cda

全国校区

您的位置:首页 > 课程列表 > Python数据分析师集训班 - 3个月

Python数据分析师集训班 - 3个月

Python数据分析师集训班 - 3个月

难度:


周期: 12周

13800

提前10天报名优惠500元

立即报名 花呗分期 体验课程

Python数据分析师集训班 - 3个月

 姓名:

 电话:

 邮箱:

   备注:

邀请码:

提交信息
  • WHAT 课程简介

    企业想要在竞争激烈的市场中胜出,决策的速度和反应的效率尤为重要。根据调查显示,75%的企业在面临拟定策略时,常常无法获得实时且有根据的决策信息。什么样的数据、要透过什么样的方法,才能快速且实时的转变成决策时有用的信息,是现代企业所面临最迫切性的问题。
    Python数据分析集训课程针对针对周末时间充裕、零基础的专科、本科在校生,以及在职&欲转行从事数据分析的工作人员提供3个月全脱产周末集训,毕业可推荐相关工作。
    课程内容以CDA数据分析师标准大纲要求,包含Python基础 – Pandas数据清洗 - Python爬虫 - Python数据可视化(Matplotlib、Seaborn、Pyecharts) - Python机器学习算法等内容,并结合互联网金融、电信、银行、医疗、交通等行业实际案例来帮助学员建立整套的数据分析和机器学习思路,案例涉及营销优化、风险控制、用户研究、商业部署等领域,使学员所学更符合企业要求。
  • WHY 学习目标

    熟练掌握数据科学领域最受欢迎的编程语言-Python
    掌握使用Python和pandas库进行数据清洗和预处理
    使用Python爬虫获取网络数据
    学会使用matplotlib、seaborn进行初级可视化
    学会使用Pyecharts进行高级数据可视化
    学会构建机器学习算法进行分类、预测和聚类模型
    使用Python进行数据分析整体思路、针对业务做出模型最优化选择
    善用机器学习解决用户画像、精准营销、风险管理等商业问题
    使用机器学习实操电商、金融、电信、医药行业真实项目案例
  • WHO 学习对象和基础

    想从事数据领域工作,缺乏实践技能的在校学生
    希望转行数据领域人员
    个人发展遭遇瓶颈的数据分析师
    有数据化运营需求的产品运营、市场人员及管理者
    对Python数据分析和挖掘感兴趣的业界人士

01Python编程基础知识

01-01成为Python高手之前必备基础知识
01-02数据分析的武器库与分析工具Python介绍
01-03Python的基本数据类型和数据结构
01-04Python的程序控制
01-05Python的函数与模块
01-06Python日期和时间处理
01-07Python字符串处理与正则表达式
01-08Python异常处理和文件操作
01-09实战:基于Python的函数创建与商业实操文件操作

02Python进行数据整理和数据清洗

01-01Numpy中的数据类型--ndarray数组的创建
01-02Numpy数组基础:索引、切片、变形、分裂
01-03Numpy数组运算:通用函数
01-04Numpy数组变形、拼接
01-05Numpy数组计算:广播、聚合、比较和掩码、数组排序
01-06Pandas对象简介:Series、Dataframe、Index
01-07Pandas数据加载与存储
01-08Pandas数值运算方法:通用函数、聚合函数、遍历
01-09Panda层次化索引
01-10Pandas数据处理:数据类型转换、缺失值处理、字符串转换
01-11Pandas数据表的合并与连接
01-12Pandas数据的累计与分组
01-13高性能Pandas:query()、eval()实现高性能运算
01-14Pandas数据规整化:清理、转换、合并、重塑
01-15Pandas时间序列&金融数据处理
01-16实战案例1:泰坦尼克幸存者数据清洗
01-17实战案例2:USDA食品数据清洗

03Python进行数据可视化技术-线上

01-01绘图思想的基本原理
01-02Python数据可视化包-Matplotlib介绍
01-03使用Matplotlib进行基本的图形绘制
01-04使用Python数据处理包Pandas做可视化
01-05Python数据可视化包-Seaborn介绍与图形绘制
01-06Python数据可视化包-Pyecharts介绍与图形绘制
01-07使用Python进行地图绘制-Pyecharts
01-08数据可视化技巧

04Python进行网络爬虫

01-01网络爬虫基础知识
01-02网络请求及响应-Requests库
01-03HTML文档解析-BeautifulSoup库
01-04常见反爬虫机制及应对
01-05网络爬虫 VS 网络数据抓取
01-06实战1:新东方批量下载头像
01-07实战2:抓取豆瓣书籍简介
01-08实战3:模拟浏览器selenium抓取电商商品信息及评论

