-
-
奈学课程顾问
-
全栈大数据分析师 1期
授课时间：周三、周五、周日 20:00-22:00
抢先预订名额
- 50+
已报名学员
- 2020-08-26
报名截止/开课时间
- 1.7.2
课程版本
课程简介/Course Introduction
- 随着大数据及人工智能的迅速发展，数据分析、数据挖掘、大数据等相关岗位大热；数据分析从海量数据中提取重要信息，继而进行分析企业现阶段的整体运营情况，了解各项业务的发展及变动情况；针对企业运营现状进行原因分析，指导业务发展，预测将来可能发生的情况，如金融信贷用户违约，防止电商用户流失等。课程通过多业务场景引入，深度讲解数据分析底层思维逻辑、相关技术工具，让你成为更懂业务的全栈大数据分析师！
适合人群/Suitable For People
-
初阶数据分析师
需构建完整的数据分析知识体系，提升业务
实战能力摆脱“人肉取数机器”，突破薪资瓶颈拥有
更开阔的业务视角，提升职场竞争力满足大厂数据分析
能力模型，斩获高薪Offer。 -
在校大学生和研究生
想从事数据分析行业，获得高薪offer专业不受限，
岗位薪资高，0基础就能学，学完就能用，
能写在校招和社招中体现简历上的真实项目经验。 -
产品/运营/市场
想要拿到大厂高薪Offer，成为业务操盘手，不拍脑门，
用数据驱动业务决策，搭建核心指标体系，
抓住业务核心本质，自动化办公，提升工作效率。
职业发展前景/Career Development Prospects
职业发展前景
师资团队/Faculty Team
李钊毕业于北京科技大学
数据分析专家、用户增长专家，10余年数据分析工作经验；原美国伯克利大学副研究员，深谙统计机器学习算法。前IT教育公司数据分析方向负责人，任学科总监，长期担任C端用户增长团队负责人。曾多次获得“最佳讲师”称号。有丰富的课程讲授的实战经验，历史受训学员3000+。
孙娟毕业于国防信息学院
8年数据分析及企业内训工作经验，曾就职于亚信移动事业部，参与CRM系统二期开发；数据库指标魔方统计，参于数据仓库的体系架构；某银行数据分析师，负责业务需求实现可视化开发。精通Oracle数据库，及Informatica，可视化Tableau实现企业驾驶舱，擅长将工作中所应用到的知识运用到教学实践，学以致用，熟悉商业智能体系架构。有丰富的企业技术培训和技术讲座的实战经验，历史受训学员2000+。
马中华毕业于湖北师范大学
前Oracle数据开发技术组负责人，动批网数据运营系统负责人，阿里云/腾讯云全球第一位认证金牌讲师，阿里云栖大会NLP专场特邀演讲嘉宾，混迹大数据开发和分析之江湖多年，精通各大大数据分析和处理技术，架构经验丰富，在数据挖掘，数据建模等方向也有丰富企业实战经验。有丰富的企业技术培训和技术讲座的实战经验，历史受训学员2000+。
曾益强毕业于东南大学
大数据技术专家、数据分析专家，前阿里巴巴大数据资深架构师，7年大数据研发经验，精通大数据生态技术源码；在数据分析方面，机器学习、深度学习方面，也有深入研究。著有《TensorFlow机器学习实战指南》《R语言编程指南：数据分析和可视化》等多本畅销书。
李希沅毕业于河北工程大学
前转转公司大数据资深架构师，Hadoop平台负责人，带头研发了公司任务调度平台，即席查询平台等核心平台，曾任东方国信大数据架构师，大数据技术经理，负责《联通全流量查询平台》《联通IP溯源平台》等多个PB级数据知名项目，曾架构管理联通10000+台机器大数据集群，并为中国平安，中国移动等多家企业内训，有丰富的授课经验。
李钊
孙娟
马中华
曾益强
李希沅
课程大纲/Syllabus
- 4
学习时长(月)
- 42
单元(个)
- 106
知识点(个)
第一阶段：行业指标分析&数据分析思维方法论
| 第一单元 | 数据分析技能在各行业业务应用 | 1.如何定义数据和指标 2.数据分析师主要职责 3.数据分析师的工作场景以及工作内容 4.数据收集 5.数据存储 6.数据处理 7.数据分析 8.数据可视化 9.数据分析报告 10.数据分析师素质要求 11.数据分析行业 |
