cda

全国校区

您的位置:首页 > 课程列表 > CDA数据分析师周末集训营(6个月)

CDA数据分析师周末集训营(6个月)

CDA数据分析师周末集训营(6个月)

难度系数:

课程系列:Level Ⅰ + Level Ⅱ


周期: 6个月

16800

立即报名 咨询老师

CDA数据分析师周末集训营(6个月)

 姓名:

 电话:

 邮箱:

   备注:

邀请码:

提交信息
  • WHAT 课程简介

    CDA数据分析师周末集训营针对周末时间充裕、在校生、期待系统提升数据分析技能或转行人员提供长达6个月的周末非脱产集训课程,毕业之后可以推荐相关工作。
    每期安排至少十位以上相关领域专家进行实战授课,以CDA数据分析师标准大纲体系为基础,课程内容涵盖数据库管理-统计学分析方法-数据分析软件应用(涵盖Excel、SQL、Tableau、SPSS、Python等)-数据挖掘算法模型一整套数据分析流程进行系统讲解,最后结合热门行业电商、金融、电信、等真实案例和业务出发,升华技术应用场景,使所学更符合就业要求, 达到企业用人标准,快速在大数据时代找准工作定位。学员毕业要求能够独立完成商业数据分析项目,能够掌握数据数据分析大多数岗位(包括数据分析师、可视化工程师、机器学习工程师、算法工程师等岗位等)技能。
  • WHY 学习目标

    熟练掌握Excel、SQL、Tableau、Python等数据分析软件;
    学会简单的网络数据爬取技术
    熟练掌握数据探索和数据清洗技能,可以独立完成特征工程的工作
    精通数据可视化,掌握BI可视化工具
    掌握数理统计基本理论知识;
    熟悉分类、回归、聚类、降维等常用数据挖掘算法;
    掌握数据分析在各行业的实际应用场景;
    可以独立完成数据建模工作;
    可以独立完成数据报告撰写;
    学会团队协作,分工完成大型数据分析项目。
  • WHO 学习对象和基础

    产品、运营、市场和项目管理人士
    在校高年级学生、转行欲从业人士
    在职数据分析师
    对数据分析和挖掘感兴趣的业界人士
    学习前最好具备大学数学和概率统计基础



课程案例,项目特训

点击图片任何区域可放大

知乎用户画像基本研究

案例介绍 知乎公司想要对本公司的用户群体进行分析,建立用户画像模型。在此过程中,数据清洗步骤是得到用户基本情况信息的重要步骤。基于数据分析的结论,可以给公司的精准营销、产品优化、业务布局等提供强有力的决策支持。
点击图片任何区域可放大

零售业销售情况监控仪

案例介绍 使用某零售业销售类业务数据,制作销售情况监控仪。帮助经营决策者了解不同年份下,不同国家地区下,不同产品的销售情况。从中发现经营问题,提前做出经营策略调整,为企业进行精准营销、提高销售收益提供数据决策依据。 学习收获 本项目将从业务理解、数据收集、数据加工、数据建模、数据分析、可视化展现六个阶段详细讲解商业智能分析报表的制作全过程。帮助同学们建立商业智能分析的全局观,理解Power BI各组件在解决整个商业智能分析问题时的作用。
点击图片任何区域可放大

电商精准营销之用户画像

案例介绍 由于企业的竞争是客户的竞争,大多数企业已经意识到有效的客户细分是企业介入客户竞争的核心竞争力,企业的服务营销策略也离不开有效客户细分的支持。 本项目,旨在分析一个电子商务数据库中4000多个用户一年内购买商品的详细信息,从而对客户分类。最终模型可以应用到推荐系统、客户画像等多个领域,有较强的可实践性,及一定的商业价值。
点击图片任何区域可放大