05Python数据清洗高级操作及案例实战

01-01如何成为一名优秀的数据分析师
01-02P供Python读取的数据:CSV文件、JSON数据、XML数据
01-03数据的获取与存储:数据的不平等性、真实性、可读性、清洁度等
01-04对获取到的数据进行探索:埃博拉病毒危机、列车安全数据、童工数据
01-05数据清洗探索:找出要清洗的数据、数据格式化、找出离群值和不良数据、找出重复数据、模糊匹配、正则匹配等
01-06数据清洗探索:标准化和脚本化(数据归一化和标准化、找到适合项目的数据清洗方法、数据清洗脚本化、用新数据测试)
01-07数据探索和分析:数据探索(表函数探索、连接多个数据集、找出离群值、创建分组)
01-08数据探索与分析:分离和聚焦数据、描述结论、书写报告文档
01-09Pandas时间序列&金融数据处理
01-10数据清洗实战案例:泰坦尼克幸存者数据清洗&USDA食品数据清洗
01-11数据探索实例:为什么非洲童工雇佣的概率更高?腐败感和童工雇佣有什么关系?
01-12数据探索实例:国外电商用户购买信息的数据处理与探索:通过购物篮商品信息探索出客户来源、流失、留存率、消费水平及消费倾向。

06机器学习和数据挖掘概述-线上

01-01数据挖掘概念
01-02数据挖掘算法分类
01-03数理统计vs机器学习一般流程
01-04有监督学习算法
01-05无监督学习算法
01-06机器学习学习路线图和推荐书籍

07Python进行机器学习和sklearn实战-Part1

01-01机器学习入门介绍:机器学习基本思想、常用算法分类、算法库等
01-02Scikit-Learn入门介绍:特征矩阵、标签数组、评估器及常用函数
01-03Scikit-Learn特征工程:分类特征、文本特征、图像特征、特征衍生、缺失值填充、特征管道
01-04KNN-最近邻分类器、KD-Tree和KNN回归
01-05KNN算法示例:改进约会网站配对效果
01-06梯度下降算法:梯度下降、随机梯度下降和微批梯度下降
01-07原理补充:条件概率计算、全概率公式、K-S曲线、受试者特征曲线(ROC)等
01-08贝叶斯分类器:朴素贝叶斯、贝叶斯网络
01-09朴素贝叶斯算法示例:垃圾邮件过滤
01-10原理补充:梯度下降算法,包括梯度下降、随机梯度下降和微批梯度下降
01-11回归分析:线性回归、岭回归、LASSO和弹性网
01-12回归分析算法示例:预测海洋生物鲍鱼的年龄
01-13广义线性回归:Logistic回归和泊松回归
01-14Logistic回归算法示例:构建信用卡反欺诈模型

08Python进行机器学习和sklearn实战-Part2

01-01树模型:C4.5、C5.0和CART树
01-02树模型算法示例:红酒分类
01-03SVM支持向量机分类和支持向量机回归
01-04SVM算法示例:手写数字识别
01-05集成算法之Bagging类算法:Bagging、随机森林等
01-06集成算法之Boosting类算法:Boosting、GBDT梯度提升树、XgBoost等
01-07集成算法示例:泰坦尼克号幸存者预测
01-08神经网络算法:反向传播神经网路、卷积神经网络、LSTM等

09Python进行机器学习和sklearn实战-Part3

01-01聚类分析:K-means快速聚类、DBSCAN密度聚类、层次聚类等
01-02关联规则:Apriori、FP-Growth、PrefixSpan等
01-03无监督学习:LDA、LSI
01-04数据降维方法:PCA主成分分析和SVD奇异值分解
01-05Scikit-Learn常用功能介绍与使用:网格搜索、Pipline
01-06大型综合案例:利用Pipline选择模型构建机器学习流,并利用网格搜索完成模型调优

10电商行业综合案例

01-01电商行业和算法应用场景介绍
01-02案例1:基于电商销售数据的营销分析
01-03step1:数据的读取及数据清洗
01-04step2:数据整并和字段扩充、数据编码工作
01-05step3:聚类分析模型建置
01-06step4:模型的应用:精准营销和推荐
01-07案例2:基于关联规则的电商推荐案例
01-08案例3:基于物品的协同过滤的推荐
01-09案例4:基于用户的协同过滤的推荐

11金融行业综合案例

01-01金融行业和算法应用场景概述
01-02信用评分卡的设计流程
01-03案例:使用Python进行申请信用评分卡建置
01-04step1:数据读取和数据分析相关库加载
01-05step2:数据的预处理
01-06step3:数据探索:描述性分析和可视化
01-07step4:数据转换-WOE(Weight Of Evidence)转换
01-08step5:使用逻辑回归进行建模
01-09step6:模型评估和评分卡输出
01-10神经网络基础和案例
01-11机器学习调参方法
01-12非对称样本处理问题
01-13特征选择概述方法