| 第二单元 | 指标&搭建指标体系&数据分析项目流程 | 1.常见产品运营指标 2.用户获取：广告转化、渠道转化、渠道ROI、日应用下载量、用户获客成本 3.用户活跃：用户会话次数、用户访问时长、功能使用率、用户消费情况 4.用户留存：日留存、N日留存、周留存、用户流失率、退出率、K因子 5.用户传播：病毒传播周期、用户分享率、活动曝光量/浏览量、活动参与率 6.常用业务模型 7.用户结构分析:自然属性、社会属性、商业属性、心理属性、行为属性 8.用户行为分析:点击、浏览、转发、收藏、购买 9.用户价值分析:用户交易数据、广告价值 |
| 第三单元 | 商业智能分析方法论&分析方法 | 1.对⽐分析法 2.分组分析法 3.结果分析法 4.漏斗图分析法 5.矩阵关联分析法 6.SWOT/态势法 7.5W2H/七问法 8.逻辑树分析法 |
| 第四单元 | 搭建用户生命周期和用户增长模型 | 1.用户生命周期：引入期、成长期、成熟期、休眠期、流失期 2.⽤户⽣命周期运营策略：引⼊期-新客、成⻓期-⾸次成交用户、成熟期-忠实⽤户、休眠期-潜在流失⽤户、流失期-流失⽤⼾ 3.AARRR⽤⼾增⻓模型:获取/Acquisition、激活/Activation、留存/Retention、收⼊Revenue 和推荐/Referral 4.获取用户/Acquisition-⽤⼾如何找到我们 5.激活⽤户/Activation-⽤户的⾸次体验如何 6.⽤户留存/Retention-⽤户会回来吗 7.变现/Revenue-如何赚到钱 8.RFM模型概念及原理 9.如何使⽤RFM模型进⾏⽤⼾价值分类 |
| 第五单元 | 数据分析&行业分析 | 1. 快速使用Excel 技巧 1.1 查看 Excel 版本 1.2 快速定位菜单功能按钮 1.3 快速访问工具栏 1.4 固定首行 1.5 快速找到某个工作表 1.6 自动生成编号 1.7 高频使用快捷键 2. 业务场景实战&分析方法应用 2.1 对比分析法解决哪类产品销售好的问题 2.2 运用趋势分析法分析水果总需求如何 2.3 对各品类数据进行分组，对不同组进行不同对待-矩阵关联法(象限分析法) 2.4 销售情况分析-分组分析（分布情况） 2.5 运营环节转化情况-产品用户行为分析(漏斗分析） 2.6 用户价值分析-RFM建模 3. 数据透视表 3.1 数据透视表要求 3.2 创建数据透视表 3.3 数据透视表布局&多行，多筛选，值，空白行 3.4 多筛选格式调整&数据透视表选&项布局和格式 3.5 统计方式及值格式调整&值字段设置 3.6 数据透视表多维度计算&计算字段_横向计算，计算项_纵向计算 4 项目实战：电商销售分析看板、公众号监测仪表板 4.1 业务场景：品类销售、用户类型、城市排行、商品特征、新关注人数，取消关注人数，净增关注人数等 4.2 数据准备 4.3 制作主要步骤 4.4 分析图表 4.5 撰写数据分析报告 |
第二阶段：MySQL商业分析实战
| 第六单元 | SQL查询业务指标 | 1.下载&安装MySQL数据库 2.MySQL存储引擎及数据类型 3.IF语句、CASE语句等流程控制语句 4.DISTINCT去重查询 5.WHERE条件查询 6.GROUP BY、Having 分组查询 7.ORDER BY排序及LIMIT限制行数查询 8.COUNT、SUM等聚合函数查询 9.IN/子查询、ANY/子查询、ALL/子查询 10.汇总函数：Count、Avg、Sum、Max、Min 11.算数函数：Round、ABS、Mod 12.字符串函数：Length、Lower、Upper、Concat、Replace、Substring 13.日期函数：Corrent data、Corrent time 、Correct timestamp、Dataname |
| 第七单元 | SQL高效查询优化 | 1.使用索引加快查询效率 2.增加中间表优化查询 3.多表查询优化 4.建立索引涉及where、order by 5.慎用in、not in技巧 6.exists代替in&使用varchar代替char 7.常用事务操作 8.Sql查询优化细节 |
