原创 数据分析课程大纲是什么？

　　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。

 

　　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”。