python二级考试大纲小学生_Python语言二级考试大纲

重磅：教育部考试中心已经公布，在计算机二级考试加入“Python语言程序设计”科目，将于2018年9月全国计算机等级考试中首次亮相。这将促进Python在大学生中的普及。

教育部也正式将人工智能、物联网、大数据处理正式划入高中新课标，这就意味着中学生也要开始学习编程了！

全国计算机等级考试二级

Python 语言程序设计考试大纲

(2018 年版)

基本要求掌握Python语言的基本语法规则;

掌握不少于2个基本的Python标准库;

掌握不少于2个Python第三方库,掌握获取并安装第三方库的方法;

能够阅读和分析Python程序;

熟练使用IDLE开发环境,能够将脚本程序转变为可执行程序;

了解Python计算生态在以下方面(不限于)的主要第三方库名称:网络爬虫、数据分析、数

据可视化、机器学习、Web 开发等。考试内容 一、Python语言的基本语法元素程序的基本语法元素:程序的格式框架、缩进、注释、变量、命名、保留字、数据类型、赋值 语句、引用;

基本输入输出函数:input()、eval()、print();

源程序的书写风格;

Python语言的特点。二、基本数据类型数字类型:整数类型、浮点数类型和复数类型;

数字类型的运算:数值运算操作符、数值运算函数;

字符串类型及格式化:索引、切片、基本的format()格式化方法;

字符串类型的操作:字符串操作符、处理函数和处理方法;

类型判断和类型间转换。三、程序控制结构程序的三种控制结构;

程序的分支结构:单分支结构、二分支结构、多分支结构;

程序的循环结构:遍历循环、无限循环、break和continue循环控制。

程序的异常处理:try-except。四、函数和代码复用函数的定义和使用;

函数的参数传递:可选参数传递、参数名称传递、函数的返回值;

变量的作用域:局部变量和全局变量。五、组合数据类型组合数据类型的基本概念;

列表类型:定义、索引、切片;

列表类型的操作:列表的操作函数、列表的操作方法;

字典类型:定义、索引;

字典类型的操作:字典的操作函数、字典的操作方法。六、文件和数据格式化文件的使用:文件打开、读写和关闭;

数据组织的维度:一维数据和二维数据;

一维数据的处理:表示、存储和处理;

二维数据的处理:表示、存储和处理;

采用CSV格式对一二维数据文件的读写。七、Python计算生态标准库:turtle库(必选)、random库(必选) 、time库(可选);

基本的Python内置函数;

第三方库的获取和安装;

脚本程序转变为可执行程序的第三方库:PyInstaller库(必选);

第三方库:jieba库(必选)、wordcloud 库(可选);

更广泛的Python计算生态,只要求了解第三方库的名称,不限于以下领域:网络爬虫、数

据分析、文本处理、数据可视化、用户图形界面、机器学习、Web 开发、游戏开发等。考试方式

上机考试,考试时长 120 分钟,满分 100 分。

题型及分值

单项选择题40分(含公共基础知识部分10分)。

操作题60分(包括基本编程题和综合编程题)。

考试环境

Windows7操作系统,建议 Python 3.4.2 至 Python 3.5.3版本,IDLE开发环境。

看来还是实操占据百分比重比较大。(Python今年第一年考试说不定是机会呢？)

报名学习完基础课和中级课，过二级妥妥的！

「Python基础入门到数据挖掘实战」第三期，由清华博士、浙大博士(Python 畅销书作者)主讲，全程“视频＋作业＋实验＋答疑”的形式，主讲老师陪同答疑 12 个月。陪伴你从零基础，成长为具备核心竞争力的 Python 算法工程师！

课程分为初级、中、高级三门课程，难度递进。还等什么，还不快来跟我们一起玩 Python ！

- 讲师团队 -

张阳阳

清华大学博士。5 年 Python开发经验。研究方向：人工智能、机器学习、深度学习。熟练掌握 Python 在人工智能中的应用。擅长数值计算与仿真模拟，精通各种 AI 算法和编程：回归预测、全局优化、聚类分类、综合评价、模式识别等。

杨海宏

浙江大学计算机专业博士、《Python 与数据挖掘》作者。讲授数据挖掘课程3年教学经验。研究方向：大数据、知识图谱、自然语言处理。熟练使用 Python，擅长自然语言理解、智能问答、深度学习、强化学习。曾在百度深度学习实验室，研究花卉图像识别，成果应用于百度App。

全方位保障服务

60小时精剪视频

300道编程题目 + 解析精讲

20个实验项目 + 实操源码

12个月超长期陪伴答疑

限报50人，小班VIP周到辅导

全方位答疑：微信群答疑 + 远程调试 + 视频解答

3节试听课，不满意全额退款

课程范围内问题24小时不解答全额退款

扫码添加极值学院微信

立即领取大额优惠券＋报名资料礼包！

▼

- 课程目录 -

【课程一】Python零基础入门与科学计算

第一篇 Python基础入门

1 Python的安装

2 Python的语法

3 内置数据结构

4 文件操作

5 文件目录操作

6【复习】课程作业讲解

7 函数的定义和调用

8 面向对象编程(1)