| 第八单元 | 构建结构化业务数据库/表 | 1.根据产品业务逻辑构建数据库 2.创建数据表 3.数据约束操作 4.数据更新操作 5.数据删除操作 6.修改表元素&添加列 7.添加自动增加的列 8.主键约束 9.唯一性约束 10.外键约束 11.检查约束 |
| 第九单元 | 业务指标统计分析 | 1.Row_number() over()等窗口函数查询及数据分析 2.LEFT JOIN等业务数据表关联查询 3.UNION、UNION ALL查询结果纵向合并融合 4.应用带IN、EXIST、ANY、ALL的子查询处理复杂业务逻辑 5.交叉表统计分析 |
| 第十单元 | 实战项目 | 1. 活动销数据统计分析（多表查询） 2. 用户价值划分模型（RFM模型） 一、业务场景:统计平台销售情况 二、灯塔指标:下单用户数，订单量， ＧＭＶ,客单价，取消订单量，订单取消率，退货订单量，商品退货率、ＧＭＶ 趋势，各渠道GMV趋势、购买频次，订单金额分布 三、分析方法： 1.SWOT/态势分析法 2.汇总统计 3.对比分析 4.分组分析 5.确定指标计算口径 四、使用工具：SQL 五、可视化分析：饼图，环图，折线图，漏斗图 六、结论: 1. 数据获取 2. 支持可视化和分析 |
第三阶段：分布式大数据应用Hive查询
| 第十一单元 | HQL大数据业务数据需求查询 | 1.大数据集群Hadoop分布式架构原理 2.HDFS、MR、YARN 3.Hive数据仓库 4.HQL数据查询基础语法 5.HQL与SQL的区别 6.数据库基本操作-库、表 7.分区表概念 8.分区意义和本质 9.动态分区属性设置及示例 10.分桶意义和价值 |
| 第十二单元 | HQL业务大数据指标统计分析 | 1.分区表与分桶表 2.关联表数据查询 3.常用内置函数 4.累计计算窗口函数(count,sum,min,max) 5.排序窗口函数row_number() over()、rank()、over() 6.偏移分析函数lag() over()、lead() over() 7.复杂数据类型array示例、map例、struct示例 8.嵌套数据类型 9.排名函数/窗口函数详解 10.自定义函数 |
| 第十三单元 | HQL大数据查询优化 | 1.Group by替换Distinct去重 2.Grouping sets、cube、rollup 聚合技巧 3.使用Lateral view进行行转列 4.数据倾斜的原因及解决办法 5.文件读取/解析的方式指定ROW FORMAT 6.序列化和反序列化 7.Hive文件存储及属性设置 8.Hive视图、日志和运行方式 9.Hive企业级调优 |
| 第十四单元 | 实战项目 | 1.用户活跃与画像 一、业务场景:统计平台销售情况 二、灯塔指标: 1.下单用户数，订单量， ＧＭＶ,客单价，取消订单量，订单取消率，退货订单量，商品退货率 2.ＧＭＶ 趋势，各渠道GMV趋势 3. 购买频次，订单金额分布 三、分析方法： 1.SWOT/态势分析法 2.汇总统计 3.对比分析 4.分组分析 5.确定指标计算口径 四、使用工具：HQL 五、可视化分析：饼图，环图，折线图，漏斗图 六、结论: 1. 数据获取 2. 支持可视化和分析 |
第四阶段：商务智能BI数据分析&BI可视化
| 第十五单元 | Tableau数据可视化 | 1.Tableau简介与入门知识 2.Tableau数据源与数据处理 3.Tableau工作表仪表板、故事创建及区别与联系 4.Tableau 组、集、参数创建 5.Tableau离线与实时数据展示 6.条形图、折线图、热力图、词云图等图形绘制 7.桑吉图、动态图、瀑布图、组合图等图形绘制 8.Tableau地图可视化 9.Tableau的一些高级操作:表计算、创建字段、创建参数、聚合计算 10.新的互动形式——集值set actions 11.Tableau可视化数据地图分组操作 |
