博学谷 > 资讯 > Python > Python数据分析培训班学什么?学完有什么用?

原创 Python数据分析培训班学什么?学完有什么用?

发布时间:2019-08-28 18:38:52 浏览 380 来源:博学谷资讯 作者:照照

    Python数据分析培训班学什么?以博学谷“所有人都能学的数据分析课”为例,课程内容既有数据库管理、统计理论方法这样的基础理论知识,又有数据分析主流软件的应用操作,而且对一整套数据分析流程技术都进行系统而又充分的讲解。大家学完该课程能获得在各行业都能分析数据的能力,达到达到中级数据分析师的水平。以下是数据分析的具体课程安排:

     

    Python数据分析培训班学什么

     

    1、Python数据分析培训班课程大纲:

     

    第 一 章:数据分析师职业概览

     

    1-1 数据分析师的职业概览

     

    1-1-1 数据分析师的“钱”景如何

     

    1-1-2 什么人适合学数据分析

     

    1-1-3 数据分析师的临界知识

     

    1-1-4 数据分析师的主要职责

     

    第 二 章:数据分析和数据挖掘的概念和理论

     

    2-1 基础概念

     

    2-1-1 数据分析及数据挖掘定义

     

    2-1-2 数据分析与数据挖掘的层次

     

    2-1-3 数据分析及数据挖掘三要素

     

    2-1-4 本节小结

     

    2-2 探索性数据分析

     

    2-2-1 如何描述业务量数据

     

    2-2-2 可视化展示的原则

     

    2-2-3 本节小结

     

    2-3 预测和分类

     

    2-3-1 预测和分类的概念模型、流程

     

    2-3-2 分类和预测:线性回归

     

    2-3-3 逻辑回归

     

    2-3-4 决策树算法

     

    2-3-5 支持向量机

     

    2-3-6 朴素贝叶斯

     

    2-3-7 本节小结

     

    2-4 分群和降维

     

    2-4-1 聚类算法的基本概念

     

    2-4-2 层次聚类

     

    2-4-3 K-means聚类

     

    2-4-4 降维模型-PCA

     

    2-4-5 本节小结

     

    第 三 章:统计学基础和SPSS软件应用

     

    3-1 描述性统计分析

     

    3-1-1 统计分析的目的

     

    3-1-2 统计分析的关键概念

     

    3-1-3 四种测量尺度

     

    3-1-4 集中趋势—均值

     

    3-1-5 集中趋势—中位数和众数

     

    3-1-6 离散趋势-极差和标准差

     

    3-1-7 案例操作-如何实现离中趋势和集中趋势

     

    3-1-8 本节小结

     

    3-2 假设检验/统计判断

     

    3-2-1 统计学本质

     

    3-2-2 统计学两大定理

     

    3-2-3 统计推断-抽样误差与标准误

     

    3-2-4 统计推断-t分布

     

    3-2-5 统计推断—参数估计

     

    3-2-6 统计推断—假设检验

     

    3-2-7 本节小结

     

    3-3 抽样方法

     

    3-3-1 统计过程

     

    3-3-2 抽样的概念

     

    3-3-3 抽样方法与非抽样方法

     

    3-3-4 抽样调查与普查的特点

     

    3-3-5 非抽样误差

     

    3-3-6 非抽样误差的三种类型

     

    3-3-7 无回答误差的处理

     

    3-3-8 抽样过程

     

    3-3-9 抽样单元与抽样框

     

    3-3-10 抽样形式

     

    3-3-11 概率抽样-简单随机抽样和系统抽样

     

    3-3-12 概率抽样-PPS抽样

     

    3-3-13 概率抽样-分层抽样

     

    3-3-14 非概率抽样-区域抽样、时间抽样和电话抽样

     

    3-3-15 本节小结

     

    3-4 一般线性模型

     

    3-4-1 t检验

     

    3-4-2 t检验-案例实践

     

    3-4-3 F检验

     