快消行业销售分析仪

案例介绍 使用某经销商进销存相关数据,制作销售分析仪,帮助决策者从渠道、时间、销售负责人等不同维度了解销售额、销量以及动销次数等关键指标的变化情况,进而帮助决策者及时发现销售问题、及时做出销售策略上的调整。 学习收获 本案例帮助同学们了解众多企业经营过程中都会涉及到的进、销、存三个业务环节的特点及关联关系,帮助同学们掌握商业智能分析在帮助决策者发现销售问题时的设计思路及分析、展现方法。
点击图片任何区域可放大

电商流量分析

案例介绍 本案例使用某电商的流量相关数据,制作流量分析仪,帮助电商经营者区分各流量入口的特点,进而帮助经营者制定有效的营销推广策略,从而提高并改善营销效果,用更少的营销成本带来更多的高质量流量。 学习收获 电商的收入由三个重要指标构成,分别是流量、转化率和客单价。三个指标中,流量是最为重要的指标。流量为王,先有流量才能考虑提高转化率及客单价的问题。所以电商及互联网行业在运营过程中最为关注的就是流量情况。通过对本案例的学习,同学们将掌握如何用商业智能分析来描述流量数量及流量质量好坏程度的方法。
点击图片任何区域可放大

餐饮业指标监控仪

案例介绍 本案例使用某连锁餐饮公司销售情况业务数据,制作餐饮指标监控仪,帮助各店店长了解自己负责店铺的经营情况,及时发现经营问题及时做出策略调整,进而保持并提高店铺的市场竞争力。 学习收获 本案例的分析切入点在指标监控上,指标及指标体系是业务负责人了解业务运营情况的窗口。在商业智能分析中,如何准确、全面地用可视化方法描述业务指标变化情况是在报表设计时需要重点考虑的内容。通过本案例的学习,同学们将掌握业务指标的设计、计算及呈现方法。
点击图片任何区域可放大

人力资源之员工流失预警

案例介绍 企业培养人才需要大量的成本,为了防止人才再次流失,应当注重员工流失分析。员工流失分析是评估公司员工流动率的过程,目的是预测未来的员工离职状况,减少员工流失情况。
点击图片任何区域可放大

教育行业学习质量数据监控

案例介绍 某教育部门根据一场考试的学业水平,研究样本人群的部分特征(性别、父母的教育水平、居住是否城乡等)对各科目(比如数学,阅读,和写作)分数的影响,从而可以为教师针对不同环境下的群体提供个性化教学方式,因材施教,为学生的全面发展保驾护航。
点击图片任何区域可放大

时间序列预测零售销售额

案例介绍 电商公司一爆款产品由于制造商产能不稳定,经常由于进货不足而导致延迟发货,或者遭到投诉,甚至被取消订单。也时常因为进货太多而导致库存堆积,占用其他爆款产品的库存空间。该电商公司因此而导致大量订单流失和额外的运营成本。 本案例根据该产品的历史销售额记录,通过时间序列ARIMA模型对未来几个月的销售情况做出预测。提前预测产品的销售情况,以备电商公司能提前进货和库存管理,降低运营成本。

01业务数据分析基础

01-01预习:Excel操作基础
01-02数据分析概述
01-03数据加工方法
01-04数据计算方法
01-05数据透视分析方法
01-06业务数据可视化方法
01-07业务数据分析案例-财务分析报表制作
01-07作业练习:Excel数据分析案例

02业务数据分析模型与分析方法

01-01帕累托分析
01-02案例应用1-核心产品分析
01-03分类分析-RFM模型
01-04案例应用2-用户忠诚度模型
01-05树状结构分析
01-06案例应用3-汽车行业分析报告
01-07作业练习:制作市场获客数据分析报告

03数据库概述与SQL查询

01-01数据库概述与数据库基础
01-02数据类型和约束条件
01-03创建及使用数据库
01-04创建、修改及删除表
01-05插入、更新、删除数据
01-06查询数据:单表查询、集合函数查询、连接查询、子查询、合并查询、多表查询
01-07SQL运算符和函数
01-08SQL综合案例:电商数据多表查询练习
01-09作业练习:使用SQL汇总计算销售类多表数据