| 第十六单元 | Power BI数据报表可视化 | 1.Quick BI简介 2.Quick BI管理控制台操作 3.Quick BI数据源与数据处理 4.Quick BI数据可视化 5.柱图&线图&饼图 6.散点图&雷达图&漏斗图 7.树图&地图&词云图 8.通过现有PowerPivot报告快速上手Power BI 9.Power BI Desktop界面介绍和数据导入整理 10.Power BI Desktop_建立数据分析模型 11.Power BI Desktop_生成企业级可视化报告 12.Power BI和Excel的配合 13.常用可视化图表介绍 |
| 第十七单元 | 实战项目 | 1.推广渠道评估指标体系搭建 2.电商行业销售分析仪表板（帕累托2/8法则等） 3.用户增长数据看板 一、业务场景:监测用户关键指标 二、灯塔指标: 1.各渠道新注册用户数，及购课率，付费用户数，复购用户数。 2.活跃用户数。 3.平均购课数。 4.新注册用户的趋势。 5.浏览，试看，加购，付款 各环节转化率。 三、分析方法： 1.SWOT/态势分析法 2.汇总统计 3.对比分析 4.确定指标计算口径 四、使用工具：Excel、Tableau可视化 五、可视化分析：饼图，环图，折线图，漏斗图 六、结论:监测数据，及时发现异常 |
第五阶段：Python数据分析实战&Python自动化办公
| 第十八单元 | Python数据分析编程 | 1.创建jupyter虚拟环境 2.Tab补全、jupyter快捷键 3.if、for循环、whlie循环 4.列表、字符串、元组、集合、字典 5.函数、文件、对象 6.类和对象之间的关系 7.继承中单继承与多继承 8.捕获异常、模块 9.使用自定义模块 10.文件操作、读文件 11.文件打开方式、写文件 |
| 第十九单元 | Numpy科学计算库 | 1.Ndarray数据类型 2.Ndarray与Python原生list运算率对比 3.创建一维数组、二维数组 4.调整数据组形状和常用属性 5.将数组转为List 6.Numpy数据类型 7.数组索引、切片和数组数值修改 8.数组添加、删除和去重 9.Numpy计算 10.数组拼接、分割 11.数组中nan和inf 12.二维数组转置 |
| 第二十单元 | Pandas数据分析库 | 1.Series与DateFrame数据结构 2.Pandas数据结构介绍 3.Series与DataFrame对象 4.DataFrame对象常用属性 5.Fataframe修改index、columns 6.本地数据的读取 7.缺失值、重复值、异常值处理 8.多层索引、时间序列、分组聚合 9.Group by机制对业务数据进行聚合与分组操作 10.数据处理、合并和多层索引 11.时间序列、分组聚合和分组 |
| 第二十一单元 | Matplotlib数据绘图 | 1.Matplotlib数据可视化 2.高频图像种类场景 3.实现Matplotlib画图 4.折线图绘制、颜色、形状和样式 5.设置图片大小及保存 6.绘制X轴和Y轴刻度 7.一图多个坐标系子图 8.设置坐标轴范围 9.改变坐标轴默认显示方式 10.绘制散点图、设置图像大小及图例 11.绘制条形图及横向条形图 12.并列及罗列条形图 13.绘制饼状图 |
| 第二十二单元 | Python自动化办公 | 1.Python控制Excel实现自动化办公 2.Python控制WORD实现自动化办公 3.Python控制PDF实现自动化办公 4.Python控制邮件实现自动化办公 5.Python控制报表实现自动化办公 |
| 第二十三单元 | Python数据分析综合项目 | 1.Python文本数据分析 2.探索性数据分析 3.电商高潜用户预测 4.Python构建用户画像体系 5.Python能源建筑预测报告 |
第六阶段：数据分析综合项目实战
| 第二十四单元 | 大促用户消费购买力分析 | 1.项目背景：
为更好进行用户的消费力拉动，针对性策划精准营销。对用户进行消费购买力分析。 2.核心技术： 数据预处理、业务经验逻辑、数据可视化 3.业务场景： 大促奢侈品精准用户营销等 |
| 第二十五单元 | 全民消费品趋势分析 | 1.项目背景：
对未来消费品趋势的挖掘与预测，提前布局。 2.核心技术： 数据预处理、数据可视化 3.业务场景： 大促会场选品、铺货、招商规划等。 |
| 第二十六单元 | 用户全链路体系构建 | 1.项目背景：
