课程模块 | 课程名称 | 课程内容 |
Python认识和使用 |
python基础 |
Python版本特性介绍、Python应用场景及趋势发展、Python开发环境搭建、Python开发工具及运行环境、标识符与关键字、注释 |
Python入门 |
Python在各系统中的安装、应用场景及数据存储设计、Python程序开发基础指南、如何运行python代码 |
|
python基本语法 |
Python选择与循环、Python字符串处理、可视化python编程、数据及类型操作、Python对象、数字、序列、Python映射和集合类型、Python条件和循环、Python文件和输入输出、python错误和异常 |
|
python高级语法 |
函数和函数式编程、Python面向对象编程、Python正则表达式、Python函数编程、Python多线程编程、Python图形界面编程、Python数据库编程创建、Python扩展 |
|
数据库 |
数据库设计 |
数据库设计及运行管理、数据库设计过程讲解、概念结构设计与ER图、逻辑结构设计与ER转换规则、数据流图与数据字典、数据库设计物理模型、数据库事务与隔离级别、数据库范式及ACID特性、MySQL安装与登、数据库创建与删除 |
数据库基础 |
表结构创建,查看、字段类型与数据类型、字段增加,重命名,删除、记录的增加,修改,删除、表查询、条件查询、模糊查询、视图创建与操作、索引创建与操作 |
|
MongDB |
Mongodb初识、Mongodb快速部署、Mongodb数据库操作 Mongodb collection操作、Mongodb MapReduce、Mongodb数据导入/导出/备份/恢复、Mongodb安全、Mongodb权限控制、Mongodb Python API |
|
内存数据库Redis |
REDIS分布式缓存介绍、REDIS网络模型与内存管理、REDIS的数据一致性问题、REDIS支持的KEY类型、REDIS水平动态扩展、REDIS数据淘汰策略、REDIS访问工具、REDIS shell api、REDIS包引入、REDIS Python API |
|
高阶应用 |
urllib.lib库 |
Python urllib认识、urllib库的基本操作、urllib基本get请求、urllib基本post请求、超时配置与会话对象、代理与API |
requests库 |
Response对象与文件上传、Cookies与会话对象、超时与异常、综合应用案例、CSS选择器与bs4、BeautifulSoup基本介绍、BeautifulSoup安装、BeautifulSoup基本语法、BeautifulSoup的基本运算符、BeautifulSoup语法定位 |
|
css选择器与Xpath |
CSS选择器基本使用、Xpath基本介绍、Xpath基本语法、XPath 轴与表达式、Xpath的基本运算符、Xpath语法定位、常用的反爬虫技术、多线程与多进程爬虫、代理设置与Cookie操作、动态网页内容的抓取 |
|
Scrapy分布式爬虫 |
Selenium与PhantomJS、模拟表单登录、创建项目与定义Item、命令行工具、Spiders参数与选择器、Scrapy的Feed输出、数据收集与终端输出、Scrapy爬虫常见问题、vvScrapy爬虫调试优化 |
|
进军数据分析 |
数据分析 |
数据分析工具讲解、数值计算包学习、数据处理包Pandas、Pandas与数据库、读取文本文件、函数解析、利用DataFrame、关系型数据库驱动、非关系型数据库驱动、Web API操作网络资源 |
数据处理 |
数据清洗原理、缺失数据处理、合并数据集、数据DataFrame合并、数据轴向连接、数据样本分位数、数据聚合运算、面向列的多函数应用、定义不同列的函数、通过函数进行分组 |
|
Matplotlib |
Matplotlib基本介绍、Matplotlib可视化包认识、2D与3D图表图表使用、Matplotlib图像显示、Matplotlib应用、从文件加载数据、从网络加载数据、绘图与可视化、统计学基础、时间序列分析基础 |
|
SPSS、SK-LEARN |
序列分析周期算法与应用、机器学习知识、spss软件介绍、spss使用算法简单讲解、sk-learn算法讲解、sk-learn安装、sk-learn算法调用、pandas接入模型、statsmodels使用、线性模型估计 |
|
项目实战 |
个人用户信用评估 |
针对脱敏的几十个维度的用户数据,以及银行提供的黑名单,建立个人用户的信用评估模型;在建模过程中涉及到用户数据缺失值处理,特征筛选,特征量化,类别不平衡策略,模型参数调优;涉及到SPSS数据分析,pandas,sklearn工具的使用;通过该项目的学习,完整掌握各类数据分析软件,分析流程以及相关算法。 |