12期末毕业答辩

01-01银行业之进件评分卡建置
01-02电信行业交叉销售案例分析
01-03零售行业忠诚客户价值预测
01-04航空业客户聚类与精准营销

来自业界的数据领袖团队

  • 吴昊天

    CDA数据分析研究院技术负责人兼高级讲师/CDA LEVEL II大数据分析师等级考试命题组组长

    曾就职于电子科技大学大数据中心,从事医疗大数据分析相关工作,拥有丰富的海量数据分析经验、算法研发经验、省级数据平台搭建经验,拥有算法专利若干,主要研究方向为机器学习和深度学习。
  • 李御玺

    台湾铭传大学教授/中华数据挖掘协会理事

    台湾大学博士,在其相关研究领域已发表超过260篇以上的研究论文,同时也是国科会与教育部多个相关研究计划的主持人。 其还兼任厦门大学数据挖掘中心顾问,中国人民大学数据挖掘中心顾问,IBM SPSS-China顾问。服务过的客户包括:中国工商局、中信银行、台新银行等。
  • 赵仁乾

    CDA数据分析研究院讲师/京邮电大学管理科学与工程硕士

    现就职于北京电信规划设计院,从事移动、联通集团及各省分公司市场、业务、财务规划、经济评价及运营咨询。重点研究方向包括离网用户挖掘、市场细分与精准营销、移动网络价值区域分析、潜在价值客户挖掘等。
权威 经管之家CDA LEVEL Ⅲ数据科学家认证证书,行业顶尖人才认证,已获得IBM大数据大学,中国电信,苏宁,德勤,猎聘,CDMS等企业的认可。
专业 CDA认证是根据商业数据分析专业岗位设立的一套体系化、科学化、正规化的人才标准。全国统考、专家命题、评分公平、流程严格,更具含金量。
权益 持证人享有系列特殊权益。证书皆绑定考生真实身份,可在CDA官网查询,确保唯一性与防伪性。证书三年审核一次,保证持证人的实力与权益。

认证介绍:
CDA数据分析师认证”是一套专业化,科学化,国际化,系统化的人才考核标准,分为CDA LEVELⅠ ,LEVEL Ⅱ,LEVEL Ⅲ,涉及金融、电商、医疗、互联网、电信等行业大数据及数据分析从业者所需要具备的技能,符合当今全球大数据及数据分析技术潮流,为各界企业、机构提供数据分析人才参照标准。经管之家为中国区CDA数据分析师认证考试唯一主办机构,于每年6月与12月底在全国范围举办线下数据分析师考试,通过考试者可获得CDA数据分析师认证证书。
CDA持证人福利
1.可吸纳为CDA Institute、中国数据分析师(CDA)俱乐部会员,活动中具有优先报名参与权。
2.可优先获得CDA内部就业及职业发展推荐。
3.免费参与CDA举办的中国数据分析师行业峰会、大数据峰会、研讨会等各项活动,Level Ⅱ与Level III持证人享受特权位置。
4.可申请加入CDA数据分析项目组,参与项目合作(提供项目给持证人演练)。
5.CDA Level Ⅰ持证人免费享受Peixun.net会员服务6个月(价值588 RMB),Level Ⅱ与Level III持证人免费享受peixun.net会员服务1年 (价值998 RMB);
6.其他特权皆以各类活动公告为主。
进入考试报名系统
  • Q:上课形式是怎么样的?

    A:课程分为现场班和远程直播班,现场班是现场面授,在北京有现场面授班,远程班采取现场直播 + 录播视频 + 线上答疑,不受地域限制,直播需和现场班同步时间学习,录播视频同学可以自主安排时间学习视频。
  • Q:如果学不会怎么办?

    A:首先,我们有一次免费学习的机会,如果还是学不会,授课老师会和学生面谈,发现问题所在,并让老师给出学习建议,查缺补漏,可以再跟着免费学一期。目前咱们还没有出现过这样的情况,对于学员来讲都是想尽快掌握技术能够运用到工作和实践中。
  • Q:本课程需要Python语言基础吗?

    A:不是必须的。本课程针对零基础学员学习,将从Python语言语法入门系统讲授知识,基础薄弱学员可通过报名课程预习视频学习。
  • Q: 在这门课程中会学习到什么?

    A: 你将在课程中学习如何选择不同的数据分析方法来解决问题,同时学会使用当前数据科学最主流和收欢迎的数据分析工具-Python。深入学习数据清洗、探索性分析、可视化技术和机器学习技术。使用在大数据、金融、智能领域进行预测分析,成为数据分析技术精英,具备加入领先科技企业的能力!

OK