04 Power BI商业智能分析基础

01-01商业智能分析概述
01-02商业智能分析流程
01-03指标及指标体系
01-04商业智能可视化分析方法论
01-05理解数据仓库概念
01-06数据仓库上的数据收集
01-07数据仓库上的数据处理加工
01-08作业练习:结合自己的行业领域规划产品/运营/获客指标体系

05Power BI搭建多维业务数据模型

01-01理解数据模型
01-02数据模型创建逻辑
01-03理解维度与度量
01-04掌握多条件下的透视规则
01-05时间维度透视分析
01-06练习:搭建销售分析多维数据模型

06Power BI商业智能实战案例

01-01案例分析流程:业务背景介绍-理解数据-制作分析仪
01-02综合案例1:零售销售情况监控仪
01-03综合案例2:餐饮指标监控仪
01-04综合案例3:电商流量分析仪
01-05综合案例4:快消行业销售分析仪
01-06作业练习:制作金融业务数据分析报表

07数据分析之统计学基础-Part1

01-01数据分析方法概述:数据分析过程、数据分析的商业驱动
01-02概率论基础:随机事件、概率、概率分布
01-03描述性统计分析:集中程度、离散程度、偏度和峰度
01-04常见分布族:正态分布和中心极限定理
01-05多维随机变量:联合分布、协方差、相关系数
01-06数据简化原理:似然函数和辅助函数
01-07参数估计:点估计和区间估计
01-08作业练习:对于消费者调研数据进行描述并进行特征分析

08数据分析之统计学基础-Part2

01-01匹配样本
01-02样本量的确定
01-03统计学二类错误
01-04T检验和F检验方法
01-05分类变量的相关性分析
01-06方差分析方法
01-07一元线性回归分析
01-08多元线性回归分析
01-09作业练习:运用调研数据进行资产价格预测

09SPSS数据分析实战-Part1

01-01数据分析全过程 - 综合绩效案例讲解
01-02SPSS软件综合特征 - 与同类软件对比
01-03SPSS软件介绍 - 数据视图与变量视图
01-04SPSS访问数据源 - 本地和数据库文件访问
01-05如何理解描述数据— 统计和描述性分析
01-06如何理解描述数据— 可视化图形探索
01-07样本设计与执行
01-08SPSS进行线性回归分析
01-09SPSS进行Logistic回归分析
01-10实战1:员工绩效管理之线性回归分析
01-11实战2:银行客户信用行为特征分类与违约预测
01-12作业练习:使用线性回归进行汽车贷款用户价值预测

10SPSS数据分析实战-Part2

01-01特征筛选流程
01-02DB特征筛选方法步骤
01-03主成分分析原理
01-04主成分分析的判断标准和应用场景
01-05主成分分析与因子分析
01-06主成分回归
01-07客户画像的商业场景及应用
01-08商业报告归纳需求
01-09聚类算法:K-均值聚类、系统聚类和神经网络聚类
01-10市场细分和应用
01-11时间序列原理介绍:AR模型、MA模型和ARIMA模型
01-12时间序列数据的预处理
01-13时间序列的建模与预测
01-14实战1:降维在消费行为中的应用
01-15实战2:电商客户价值与行为标签标定
01-16实战3:不同市场订户信息的序列预测
01-17作业练习:使用时间序列分析进行电商服装产品销售预测

11Tableau商业智能分析与案例实战[选修]

01-01数据可视化和Tableau产品安装与配置
01-02Tableau数据获取及数据操作
01-03Tableau字段操作和计算字段函数
01-04Tableau页面及功能区介绍
01-05Tableau排序及筛选器演示
01-06初级数据可视化:条形图/折线图/饼图/散点图/直方图/文本表/盒须图/热力图/环形图/词云图/树形图/气泡图
01-07高级数据可视化:甘特图/帕累托图/漏斗图/标靶图/哑铃图/雷达图/地图
01-08趋势线/预测线原理及制作和参数应用
01-09仪表盘和故事制作
01-10综合案例1:销售报表分析
01-11综合案例2:客户留存与回购分析
01-12综合案例3:金融投资分析
01-13综合案例4:购物中心概况分析