    3-4-4 F检验-案例实践

     

    3-4-5 相关分析

     

    3-4-6 相关分析-案例实践

     

    3-4-7 线性回归

     

    3-4-8 线性回归-案例实践

     

    3-4-9 本节小结

     

    第 四 章:数据预处理基础

     

    4-1 数据分析前的准备工作

     

    4-1-1 统计工作流程

     

    4-1-2 统计准备工作

     

    4-1-3 数据检查要点

     

    4-1-4 开放题的准备

     

    4-1-5 本节小结

     

    4-2 数据清洗

     

    4-2-1 数据清洗的概念和流程

     

    4-2-2 字段选择与数据质量报告

     

    4-2-3 数据清洗主要工作

     

    4-2-4 错误值和异常值处理方法

     

    4-2-5 缺失值处理方法

     

    4-2-6 异常值和缺少值的处理操作

     

    4-2-7 本节小结

     

    4-3 数据规范化

     

    4-3-1 数据转化

     

    4-3-2 数据离散化与数据扩充

     

    4-3-3 数据合并与拆分

     

    4-3-4 本节小结

     

    第 五 章:Mysql教程

     

    5-1 SQL简介

     

    5-1-1 SQL简介

     

    5-1-2 建立数据库

     

    5-1-3 建立数据表和约束条件

     

    5-1-4 插入和更改

     

    5-1-5 本节小结

     

    5-2 基本查询语句

     

    5-2-1 基本查询语句

     

    5-2-2 本节小结

     

    5-3 交叉查询和子查询

     

    5-3-1 聚合函数和交叉查询;group by

     

    5-3-2 子查询(in、not in)&模糊匹配 Like

     

    5-3-3 本节小结

     

    5-4 练表查询

     

    5-4-1 连表查询

     

    5-4-2 本节小结

     

    第 六 章:Excel分析及可视化

     

    6-1 Excel简介

     

    6-1-1 Excel简介

     

    6-2 Excel函数技巧

     

    6-2-1 函数的简介

     

    6-2-2 查找函数—vlookup和hlookup

     

    6-2-3 查找函数—INDEX和MATCH

     

    6-2-4 统计函数

     

    6-2-5 逻辑函数(上)-if、and和or

     

    6-2-6 逻辑函数(下)

     

    6-2-7 日期函数和文本函数

     

    6-2-8 本节小结

     

    6-3 Excel快速处理技巧

     

    6-3-1 宏的技巧

     

    6-3-2 数据透视表和选择性粘贴

     

    6-3-3 格式调整技巧

     

    6-3-4 查找和定位&数据有效性技巧

     

    6-3-5 快捷键相关技巧

     

    6-3-6 本节小结

     

    6-4 Excel可视化技巧

     

    6-4-1 如何制作一张图

     

    6-4-2 组合图的做法

     

    6-4-3 条形图的变体

     

    6-4-4 数据气泡地图的做法

     

    6-4-5 本节小结

     

    第 七 章:进阶统计学

     

    7-1 多变量分析方法选择思路

     

    7-1-1 多变量分析方法的选择

     

    7-1-2 无监督分析和有监督分析

     

    7-1-3 无监督分析的原则

     

    7-2 因子分析

     

    7-2-1 因子分析使用场景

     

    7-2-2 因子的概念及分析过程

     

    7-2-3 因子数的推定

     

    7-2-4 因子轴的旋转

     

    7-2-5 因子解释及因子得分计算

     

    7-2-6 案例实践

     

    7-2-7 如何用因子分析做评价

     

    7-3 聚类分析

     

    7-3-1 聚类分析使用场景

     

    7-3-2 聚类分析算法

     

    7-3-3 非层次法聚类K-means

     

    7-3-4 K-means-案例实践

     

    7-3-5 二阶聚类

     

    7-4 对应分析

     

    7-4-1 对应分析使用目的及结果解读

     

