随着互联网、云计算、大数据、物联网、人工智能等科技的快速发展,经济发展已经进入全球化时代,企业的命运与国际经济环境紧密联系,如美国的经济危机会波及到全球各个国家与地区和企业,国家和企业已经不是孤立的存在。在经济全球化时代商业环境极其复杂,不仅要考虑国内、国外经济环境,同时还要考虑不同国家的国家政策,不同民族的民族文化,不同宗教的宗教信仰等,更加加深入了商业环境的复杂程度。在极其复杂的国际商业环境中,作为大型企业领导者仅凭经验与智慧无法全面了解与掌控企业、了解国际化的商业环境,因此很难做出正确的企业战略决策,甚至更无法做到企业精细化管理,更不可能做到高效运营,那么,如何突破因商业环境复杂度而导致的企业失控呢?并在复杂的商业竞争环境中脱颖而出并获得最大利润呢?答案是掌握企业数据和掌握国际化数据,并建立高效的数据分析体系,探索数据、挖掘数据高效准确的获取国际化的经济环境状况,洞察市场趋势提前做出有利于企业的战略决策,提高企业竞争力,规避市场风险,数据分析则是提升企业管理水平,实现上述目标的一种行之有效的方法。国际化的竞争就是信息的国际化竞争。
随着大数据、人工智能的快速发展,数据的价值越发突显,并为海量的高并发的数据分析提供了新的工具与可行性,较以往的传统数据分析工具更为有效,甚至传统数据分析工具做不到的,大数据、人工智能都能做到。因此不仅仅企业,社会各个方面也因大数据的价值而提高了对数据的关注程度,也加大了数据分析的投入力度。无论是企业管理、战略决策、精准营销、精细化管理等都无处不体现着数据分析的重要性。
数据如此重要,如何建设一个高效的数据分析体系呢?至少要具备以下两个条件:一是在宏观层面上正确理解数据分析;二是丰富的IT系统建设经验、分布式技术和较强的数据技术能力。第一点尤为重要,因为一旦在思想和认识层面对数据分析体系理解有误,那么即使精通于各种技术方案,所建立起来的也只是一堆技术架构的粗糙堆砌,虽然也能达到部分数据分析的效果,但必定会事倍功半。
本次数据分析技术培训课程,整个课程体系设计完备,思路清晰,学员通过本次课程的系统性学习可以掌握如下技能:
本系列课程总共由6门课程组成:
教学设计 | NO. | 课程名称 | 课程天数 |
基础理论 | 1 | 概率论与数理统计 | 1天 |
SQL语法基础及进阶 | 2 | 数据分析与挖掘基础 | 2天 |
Python入门 | 3 | Python环境准备及相关数据分析库(pandas、numpy、matplotlib、scipy)的安装及应用 | 2天 |
4 | Python语言基础知识 | 1天 | |
5 | 正则表达式及Python编程 | 1天 | |
Python与数据分析实战 | 6 | 数据采集 | 1天 |
7 | 数据分析 | 4天 | |
8 | 爬虫技术与实践 | 4天 | |
数据可视化 | 9 | 大数据可视化 | 2天 |
【匹配关键知识点】
课程目标1:建立必要的概率论与数理统计基本知识素养,掌握探索随机现象统计规律的一般方法。
课程目标2:掌握概率论与数理统计的基本概念、基本理论、基本方法和运算技能。包括概率论的基本概念、随机变量、多维随机变量、随机变量的数字特征、数理统计的基本概念、参数估计等相关知识。熟悉数据处理、数据分析、数据推断的各种基本方法。
课程目标3:掌握处理随机现象的基本思想和方法,培养抽象概括、推理论证、严密的逻辑思维能力,以及使用概率论与数理统计的方法去分析和解决有关实际问题的能力。
【课程时间】
1天(8小时/天)
【课程简介】
通过本课程的学习,应掌握概率论与数理统计的基本概念,了解它的基本理论和方法,从而使学生初步掌握处理随机现象的基本思想和方法,培养学生运用概率统计方法分析和解决实际问题的能力,并且在知识传授的同时起到价值引领的作用,积极培育和践行社会主义核心价值观,培养学生科学、严谨的思维能力。
【课程特点】
教学中以课堂讲授为主,以讨论为辅。采用启发式教学法,适当运用讨论式教学法。融入联系应用的案例式教学法,并倡导利用结合软件技术解决实际问题的实验式教学法。恰当使用多媒体教学与传统教学相结合的教学手段,充分运用教师对学生讲授与学生间自由讨论相结合、传统解题训练与开放型问题探索相结合、以及实体课堂面对面交流与虚拟课堂数字信息交流相结合的交互式教学手段,合理利用网络资源实施开放性教学手段,采用规范统考与多样化考查相结合的考核手段。
【课程大纲】(1天*8小时)
时间 | 内容 | 案例实践与练习 |