9 面向对象编程(2)

10【复习】课程作业讲解

11 具有Python风格地编程

12 常用技术介绍

13【复习】课程作业讲解

第二篇 科学计算与绘图

1 数值矩阵型数据交给NumPy

2 NumPy 进阶操作

3 【课后作业讲解与答疑】

4 Matplotlib 绘图

5 【课后作业讲解与答疑】

6 Pandas 基本操作

7 Pandas 进阶操作

8 【课后作业讲解与答疑】

【课程二】Python机器学习与数据挖掘实践

1 最强大脑之“分形之美”

1.1 数学分形简介

1.2 模型建立与求解

1.3 Python 程序讲解

1.4 模型的评价与拓展

1.5 模型的变型与思考

2 助攻微信“跳一跳”游戏

2.1 微信“跳一跳”简介

2.2 模型建立与求解

2.3 Python 程序讲解

2.4 模型的评价与拓展

2.5 模型的变型与思考

3 模型的建立

3.1 sklearn转换器

3.2 聚类模型

3.3 分类模型

3.6 回归模型

3.5 相关模型

3.6 降维模型

3.7 课后作业

4 回归分析(Regression Analysis)

4.1 线性回归和非线性回归

4.2 实训：基于回归分析预测房价及变化趋势

4.3 Python程序讲解和注意事项

4.4 课后作业

4.5 课后测试

5 逻辑回归(Logistic Regression)

5.1 Logistic回归原理介绍

5.2 实训：基于逻辑回归预测泰坦尼克号乘客的存活率

5.3 Python程序讲解和注意事项

5.4 课后作业

5.5 课后测试

6 课程复习与课后作业讲解

6.1 第1~5节课后作业讲解

6.2 阶段复习

6.3 阶段考试

7 决策树(Decision Tree)

7.1 决策树原理介绍

7.2 实训：基于决策树算法对男女性别进行分类

7.3 Python程序讲解和注意事项

7.4 课后作业

7.5 课后测试

8 课程复习与课后作业讲解

8.1 第7节课后作业讲解

8.2 阶段复习

8.3 阶段考试

9 人工神经网络(Artificial Neural Network)

9.1 人工神经网络原理介绍

9.2 实训：基于BP人工神经网络对MNIST数据集进行识别和预测

9.3 Python程序讲解和注意事项

9.4 课后作业

9.5 课后测试

10 课程复习与课后作业讲解

10.1 第9节课后作业讲解

10.2 阶段复习

10.3 阶段考试

11 k近邻分类(k Nearest Neighbor)

11.1 k近邻分类原理介绍

11.2 实训：基于k近邻分类对小麦种子进行分类

11.3 Python程序讲解和注意事项

11.4 课后作业

11.5 课后测试

12 期中考试及点评讲解

12.1 课程期中考试

12.2 考后点评讲解

12.3 模型建立与求解

12.4 模型的评价与拓展

12.5 试题的变型与思考

13 朴素贝叶斯分类(Naive Bayesian)

13.1 朴素贝叶斯分类原理介绍

13.2 实训：基于朴素贝叶斯分类对文本进行扫黄分析

13.3 Python程序讲解和注意事项

13.4 课后作业

13.5 课后测试

14 课程复习与课后作业讲解

14.1 第10~13节课后作业讲解

14.2 阶段复习

14.3 阶段考试

15 聚类分析(Cluster Analysis)

15.1 朴素贝叶斯分类原理介绍

15.2 实训：基于聚类分析对鸢尾花(iris)数据集分类

15.3 Python程序讲解和注意事项

15.4 课后作业

15.5 课后测试

16 课程复习与课后作业讲解

16.1 第15节课后作业讲解

16.2 阶段复习

16.3 阶段考试

17 支持向量机(Support Vector Machine)

17.1 支持向量机原理介绍

17.2 实训：基于支持向量机对MNIST数据集分类及参数的调优

17.3 Python程序讲解和注意事项

17.4 课后作业

17.5 课后测试

18 课程复习与课后作业讲解

18.1 第17节课后作业讲解

18.2 阶段复习

18.3 阶段考试

19 机器学习概论

19.1 机器学习概述

19.2 机器学习的常见算法

19.3 机器学习的编程语言

19.4 机器学习的应用

20 数据挖掘概论

20.1 数据挖掘概述

20.2 数据质量探索与数据特征分析

20.3 数据清洗、数据集成、数据变换、数据规约

20.4 模型评估与选择

21 数据预处理

21.1 获取数据

21.2 合并数据

21.3 清洗数据

21.4 标准化数据

21.5 转换数据

22 期末考试及点评讲解

22.1 课程期末考试

22.2 考后点评讲解

22.3 模型建立与求解

22.4 模型的评价与拓展

22.5 试题的变型与思考

【课程三】Python深度学习与数据挖掘实战

1 最强大脑之“数独迷宫”与“七阶立方”