运营商数据统计分析 |
对运营商用户真实浏览记录,利用浏览数据分类,以及爬虫抓取数据扩充标签,统计用户浏览行为,给用户贴上对应标签,针对个人用户以及群体用户的特征,进行相关数据推荐;涉及到数据全量与增量统计,实时计算,协同过滤等技术与算法,分布式爬虫部署,以及反爬虫策略;通过该项目学习,完整掌握数据抓取技术,海量数据实时计算,以及主流用户推荐算法。 |
|
电商网站评价情感分析 |
针对某互联网电商平台上的商品数据,抓取其评论数据,进行情感分析,并抽取评论关键词,分析用户关心的商品问题;涉及到爬虫知识,数据筛选,清洗,去重以及贝叶斯,LDA算法等;通过该项目的学习,加深对数据处理流程的理解以及对自然语言处理知识的认识。 |
|
股票数据拟合与推荐 |
针对网上获取的实时股票数据,利用多种方法对数据进行短期拟合,评估拟合效果,并在拟合多支股票的基础上,进行有价值股票的推荐;涉及到时间序列数据拟合,预警等技术;通过该项目的学习,加深对时间序列分析与理解。 |
懂工具:是指掌握数据分析相关的常用工具。数据分析工具就是实现数据分析方法理论的工具,面对越来越庞大的数据,依靠计算器进行分析是不现实的,必须利用强大的数据分析工具完成数据分析工作。同样,应该根据研究的问题选择合适的工具,只要能解决问题的工具就是好工具。
懂设计:是指运用图表有效表达数据分析师的分析观点,使分析结果一目了然。图表的设计是门大学问,如图形的选择、版式的设计、颜色的搭配等,都需要掌握一定的设计原则。
小班授课,人手一机,学练结合,0元试听和重修,终身技术支持。
教师授课与学生上机实践相结合,采用多媒体教学方式,保证学习效果。
采用案例教学法,符合人的认知规律,边讲边练,循序渐进地引导学员迅速掌握相应的知识和技能。
任课教师有多年教学经验,不仅精通所讲授课程,在教学过程中将自己的项目经验传授给学员。
5+年大数据开发经验
10+年互联网行业工作经验
原中软国际大数据高级开发工程师
国内Spark、Hadoop技术专家,对HDFS、MapReduce、HBase、Hive、Scala、Storm、spark和kafka等大数据生态系统中的技术进行了多年的深入的研究,更主要的是这些技术在大量的实际项目中得到广泛的应用,因此在Hadoop、Spark开发和运维方面积累了丰富的项目实施经验。
能够掌握数据整理能力。数据分析师必须学会数据整理,所谓数据整理,是将原始数据转换成方便实用的格式。很多数据都不能直接的看到我们需要的东西,所以,通过整理数据就能够使数据可视化,就是创建和研究数据的视觉表现。数据报表是将数据分析和分析出的结果制作成报告。也是数据分析师的一个后续工作。这些技能是做数据分析师的主要技能。
懂得设计。数据分析师应该会制作报表成果,还应该注重图表的设计。这样才能够让数据更直观的呈现在人们面前。在运用图表表达数据分析师的观点时,图表的设计会直接影响到图形的选择、版式的设计、颜色的搭配等,只有掌握设计原则以后才能让结果清楚明了。如果图表十分乱,这就不能够让数据直接的表现出来。
课程背景
随着大数据时代的到来,数据分析已成为热门职业。越来越多的人开始学习数据分析技能,以提高就业竞争力。成都作为中国西部地区比较大的城市之一,各种培训机构也相继涌现。但是,学习数据分析技能还需要选择适合自己的机构。
课程特色
1. 课程内容全面:数据分析基础、数据挖掘、数据可视化、机器学习等多个领域。
2. 实战项目丰富:针对不同领域的数据案例,提供实际项目案例。
3. 教学方法多样:采用视频课程、在线直播、教师答疑等多种方式。
课程目标
1. 熟练掌握数据分析的方法和理论;
2. 掌握数据处理和数据清洗技能;
3. 能够使用Python和R等统计分析工具进行数据分析;
4. 能够独立完成常见的数据挖掘、可视化和机器学习项目。
学习对象
1. 对数据有一定兴趣和了解的人;
2. 想要提高理论技能和职业竞争力的从业人员;
3. 想使用数据分析技术解决生活、工作中的问题的个人。
课程内容
1. 数据分析与挖掘基础;
2. Python和R语言基础;
3. 数据处理和清洗技术;
4. 数据可视化技术;
5. 机器学习算法;
6. 大数据技术和应用。
学习时长
课程时间不等,一般为三个月至半年。
收费范围
目前市场上各家培训机构收费参差不齐,大约在5000元至20000元之间。
学习收获
学习数据分析课程后,你将:
1. 掌握数据分析的常用方法和理论;
2. 熟练运用Python和R等统计分析工具进行数据分析;
3. 能够独立解决数据分析中的常见问题;
4. 能够有一定的机器学习理论基础和应用知识。
结语
以上所述信息仅作为参考,具体以到校咨询为准。如果您需要了解更多信息,可联系在线客服,预约免费体验课,以便更好地了解课程情况。