Day1 数据分析概述 | 1面向小白的统计学:描述性统计(均值,中位数,众数,方差,标准差,与常见的统计图表) 2概率的基本概念(方差、分位数、随机试验、样本空间、事件、频率、概率、排列组合),古典概型 3条件概率与贝叶斯公式,独立性 4微积分:随机变量及其分布(二项分布,均匀分布,正态分布) 5多维随机变量及其分布 6随机变量的期望,方差与协方差 7大数定律、中心极限定理与抽样分布 8从抽样推测规律之一:点估计与区间估计 9从抽样推测规律之二:参数估计 10基于正态总体的假设检验 11秩和检验 12预测未来的技术:回归分析 13时间序列分析
| 案例练习:
研讨: |
【匹配关键知识点】
常见数据分析方法与数据挖掘概述,描述型数据分析,常见数据分析与挖掘算法(Kmeans、购物篮、决策树、朴素贝叶斯等)等内容。
【课程时间】
6天(8小时/天)
【课程简介】
随着大数据时代的快速到来,以及大数据在生产生活中迅速应用,数据分析、数据建模、数据挖掘、机器学习、神经网络、深度学习、人工智能等重要性越发突出,本课程是针对大数据时代的特点,尹老师总结多年数据分析经验,而精心设计的课程,课程内容涵盖了数据领域的数据处理、统计分析、数据挖掘、机器学习、神经网络、深度学习、人工智能等内容,以及人工智能的应用范围、发展前景剖析。
【课程收益】
1、常见数据分析方法与数据挖掘概述;
2、描述型数据分析;
3、常见数据分析与挖掘算法(Kmeans、购物篮、决策树、朴素贝叶斯等)等。
【课程特点】
常见数据分析方法与数据挖掘概述,描述型数据分析,常见数据分析与挖掘算法(Kmeans、购物篮、决策树、朴素贝叶斯等)等内容。
【课程对象】
数据分析师、技术经理、产品经理、产品助理等
将承担数据分析师职责的业务人员或信息化人员
希望加强数据分析能力的软件开发人员
系统集成企业售前工程师、售前顾问及方案制作人员
【学员基础】
具有2年以IT部门工作经验,将负责数据分析等相关任务的技术人员
【课程大纲】(6天*8小时)
时间 | 内容 | 案例实践与练习 |
Day1 常见数据分析方法与数据挖掘概述 |
| 案例练习:通过案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:数据分析的过程 |
Day2 描述型数据分析 |
| 案例练习:通过案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:描述性数据分析 |
Day3 常见数据分析与挖掘算法 |
| 案例研讨:通过案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:常用数据分析方法与算法 |
Day4 朴素贝叶斯与回归分析 |
| 案例练习:通过案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:主成分分析模型实现 |
Day5 聚类分析与关联规则挖掘 |
| 案例练习:通过编写程序实现Kmeans应用案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:编写程序实现Kmeans应用案例剖析 |
Day6 决策树与随机森林 |
| 案例练习:通过实现航空业客户细分模型案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:实现航空业客户细分模型 |
【匹配关键知识点】
数据可视化技术概述及培训关键点概述,数据挖掘与可视化工具介绍(SAS、Project、Excel、SPSS、Tableau等),可视化案例分享等内容。
【课程时间】
2天(8小时/天)
【课程简介】
随着互联网、移动智能设备、云计算技术、大数据技术的迅猛发展,使人类产生与获取数据的能力成数量级地增加,面对如此浩瀚的数据海洋,想通过人工分析大数据从而得到大数据中隐含的有价值的模式,几乎是不可能的。因此人们需要借助新的技术挖掘大数据中所蕴含的价值,采用数据可视化技术绝对是一个明智的选择。
随着科学技术的不断发展,大量的由计算机产生的中间数据都需要进行可视化处理,以求达到辅助分析、再现客观事实的目的。通过视觉化呈现数据,可揭示了令人惊奇的模式和观察结果,某些数据是不可能通过简单统计就能显而易见的看到的模式和结论。正如作家、记者和信息设计师 David McCandless 在 TED 上说道:“通过视觉化,我们把信息变成了一道可用眼睛来探索的风景线,一种信息地图。当你在迷失在信息中时,信息地图非常实用”。由此足见数据可视化的价值。
无论获得信息还是表达信息,最佳方式之一是通过视觉化方式,快速捕捉和展现信息要点与核心要义,这是数据可视化的价值点所在。
数据可视化技术有着广阔的发展和应用空间,越来越受到人们的关注。
【课程收益】
1、数据可视化技术概述及培训关键点概述;
2、数据挖掘与可视化工具介绍;
3、可视化案例分享
【课程特点】