12Python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作业练习:基于Python的函数创建与商业实操文件操作

13Python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:基于pandas-SQL世界银行各国家发展指标及GDP变化趋势探索性分析
01-17作业练习:USDA食品数据清洗

14Python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
01-09作业练习:制作数据可视化分析报告

15Python进行网络爬虫-线上

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案例实战1:新东方批量下载头像
01-07案例实战2:抓取豆瓣书籍简介
01-08案例实战3:模拟浏览器selenium抓取电商商品信息及评论
01-09作业练习:爬取豆瓣电影Top250数据抓取

16Python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
01-02使用Python读取数据: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实战案例1:视频网站数据清洗整理和结论研究
01-11实战案例2:教育领域学员学习质量数据化监控-清洗与可视化
01-12实战案例3:基于数据清洗的知乎用户画像探索
01-13作业练习:国外电商用户购买信息的数据处理与探索

17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
01-07作业练习:阐述机器学习与统计学习的一般流程

18Python进行机器学习实战-Part1

01-01准备工作:开发环境配置
01-02机器学习基本概念和名词说明
01-03scikit-learn入门:Scikit-Learn库简介
01-04模型建立的基本思路
01-05KNN算法原理基础及实现
01-06模型优化:学习曲线和交叉验证
01-07补充理论:距离类模型的相关讨论
01-08模型评价与总结
01-09决策树算法的基本原理
01-10决策树算法的scikit-learn实现
01-11分类模型的评估指标:混淆矩阵
01-12实战案例:泰坦尼克号幸存者的预测
01-13过拟合和欠拟合
01-14决策树算法的优点和缺点
01-15作业练习:IBM Waston Analytics员工离职核心因素挖掘与分析

19Python进行机器学习实战-Part2

01-01随机森林概述:集成算法概述Bagging vs Boosting
01-02随机森林分类器和回归器实现
01-03机器学习中调参的基本思想
01-04调参应用:随机森林在乳腺癌数据上的调参
01-05聚类算法概述
01-06KMeans算法的概述和理论基础
01-07Kmeans算法的scikit-learn实现
01-08Kmeans矢量化应用:降维
01-09关联规则算法概述:频繁项集的产生与关联发现
01-10Apriori算法原理:先验原理
01-11使用Apriori算法来发现频繁项集
01-12作业练习:使用聚类分析做客户画像分析

20Python进行机器学习实战-Part3

01-01线性回归概述
01-02多元线性回归模型的构建
01-03回归类模型评估指标:精准性、拟合性
01-04多重共线性与岭回归、Lasso回归
01-05非线性问题及其处理方法
01-06多项式回归模型
01-07逻辑回归的概述:模型参数、sigmoid参数、逻辑回归的返回值解析
01-08逻辑回归的特点:模型拟合效果、计算速度、返回值的可解释性
01-09逻辑回归的构建与优化
01-10作业练习:数字化人力资源管理之员工流失风险预警

21Python进行机器学习实战-Part4

01-01SVM概述:SVM工作原理
01-02SVM模型构建:线性SVM和非线性SVM
01-03ROC曲线及相关问题
01-04概率与阈值
01-05SVM概率预测评估:predict_proba、decision_function
01-06绘制SVM的ROC曲线
01-07ROC曲线与AUC曲线
01-08利用ROC曲线找出最佳阈值
01-09朴素贝叶斯概述
01-10朴素贝叶斯模型分类:高斯朴素贝叶斯、多项式朴素贝叶斯
01-11作业练习:运用朴素贝叶斯做文本分类

