• 在线客服

  • 扫描二维码
    下载博学谷APP

  • 扫描二维码
    关注博学谷微信公众号

  • 意见反馈

原创 数据分析课程大纲是什么?

发布时间:2019-08-23 18:40:33 浏览 8570 来源:博学谷资讯 作者:枫调

      马云说我们已经进入数据时代。大量的数据为我们提供更多客观的、有效的决策支撑。同时伴随着大数据的发展,衍生出大量的鱼数据相关的技术岗位:大数据开发工程师、数据挖掘工程师、数据分析等等。相对于相关工程师而言,数据分析对于从业者要求较低,因此大量的求学者进入数据分析的课程学习中。那数据分析都需要学习哪些知识点呢?我们就博学谷数据分析课程大纲为大家说明。

     

    数据分析课程大纲是什么?


      博学谷数据分析课程共分为十一个章节,从数据分析入门的理论知识到真实案例实操,带领的大家快速掌握数据分析相关技能。下面是博学谷数据分析课程大纲的具体内容。


      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
      想了解更多关于数据分析课程相关内容,可以直接通过博学谷平台搜索“所有人都能学的数据分析课”。

    申请免费试学名额    

在职想转行提升,担心学不会?根据个人情况规划学习路线,闯关式自适应学习模式保证学习效果
讲师一对一辅导,在线答疑解惑,指导就业!

上一篇: 数据分析师的薪资水平如何?就业前景好吗? 下一篇: 大数据培训机构有哪些?报大数据培训班靠谱吗?

相关推荐 更多

热门文章

  • 前端是什么
  • 前端开发的工作职责
  • 前端开发需要会什么?先掌握这三大核心关键技术
  • 前端开发的工作方向有哪些?
  • 简历加分-4步写出HR想要的简历
  • 程序员如何突击面试?两大招带你拿下面试官
  • 程序员面试技巧
  • 架构师的厉害之处竟然是这……
  • 架构师书籍推荐
  • 懂了这些,才能成为架构师
  • 查看更多

扫描二维码,了解更多信息

博学谷二维码