1.1 “数独迷宫”与“七阶立方”简介

1.2 模型建立与求解

1.3 Python 程序讲解

1.4 模型的评价与拓展

1.5 模型的变型与思考

1.6 课后作业

1.7 课后测验

2 深度学习的主流框架Tensorflow

2.1 Tensorflow简介

2.2 Tensorflow的安装

2.3 Tensorflow的基本使用

2.4 Tensorflow的例子与资料

2.5 课后作业

2.6 课后测验

3 深度学习的主流框架PyTorch

3.1 PyTorch简介

3.2 线性模型

3.3 梯度下降

3.4 Pytorch程序讲解和注意事项

3.5 课后作业

3.6 课后测验

4 主流框架PyTorch基础

4.1 BP反馈

4.2 线性回归

4.3 逻辑回归

4.4 Pytorch程序讲解和注意事项

4.5 课后作业

4.6 课后测验

5 主流框架PyTorch进阶

5.1 宽度与深度

5.2 数据的导入

5.3 Softmax分类器

5.4 Pytorch程序讲解和注意事项

5.5 课后作业

5.6 课后测验

6 前馈神经网络(Feed Forward Network)

6.1 前馈神经网络算法

6.2 实训：对MNIST数据集进行识别

6.3 Pytorch程序讲解和注意事项

6.4 课后作业

6.5 课后测验

7 卷积神经网络(Convolution Neural Network)

7.1 卷积神经网络算法

7.2 实训：对MNIST数据集进行识别

7.3 Pytorch程序讲解和注意事项

7.4 课后作业

7.5 课后测验

8 习题课与阶段考试

8.1 第1~7节作业讲解

8.2 作业的拓展与变型

8.3 阶段考试

9 深度残差网络(Deep Residual Network)

9.1 深度残差网络算法

9.2 实训：对CIFAR-10数据集进行识别

9.3 Pytorch程序讲解和注意事项

9.4 课后作业

9.5 课后测验

10 循环神经网络(Recurrent Neural Network)

10.1 循环神经网络算法

10.2 实训：对MNIST数据集进行识别

10.3 Pytorch程序讲解和注意事项

10.4 课后作业

10.5 课后测验

11 图片验证码识别 (光学字符识别)

11.1 背景介绍

11.2 验证码的识别

11.3 程序讲解和注意事项

11.4 课后作业

11.5 课后测验

12 改进：基于 Tensorflow 和卷积神经网络 CNN 识别验证码

12.1 TensorFlow 介绍

12.2 验证码的识别

12.3 程序讲解和注意事项

12.4 课后作业

12.5 课后测验

13 文本数据情感分析

13.1 背景介绍

13.2 文本数据情感分析

13.3 TensorFlow 中搭建 RNN 框架

13.4 课后作业

13.5 课后测验

14 改进：基于 Tensorflow 和循环神经网络 RNN 文本分析

14.1 文本数据情感分析简介

14.2 循环神经网络 RNN

14.3 程序讲解和注意事项

14.4 课后作业

14.5 课后测验

15 阶段复习之Tensorflow的基本操作

15.1 阶段复习

15.2 阶段考试

16 基于关联规则(Apriori)分析对超市购物的商品关系

16.1 关联规则(Apriori)

16.2 实训一：关联规则分析超市的商品关系

16.3 实训二：关联规则分析毒蘑菇的相似特征

16.4 程序讲解和注意事项

16.5 课后作业

16.6 课后测验

17 阶段复习之Tensorflow的进阶操作

17.1 阶段复习

17.2 阶段考试

18 基于用户和物品的协同过滤算法进行智能推荐

18.1 协同过滤算法简介

18.2 协同过滤算法的核心

18.3 协同过滤算法的应用方式

18.4 基于用户的协同过滤算法实现

18.5 基于物品的协同过滤算法实现

18.6 课后作业

18.7 课后测验

19 阶段复习之Tensorflow的高级操作

19.1 阶段复习

19.2 阶段考试

20 期末考试

20.1 期末复习

20.2 期末考试

20.3 题目讲解

- 课程时间 -

【课程1】Python零基础入门(20学时)

【课程2】Python机器学习与数据挖掘实践(20学时)

【课程3】Python深度学习与数据挖掘实战(20学时)

- 上课形式 -

1、全程录播课，定时发布，主讲老师和助教同步答疑；

2、课程配套作业题和作业讲解课；

3、课程配专属答疑群，全程陪同，随时解答疑惑。

- 限量优惠 & 福利 -

1、报名现在添加极值学院助教微信(jizhi-xingchen)，发送“python”，即可领取限量大额优惠券(仅限 20 个，先到先得！)

报一门课，可领 100 元优惠码

两门连报，可领 300 元优惠码

三门联报，可领 500 元优惠码

2、现在报名课程，即可获得 10G Python 资料大礼包 ：

扫码添加极值学院微信

立即领取大额优惠券＋报名资料礼包！

▼