22文本分析技术与综合案例

01-01文本分析简介及文本分析流程
01-02中文分词方法
01-03中文词性标注方法
01-04关键词提取方法
01-05命名实体识别
01-06文本分析模型实作与比较: 以网络舆情分析模型及命名实体识别为例
01-07新闻文件分类方法
01-08中文文本摘要方法
01-09作业练习:使用python进行新闻文本数据分词和词性标注

23深度学习技术与综合案例

01-01人脸识别及应用
01-02OpenCV及Dlib简介
01-03人脸侦测及人脸68个特征撷取
01-04人脸识别(利用ResNet)
01-05物体检测与定位及应用
01-06目标检测技术概述
01-07YOLOv3简介及COCO 数据集
01-08物体定位
01-09物体检测
01-10文本分析及深度学习模型实作与比较: 以新闻文件分类与摘要及人脸识别及物体侦测模型为例
01-11作业练习:建立电商产品舆情文本分类模型

24电信客户流失预警/信用卡盗刷预测建模

01-01传统监督学习方法与非监督学习方法
01-02半监督学习方法概述
01-03半监督学习模型实作与比较: 以电信业客户流失模型为例
01-04智能反欺诈概述
01-05反欺诈手法
01-06机器学习方法
01-07深度学习方法
01-08深度学习模型实作与比较: 以信用卡盗刷预测模型为例
01-09作业练习:银行业客户流失模型建置

25产品营销/小额信贷及信用风险预测建模

01-01传统模型评估方法与利润最大化评估方法
01-02增益图与利润图
01-03利润最大化模型实作与比较: 以产品营销模型为例
01-04传统学习与集成学习
01-05集成学习的分类:模型融合与机器学习元算法
01-06模型融合模型建置(多数法、平均法、加权平均法、堆叠法、混合法)
01-07机器学习元算法模型建置(袋装法、袋装通用法、随机森林、提升法、Adaboosting算法、Gradient Boosting算法、XGBoosting算法)
01-08集成学习方法实作与比较: 以小额信贷及信用风险预测模型为例
01-09作业练习:巴塞尔资本协定下之逾期评分卡(Collection Scorecard)之建置及预测

26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

硬核服务

  • 朝九晚九全程跟班答疑

    助教线上服务时间由原先的上课期间答疑调整为课程持续期间答疑,包括中途休息时间;同时,每日答疑时间由原先的“朝九晚六”调整为“朝九晚九”,全面覆盖同学晚自习时间。
  • 一对一督学

    每个班级、每位同学、每月都会进行至少一次一对一辅导,询问同学学习状态、解决学员学习问题;同时,针对每个模块测试结果后10%的学员进行额外辅导,以确保学员能够跟上学习进度。
  • 定期直播串讲

    对于重难点知识和同学普遍反应的问题,助教将进行每周1-2次的晚自习串讲,串讲时常为2小时左右,且相关内容需要重新制作、有别于课程内容,帮助同学攻克重难点知识。
  • 五分钟内有问必答

    助教线上服务要求5分钟内有问必答,并能真正做到解决所有课程中遇到的问题。在原先每个班一个助教+一个班主任的配置下,调整为每个班2名助教+项目服务团队的模式,以确保快速、高质量的解决线上提问。
  • 出勤率和进度监督

    在课程持续期间,助教还需实时统计学员出勤情况,监督课堂纪律,跟进学习进度。除正常答疑外,服务团队会与班级同学保持沟通、给予正确指引,从而营造积极学习氛围。
  • 作业与测试

    在远程授课期间,每个课程会安排相关课后作业,确保同学课下能够进行适当练习,提升同学实时参与感、保证当日学习效果。除了作业,服务团队还会组织学员进行阶段性测试,以考试性质为主,主要考察学员对本阶段知识掌握程度。

来自业界的数据领袖团队

  • 李御玺

    国立台湾大学资讯工程博士

    铭传大学大数据研究中心主任,铭传大学资讯工程学教授,铭传大学大数据研究中心主任,中华资料采矿协会理事 其研究领域专注于数据仓库(Data Warehousing)、数据挖掘(Data Mining)、与文本挖掘。
  • 吴昊天