    7-4-2 对应分析案例实践

     

    7-5 多维尺度分析

     

    7-5-1 概念和使用场景

     

    7-5-2 多维尺度分析举例

     

    7-5-3 案例1:根据学生评分进行分座位

     

    7-5-4 案例2:根据学生考试成绩进行分座位

     

    7-5-5 案例3:根据手机的相似度判断竞争力

     

    7-5-6 多维尺度的不足及替代方法

     

    7-6 时间序列分析

     

    7-6-1 时间序列使用场景

     

    7-6-2 两种类型的时间序列

     

    7-6-3 时间序列模型ARIMA

     

    7-6-4 时间序列中的处理方法

     

    7-6-5 案例实践—某连锁超市销售额影响因素预测

     

    7-7 Logistic

     

    7-7-1 使用场景和理论背景

     

    7-7-2 Logisitic案例实践-用户流失的影响因素及新用户预测

     

    第 八 章:经典数据挖掘算法

     

    8-1 数据挖掘基础及数据分层抽样

     

    8-1-1 生活中熟悉的数据挖掘案例

     

    8-1-2 数据准备及数据分割方式

     

    8-1-3 数据分析与数据挖掘的联系与区别

     

    8-1-4 Modeler软件介绍

     

    8-1-5 如何在Modeler实现数据分层抽样

     

    8-2 朴素贝叶斯

     

    8-2-1 朴素贝叶斯原理

     

    8-2-2 朴素贝叶斯算法过程

     

    8-2-3 朴素贝叶斯算法举例

     

    8-2-4 朴素贝叶斯算法优点及不足

     

    8-2-5 案例实践-使用贝叶斯网络建模

     

    8-3 决策树

     

    8-3-1 决策树应用场景

     

    8-3-2 决策树算法(1)—ID3

     

    8-3-3 决策树算法(2)—C4.5

     

    8-3-4 决策树算法(3)—回归树CART

     

    8-3-5 决策树算法(4)-CHAID

     

    8-3-6 防止过度拟合的问题

     

    8-3-7 使用Modeler如何做决策树

     

    8-4 神经网络

     

    8-4-1 神经网络的组成

     

    8-4-2 计算误差函数,修正初始权重

     

    8-4-3 神经网络与其他分析的关系

     

    8-4-4 案例实践

     

    8-5 支持向量机

     

    8-5-1 支持向量机原理介绍

     

    8-5-2 线性可分与线性不可分

     

    8-5-3 案例实践

     

    8-6 集成算法和模型评估

     

    8-6-1 集成算法的目的与方式

     

    8-6-2 Bagging与Boosting的计算原理

     

    8-6-3 根据混淆矩阵进行模型评估

     

    8-6-4 在Modeler中画出GAIN曲线图和Lift曲线图

     

    8-6-5 学习资料拓展

     

    第 九 章:R语言入门及基础分析

     

    9-1 R语言基础操作

     

    9-1-1 初识R语言

     

    9-1-2 R语言的基本操作

     

    9-1-3 R语言的数据结构介绍

     

    9-1-4 向量和矩阵的基本操作

     

    9-1-5 数据框的操作

     

    9-1-6 循环控制流—for&whlie

     

    9-1-7 条件选择控制流-if

     

    9-1-8 自定义函数

     

    9-1-9 R语言关于概率分布的函数及应用介绍

     

    9-1-10 离散随机变量分布和连续随机变量分布

     

    9-2 R语言描述性数据分析

     

    9-2-1 探索性数据分析—集中趋势和离中趋势

     

    9-2-2 探索性数据分析—相关系数及函数介绍

     

    9-2-3 探索性数据分析—假设检验

     

    9-3 R语言回归算法

     

    9-3-1 回归基本算法及相关函数介绍(上)

     

    9-3-2 回归基本算法及相关函数介绍(下)

     

    9-3-3 模型选择

     

    9-3-4 回归诊断

     