数据可视化技术概述及培训关键点概述,数据挖掘与可视化工具介绍(SAS、Project、Excel、SPSS、Tableau等),可视化案例分享等内容。
【课程对象】
数据分析师、技术经理、产品经理、产品助理等
将承担数据分析师职责的业务人员或信息化人员
希望加强数据分析能力的软件开发人员
系统集成企业售前工程师、售前顾问及方案制作人员
【学员基础】
具有2年以IT部门工作经验,将负责数据分析等相关任务的技术人员
【课程大纲】(2天*8小时)
时间 | 内容 | 案例实践与练习 |
Day1 数据可视化技术概述及培训关键点概述 |
| 案例练习:通过仪表盘制作案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:仪表盘制作 |
Day2 数据挖掘与可视化工具介绍(SAS、Project、Excel、SPSS、Tableau等),可视化案例分享 |
| 案例研讨:通过淘宝24小时生活数据可视化案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:淘宝24小时生活数据可视化案例 |
【匹配关键知识点】
Python语言入门,Python网络编程、爬虫与机器学习,Python数据分析案例分享,基于spark集群的python数据分析实战等内容。
【课程时间】
13天(8小时/天)
【课程简介】
随着大数据时代的快速到来,以及大数据在生产生活中迅速应用,大数据领域如雨后春笋般的出现大量的新技术,如Hadoop、Spark等技术,其中Python语言已经成为大数据技术中最为重要的一部分,被越来越多的企业所使用。Python语言的功能涵盖了大数据领域的数据处理、统计分析、数据挖掘、机器学习、人工智能、大数据应用开发等各种不同类型的计算操作,应用范围广泛、前景非常广阔。本课程是尹老师多年工作经验的总结和归纳,从实际业务案例为入口,使学员从理论层到实操层面系统的学习数据处理技术,使学员深入理解Python语言等数据分析工具。通过本课程的学习,学员即可以正确的分析企业的数据,为管理者、决策层提供数据支撑。
【课程收益】
1、Python语言入门;
2、Python网络编程;
3、Python网络爬虫;
4、Python机器学习;
5、Python数据分析案例分享;
6、基于spark集群的python数据分析实战;
【课程特点】
Python语言入门,Python网络编程、爬虫与机器学习,Python数据分析案例分享,基于spark集群的python数据分析实战等内容。
【课程对象】
数据分析师、技术经理、产品经理、产品助理等
将承担数据分析师职责的业务人员或信息化人员
希望加强数据分析能力的软件开发人员
系统集成企业售前工程师、售前顾问及方案制作人员
【学员基础】
具有2年以IT部门工作经验,将负责数据分析等相关任务的技术人员
【课程大纲】(13天*8小时)
时间 | 内容 | 案例实践与练习 |
Day1~Day3 Python语言入门 |
| 案例练习:通过Python语言实现运营商数据分析处理案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:Python语言实现运营商数据分析处理 |
Day4~Day5 Python网络编程 |
| 案例练习:通过案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:网络编程 |
Day6~Day7 Python网络爬虫 |
| 案例研讨:通过案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:网络爬虫的实现 |
Day8 Python的NumPy模块 |
| 案例练习:通过NumPy的案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:NumPy的数据处理 |
Day9 Python的Pandas模块 |
| 案例练习:通过Pandas使用案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:Pandas的使用方法 |
Day10 Python机器学习 |
| 案例练习:通过案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨:Python语言实现基于聚类的图像分割方法 |
Day11 Python机器学习 |
| 案例练习:通过案例的剖析数据分析过程,体会数据分析的难点和要点。
研讨: Python语言实现基于聚类的图像分割方法 |
Day12 Python数据分析案例分享 |
|