    CDA Level 2 大数据分析师考试命题组组长

    曾就职于电子科技大学大数据中心医疗卫生研究所,历任数据分析师、数据挖掘工程师、大数据架构师等职,多次参与并主导医保反欺诈领域和智慧诊疗相关算法设计、执行、优化等相关工作, 拥有丰富的算法研发经验与多项算法专利。拥有丰富的数据类项目管理经验。
  • 张志琦

    德勤高级咨询顾问/创业公司数据科学家

    经验涉及快消、通信、互联网餐饮、银行等多个领域的咨询项目; 涉及短视频、电商、数据平台等多个领域的投资尽调项目; 涉及快消、品牌商领域的数据建模项目,如智能定价、精准推荐、选品等。 专精于企业业务数据分析、数据可视化、制定及实施商业智能业务解决方案。
  • 李奇

    中国电子表格应用大会主席

    曾在IBM中国担任销售管理团队数据分析项目组长及德勤北京所的数据分析高级咨询顾问。专精于企业数据分析、制定商业智能业务解决方案、软件开发及Excel培训等。
  • 丁亚军

    南京上度咨询数据分析总监、经管之家论坛SAS、SPSS版版主,CDA数据分析研究院研究员和SAS、SPSS软件讲师。

    研究方向为“统计软件与数据分析”、“市场调查分析”、“数据挖掘咨询”。
  • 赵仁乾

    北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。
  • 王小川

    博士

    近三年在人大经济论坛开办Python培训,参与承担CDA-1/CDA-2,就业班中Python教学任务,并开办Python量化投资课程。编写《MATLAB神经网络30案例分析》一书,该书的升级版《MATLAB神经网络43个案例分析》已出版,同时正在编写《Python与量化投资》一书。被评为“金牌讲师”。
  • 韩要宾

    杭州沐垚科技有限公司创始人兼COO,CDA数据分析研究院资深讲师

    5年电商从业经验,4年数据挖掘实战经验;专注于数据分析与挖掘、机器学习、深度学习,服务客户包括苏宁易购、迪卡侬、百草味、浙江师范大学等。
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: 零基础可以学习这门课程吗?

    A: 本课程面向零基础学员,从工具理论到行业案例实战,从业务理解出发、数据收集、数据处理、数据建模分析到数据展现,最后呈现数据结果报告,循序渐进完成多个数据分析实战项目。
  • Q:完成课程后,可以获得证书吗?

    A: 参加课程学员可自愿参加CDA LEVEL II建模分析师等级考试,考试合格获得由经管之家颁发《CDA数据分析师证书》。同时可自愿申请工信部《数据分析师证书》-高级。
  • Q: 为什么要学习这门课程?

    A: 投资于人工智能领域的资金不断上涨,数以千计的高价值创业公司已经进入该领域。机器学习是驱动人工智能领域突破性发展的核心技术。AlphaGo 战胜人类围棋冠军、人脸识别、大数据挖掘,都和机器学习密切相关。在这门课程中,你将掌握机器学习核心技术,把握人才缺口的黄金时代,在职业发展市场中脱颖而出,成为科技、互联网、金融等行业渴望的稀缺人才。
  • Q: 请问课程的学习周期和学习方式?

    A: 《CDA数据分析师周末集训营》为周末集训课程,学习周期为6个月。同时我们会布置案例作业供课后练习提交,保证大家高质量地完成课程。
  • 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主流和受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!
  • Q: 课程如果学不会怎么办?

    A: 课程零基础入门,相信每位同学如果认真学习的话,没有理由学不会的。上课期间,全程助教跟班答疑;课后,助教老师依旧会在群里帮大家解答学习上的疑问。此外,课程均赠送全套录播视频,有效期2年,方便学员反复观看巩固,稳扎稳打学会全部课程。

OK