一、编程语言&后端开发
1. Python：基础语法、数据处理、脚本开发
2. Flask 轻量Web框架：分层架构搭建、接口开发、用户权限管理、广告业务后台实现
3. SQL：数据库增删改查、表设计、实体/参照完整性、ER图、关系代数
二、大数据&机器学习/深度学习（核心优势）
1.数据预处理：缺失值填充、特征归一化、类别特征哈希、多数据集合并清洗
2.传统机器学习：K-Means用户聚类、协同过滤、CTR点击率预估、特征工程
3. 时序深度学习：LSTM网络原理、搭建时序行为建模模块，捕捉用户浏览/点击长依赖
4. 混合推荐系统：LSTM+CTR+K-Means加权融合架构，解决广告冷启动、数据稀疏问题
5.模型评估：AUC指标计算、消融实验、效果对比分析
6.数据集实操：Criteo、Amazon广告公开数据集完整流程处理
三、数据库&存储
1. SQLite轻量化数据库设计，多条件联合查询
2.数据表规范设计、主键/外键约束、完整性约束
四、Linux &运维部署
1. Linux基础命令、项目本地服务器部署
2.程序日志查看、简单故障排查、公网穿透基础使用
3.软件环境配置、项目打包运行
五、软件工程&工程化能力
1. UML建模：用例图、活动图、系统功能结构图、三线表绘制
2.需求说明书撰写、系统模块化拆分（用户模块、广告管理、系统权限模块）
3.软件测试：功能测试、全流程业务验证
4.毕业设计完整工程落地：从需求→设计→编码→实验验证全套流程

基于大数据分析的智能广告投放系统的设计与实现
基于Python Flask架构的全栈智能广告平台，集成LSTM深度学习推荐引擎，支持多源数据采集、CTR预估、用户行为序列建模与实时可视化分析。
▸ 深度学习工程化：独立设计并实现LSTM CTR预估模型（双层LSTM+Embedding多输入架构），完成从模型训练到Web在线推理的全链路集成。
▸ 多源数据处理：完成Criteo DAC（20万条）、Amazon电商广告（1,523条）、广告点击率挑战赛（39万条）三套数据集的采集、清洗、特征工程与对比实验。
▸ 数据库设计与维护：设计15张核心数据表，编写数据库。
▸系统架构与部署：基于Flask实现RBAC权限体系、API Token认证、Session管理；支持公网/局域网多终端访问。
▸数据可视化：基于pandas与scikit-learn构建数据分析流水线，实现ROC曲线、聚类分析等交互式可视化报表。