深度、全面、精细的分析电商用户，针对不同阶段、不同周期用户的特点制定个性化策略。 2.核心技术： 数据预处理、数据分析模型、可视化 3.业务场景： 拉新、唤醒等用户营销 |
| 第二十七单元 | 大促地域销售预测分析 | 1.项目背景：
深度、全面、精细的分析电商用户，针对不同阶段、不同周期用户的特点制定个性化策略。 2.核心技术： 数据预处理、数据分析模型、可视化 3.业务场景： 大促库存调控 |
| 第二十八单元 | 服饰类超级活动流量来源分析 | 1.项目背景：
超级会场流量来源去向分析 2.核心技术： 数据预处理、可视化 3.业务场景： 活动复盘，辅助营销策略布局。 |
| 第二十九单元 | 品牌及竞品用户全链路分析 | 1.项目背景：
指定品牌用户深度分析，竞品分析 2.核心技术： 数据预处理、4A模型、数据可视化 3.业务场景： 品牌各阶段用户营销 |
| 第三十单元 | 电商生态人群聚类 | 1.项目背景：
超级会场流量来源去向分析 2.核心技术： 数据预处理、聚类模型、可视化 3.业务场景： 用户营销 |
| 第三十一单元 | 大促下单时段偏好分析 | 1.项目背景：
大促活动时间甄选 2.核心技术： 数据预处理、数据可视化 3.业务场景： 活动时间、货品选择 |
| 第三十二单元 | 服饰全年销售趋势分析 | 1.项目背景：
销售分析 2.核心技术： 数据预处理、数据可视化 3.业务场景： 复盘、铺货、招商、活动营销等。 |
| 第三十三单元 | 毛衣偏好趋势分析 | 1.项目背景：
通过用户购买情况，详细分析趋势，引领未来潮流 2.核心技术： 数据预处理、数据可视化 3.业务场景： 秋上新活动选品 |
| 第三十四单元 | 销售监控分析 | 1.项目背景：
日常经分销售监控分析 2.核心技术： 数据预处理、数据可视化 3.业务场景： 经营分析 |
第七阶段：数据分析师&统计学分析
| 第三十五单元 | 描述统计&总体推断 | 1.统计学数据类型划分 2.Mean/均值、Mode/众数、Quantile/四分位数、Variance/方差 3.Standard/标准差、Z-score/标准分数、Skwness/偏度、Kurtosis/峰度 4.从集中趋势，离散程度，分布形态三方面描述数据 5.不同抽样方法优劣比较与使用场景 6.总体 、样本、 抽样三大不同性质分布 |
| 第三十六单元 | 抽样调查后推断总体情况（参数估计、假设检验） | 1.参数估计与假设检验 2.通过样本推断总体的方法与理论依据 3.估计量与估计值 4.点估计与区间估计 5.总体区间估计 6.假设表达式 7.假设检验两类错误 8.假设检验流程 9.A/B Test |
| 第三十七单元 | 筛选影响结果的关键性因素（方差分析，列联分析，相关分析） | 1.分类型数据与分类型数据关系度量（列联分析，独立性检验） 2.连续型数据与分类型数据关系度量（T检验，方差分析) 3.连续型数据与连续型数据关系度量 (相关分析） 4.数据类型 5.方差分析类型 6.正态性检验 7.方差齐检验 8.不满足方差齐性 9.方差分析、T检验、卡方分析区别 |
| 第三十八单元 | 判断事件是否含有季节、周期性变化（时间序列各因素拆解） | 1.时间序列数据的分析方法（移动平均，指数平滑，因素拆解等） 2.传统时序建模方法 3.现代预测方法 4.序列自相关性 5.时间序列基本规则法-周期因子法 |
| 第三十九单元 | 项目实战 | 1.产品迭代A/B Test 一、业务场景:为合理安排库存，需对下个月的销量进行预测。 二、灯塔指标: 1.统计以往个月销量 2.平滑掉运营活动影响 3.计算出运营活动对销量影响的系数 三、分析方法:时间序列预测 * 影响系数 四、使用工具:统计学工具 五、可视化分析:趋势图 六、结论:给出预测数量和估计区间 |
第八阶段：复杂业务问题&数据挖掘算法实战
| 第四十单元 | 算法建模进行数据分析 | 1.解析各算法基本函数、目标函数和最优函数 2.从数据清洗到探索性数据分析(EDA) 3.如何建立多种基础模型，如何选择最优算法 4.通过提升模型精度来展示结果 |