    9-4 R语言分类算法

     

    9-4-1 逻辑回归(上)

     

    9-4-2 逻辑回归(下)

     

    9-4-3 决策树算法

     

    9-4-4 决策树的剪枝

     

    9-4-5 随机森林

     

    9-5 R语言聚类和降维

     

    9-5-1 使用R如何实现层次聚类

     

    9-5-2 使用R如何实现kmeans聚类法

     

    9-5-3 如何判定聚类的好坏

     

    9-5-4 使用R如何实现PCA降维算法

     

    第 十 章:Python入门及基础分析

     

    10-1 概述与基本操作

     

    10-1-1 课程与开发环境简介

     

    10-1-2 帮助文档的获取&基础操作

     

    10-1-3 基础操作:整数、小数、复数&列表、字符串、字典

     

    10-1-4 自定义函数

     

    10-1-5 Jupyter常用快捷键以及自动补全功能的实现

     

    10-1-6 本节小结

     

    10-2 Numpy

     

    10-2-1 从头创建一个数组

     

    10-2-2 案例实践-如何实现99乘法表和老虎机

     

    10-2-3 数组的操作

     

    10-2-4 数组的计算

     

    10-2-5 数组的广播

     

    10-2-6 比较、掩码和布尔逻辑

     

    10-3 Pandas

     

    10-3-1 序列和数据框

     

    10-3-2 索引和切片

     

    10-3-3 通过索引运算和生成新的列

     

    10-3-4 文件的读取和写入

     

    10-3-5 缺失值处理

     

    10-3-6 数据连接

     

    10-3-7 分组和聚合

     

    10-3-8 数据透视表

     

    10-3-9 字符串的处理

     

    10-3-10 本节小结

     

    10-4 Matplotlib与python作图

     

    10-4-1 基础作图—折线图和散点图

     

    10-4-2 基础作图—直方图和饼图

     

    10-4-3 图表设置--子图和图例

     

    10-4-4 图表设置—标签、表格样式和cmap

     

    10-4-5 高级作图

     

    10-4-6 本节小结

     

    10-5 Sklearn与机器学习基础

     

    10-5-1 线性回归

     

    10-5-2 逻辑回归的原理、模型实现与正则化

     

    10-5-3 逻辑回归的模型的评估以及最优迭代次数

     

    10-5-4 贝叶斯分类器的实现过程

     

    10-5-5 朴素贝叶斯算法案例-手写数字识别

     

    10-5-6 数据预处理

     

    10-5-7 决策树和随机森林—熵和决策树

     

    10-5-8 决策树和随机森林算法对比

     

    10-5-9 随机森林的调参

     

    10-5-10 支持向量机—核函数

     

    10-5-11 支持向量机是如何防止过拟合的

     

    10-5-12 如何使用Python实现PCA降维算法

     

    10-5-13 如何使用Python实现Kmeans聚类

     

    10-5-14 本节小结

     

    第 十一 章:课程总结图谱

     

    11-1 课程总结图谱

     

    11-1-1 课程总结

     

    2、Python数据分析培训班学完收获:

     

    (1)据业务场景和需求进行数据可视化过程,做出表达精准的数据图.

     

    (2)掌握数据清洗、数据规范化等数据预处理的操作流程.

     

    (3)学会使用Excel、SQL、modeler 、SPSS、R语言、 Python语言进行数据分析和数据挖掘.

     

    (4)独立完成数据建模分析,诊断各环节运营数据情况,支持决策、提供策略并推动落地.

     

    (5)胜任中级数据分析师的岗位。

     

    看到这相信大家对Python数据分析培训班的学习内容有了大致的了解,相信大家只要好好跟着老师学,学完一定能收益良多。

上一篇:Python for循环学习总结 下一篇:有没有比较好的数据分析培训机构推荐?

相关推荐 更多

最新文章

扫描二维码,回复"Python"获取100G资料包

4887铁算结果开奖结果小说