化和编程框架
 
-- [ ] 调试处理
-- [ ] 为超参数选择合适的范围
-- [ ] 超参数训练的实践：Pandas VS Caviar
+- [ ] 调优过程
+- [ ] 使用适当的量级来选取超参数
+- [ ] 超参数调优的实践：Pandas VS Caviar
 - [ ] 正则化网络的激活函数
 - [ ] 将 Batch Norm 拟合进神经网络
 - [ ] Batch Norm 为什么奏效
@@ -582,17 +749,17 @@ total: 909
 
 ### ML 策略
 
-- [ ] 为什么是 ML 策略
+- [ ] 为什么要制定 ML 策略
 - [ ] 正交化
-- [ ] 单一数字评估指标
-- [ ] 满足和优化指标
-- [ ] 训练集 / 开发集 / 测试集划分
+- [ ] 单一评估指标
+- [ ] 满足要求和优化指标
+- [ ] 训练集 / 开发集 / 测试集的分布
 - [ ] 开发集和测试集的大小
 - [ ] 什么时候该更改开发集 / 测试集和指标
-- [ ] 为什么需要人类级别的性能
+- [ ] 为什么需要人类水平的性能
 - [ ] 可避免偏差
-- [ ] 理解人类级别的性能
-- [ ] 超过人类级别的性能
+- [ ] 理解人类水平的性能
+- [ ] 超过人类水平的性能
 - [ ] 提高模型性能
 - [ ] 安德烈卡尔帕斯访谈
 - [ ] 进行误差分析
@@ -614,7 +781,7 @@ total: 909
 - [ ] 计算机视觉
 - [ ] 边缘检测示例
 - [ ] 更多边缘检测内容
-- [ ] Padding
+- [ ] 填充
 - [ ] 卷积步长
 - [ ] 三维卷积
 - [ ] 单层卷积网络
@@ -642,9 +809,9 @@ total: 909
 
 - [ ] 目标定位
 - [ ] 特征点检测
-- [ ] 目标检测
+- [ ] 物体检测
 - [ ] 卷积的滑动窗口实现
-- [ ] Bounding Box 预测
+- [ ] 边界框预测
 - [ ] 交并比
 - [ ] 非极大值抑制
 - [ ] Anchor Boxes