| 第四十一单元 | 高级课题—数据挖掘算法 | 1.KNN/K-近邻算法 2.朴素贝叶斯算法 3.最小二乘法 4.MLE/极大似然估计算法 5.特征工程 6.探索性数据分析 7.线性回归算法 8.逻辑回归算法 9.梯度下降算法 10.决策树算法 11.随机森林算法 12.聚类算法/K-Means |
| 第四十二单元 | 实战项目 | 1.逾期还款业务分析 - 逻辑回归算法 2.用户流失预警 - KNN算法、SVM算法 3.随机森林算法填充缺失值 一、业务场景:增大用户池的方法除用户引流外，就是控制用户流失，针对同状态的用户采取不同的运营方案，进行唤醒激活挽回等 二、灯塔指标: 1.刻画以往行为，访问平均间隔，最大间隔， 访问时长 2.最后一次访问距窗口期间隔长，消费金额，消费频次，消费优惠占比 三、分析方法：特征工程，逻辑回归，朴素贝叶斯等 四、使用工具：统计学、数据挖掘 五、可视化分析：饼图， 环形图 六、结论: 1.给出各用状态（活跃，睡眠，流失） 2.对不同用户采取不同方案 |
实战课程案例/Practical Course Cases
-
大促用户消费购买力分析
为更好进行用户的消费力拉动，针对性策划精准营销。对用户进行消费购买力分析。
-
全民消费品趋势分析
对未来消费品趋势的挖掘与预测，提前布局。
-
用户全链路体系构建
深度、全面、精细的分析电商用户，针对不同阶段、不同周期用户的特点制定个性化策略。
-
大促地域销售预测分析
深度、全面、精细的分析电商用户，针对不同阶段、不同周期用户的特点制定个性化策略。
-
服饰类超级活动流量来源分析
超级会场流量来源去向分析
-
品牌及竞品用户全链路分析
指定品牌用户深度分析，竞品分析
-
电商生态人群聚类
核心用户群画像分析，打造专属形象、口碑等
-
大促下单时段偏好分析
大促活动时间甄选
-
服饰全年销售趋势分析
销售分析
-
毛衣偏好趋势分析
通过用户购买情况，详细分析趋势，引领未来潮流
-
销售监控分析
日常经分销售监控分析
课程学习安排/Curriculum Arrangement
学习时长：4个月
周三、周五、周日 20:00-22:00（2小时）
名师大V倾囊授课；班主任全程解答，辅导
学业，5A级专业服务；线上社群互动；线
下沙龙交流；促学习、优人脉。
直播大课为主，实时在线互动，老师实时解答；录播课程为辅，协助时间不足或希望反复学习同学；分享预习资料、课程PPT、笔记、源码等资料。
教学服务体系/Teaching Service System
- 课前
- 课中
- 课后
- 课程结业
- 终身学员服务
- · 学员能力评估，职业规划辅导
- · 1对1班主任贴心服务
· 课程视频录像长期有效
· 真实大项目实战，助教老师辅导 - · 期期作业测试，督促学习
- · 简历修改优惠，面试辅导
· 内推岗位 - · 定期线下交流，行业人脉拓展
· 新课程，学员大优惠
课程收获/Lessons Learned
-
实战项目助力解决业务问题，工作一通百通
- · 多业务场景进行数据分析项目实战，同时提供大厂脱敏案例。针对不同行业，以数据分析师的⾝份深⼊实际场景中，真正学会数据分析的技能，达到赋能，学以致用。
-
掌握数据分析思维底层逻辑
- · 掌握数据分析的流程和⽅法论，快速搭建数据分析结构和业务指标，对数据分析有⼀个清晰的认知。掌握Excel常⽤技能，学会对业务数据进⾏科学有效处理和分析并展⽰分析结果。
-
应用BI数据可视化和大数据分析平台
- · 使用Tableau软件绘制各类图表，并能够制作仪表板，掌握各大企业高频使用的Power BI可视化工具
- · 大数据分析平台Hadoop分布式集群知识，重点学习Hive数仓，学习Hql查询，窗口函数的使用以及优化查询，轻松处理海量数据。
-
Python数据分析与建模
- · 能够掌握数据分析库numpy,pandas,matplotlib和sklearn，以及Python自动化办公
- · 掌握常用的数据分析方法，如描述统计分析法，分类分析，方差分析，回归分析，数据降纬，时间序列分析等，并结合项目深入理解分析，从企业真实生产环境出发，将算法与场景完美结合，真正实 现技术的深度赋能。