做企业培训,当然要找对好讲师!合作联系

刘晖:大数据分析(Python)系统课程

刘晖老师刘晖 注册讲师 197查看

课程概要

培训时长 : 18天

课程价格 : 扫码添加微信咨询

课程分类 : 工作技能

课程编号 : 17574

面议联系老师

适用对象

相关人员

课程介绍

数据分析培训班(6门课程,共18天)

(1)培训背景

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。

(2)培训目标

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:

  1. 了解数据分析的基础知识及基本理论;
  2. 结合Python语言学会数据的产生、导入与预处理。掌握大数据生成与导入,数据分析流程与建模思想,数据清洗与数据加工等内容;
  3. 结合Python语言掌握数据分析与挖掘基础。学习常见数据分析方法与数据挖掘概述,描述型数据分析。
  4. 学习数据分析工具Python语言的数据分析实战。
  5. 掌握结构化数据工具SQL的应用及相关知识。
  6. 学习大数据可视化技术。包括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(Excel、SPSS、Tableau等),可视化案例分享等内容。
  7. 学习Python与数据分析实战。包括Python语言入门,Python网络编程、爬虫与机器学习,Python数据分析案例分享等内容。

(3)教学计划

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

 

(4)具体课程方案(含课程大纲)

课程1:概率论与数理统计-1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:

 

课程3:数据分析与挖掘基础-6天

【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

  1. 数据分析与建模的概念
  2. 数据分析与建模过程
  3. 数据分析模型开发过程
  4. 数据建模概述
  5. 机器学习概念
  6. 机器学习算法剖析
  7. 算法库分类
  8. 算法库
  9. 深度学习
  10. 神经网络
  11. 人工智能
  12. 商业智能

 

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

  1. 统计学基本概念
  2. 统计数据的计量尺度
  3. 常用基本统计量
  4. 集中趋势的描述指标
  5. 离散趋势的描述指标
  6. 中心极限定理
  7. 大数定律
  8. 数据的分布
  9. 正态分布的特征
  10. 偏度和峰度
  11. 检测数据集的分布
  12. 数据的分布拟合检验与正态性检验
  13. 抽样标准
  14. 假设检验
  15. T检验
  16. 置信区间

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

  1. 数据挖掘的基本任务
  2. 数据挖掘建模过程
    1. 定义挖掘目标
    2. 数据取样
    3. 数据探索
    4. 数据预处理
    5. 挖掘建模
    6. 建立模型
    7. 业务理解
    8. 模型拟合
    9. 训练集
    10. 测试集
    11. 模型评价
  3. 常用的数学预测模型
    1. 线性回归
    2. 回归(预测)与分类
    3. 决策树与随机森林
    4. 聚类分析(kmeans)
    5. 关联规则
    6. 时序模式
    7. 离群点检测
    8. 深度学习
    9. 人工智能
    10. 神经网络
  4. 案例:如何从数据中挖掘出有价值的信息

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

  1. 主成分分析和因子分析(深入剖析主成分分析及因子分析)
  2. 主成分分析
  3. 总体主成分
  4. 样本主成分
  5. 主成分分析模型
  6. 案例:主成分分析模型实现
  7. 课堂实操:主成分分析模型实现

 

  1. 方差分析(深入剖析方差分析方法及实现)
  2. 单因素方差分析
  3. 单因素方差分析模型
  4. 因素效应的显著性检验
  5. 因素各水平均值的估计与比较
  6. 两因素等重复试验下的方差分析
  7. 统计模型
  8. 交互效应及因素效应的显著性检验
  9. 无交互效应时各因素均值的估计与比较
  10. 有交互效应时因素各水平组合上的均值估计与比较
  11. 两因素非重复试验下的方差分析
  12. 金融案例:方差分析实现
  13. 课堂实操:方差分析实现
  14. Bayes统计分析(深入剖析Bayes统计分析)
  15. Baves统计模型
  16. Bayes统计分析的基本思想
  17. Bayes统计模型
  18. Bayes统计推断原则
  19. 先验分布的Bayes假设与不变先验分布
  20. 共轭先验分布
  21. 先验分布中超参数的确定
  22. Baves统计推断
  23. 参数的Bayes点估计
  24. Bayes区间估计
  25. Bayes假设检验
  26. 案例:实现Bayes统计分析建模
  27. 课堂实操:实现Bayes统计分析建模

 

  1. 数学建模(深入剖析数学建模)
  2. 数学建模
  3. 数学预测模型
  4. 模型评估
  5. 模型参数优化

 

  1. 回归分析与分类分析原理与应用(深入剖析数据的回归分析与分类分析的原理以及应用)
  2. 回归与分类
  3. 回归分析概念
  4. 线性回归模型及其参数估计
  5. 一元线性回归
  6. 一元线性回归模型
  7. 一元线性回归模型求解参数
  8. 损失函数
  9. 求偏导
  10. 回归方程的显著性检验
  11. 残差分析
  12. 误差项的正态性检验
  13. 残差图分析
  14. 统计推断与预测
  15. 回归模型的选取
  16. 穷举法
  17. 逐步回归法
  18. 岭回归分析
  19. 一元线性回归
  20. 金融案例:一元线性回归模型检验
  21. 多元线性回归概述
  22. 多元线性回归模型
  23. 金融案例:多元线性回归实现航空业信用打分和评级模型

 

  1. Logistic回归分析(剖析Logistic回归与其它回归分析方法)
  2. Logistic回归介绍
  3. Logistic函数
  4. Logistic回归模型
  5. 案例:SPSS Logistic回归实现
  6. 课堂实操: Logistic回归实现航空业欺诈预测模型
  7. 课堂实操: Logistic回归实现航空业风险分析模型

 

  1. 非线性回归原理及应用(剖析非线性回归原理及应用实践)
  2. 非线性回归
  3. 双曲线函数
  4. 幂函数
  5. 指数函数
  6. 对数函数
  7. S型曲线
  8. 案例:非线性回归实现
  9. 课堂实操:非线性回归实现航空业经营分析和绩效分析模型

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

 

  1. 数据建模常用距离(深入剖析数据建模过程中常用的距离模型)
  2. 数据挖掘常用距离
  3. 欧氏距离
  4. 曼哈顿距离
  5. 切比雪夫距离
  6. 闵可夫斯基距离
  7. 标准化欧氏距离
  8. 马氏距离
  9. 夹角余弦
  10. 汉明距离
  11. 杰卡德距离 & 杰卡德相似系数
  12. 相关系数 & 相关距离
  13. 信息熵

 

  1. 聚类分析与建模实现(深入剖析聚类分析以及通过SPSS聚类算法模型分析数据)
  2. 聚类分析
  3. 聚类算法
  4. 样品间相近性的度量
  5. 快速聚类法
  6. 快速聚类法的步骤
  7. 用Lm距离进行快速聚类
  8. 谱系聚类法
  9. 类间距离及其递推公式
  10. 谱系聚类法的步骤
  11. 变量聚类
  12. 案例:SPSS聚类实现及绘图
  13. 案例:Kmeans应用案例剖析
  14. 课堂实操:编写程序实现Kmeans应用案例剖析

 

  1. 关联规则分析与实现(深入剖析关联规则分析以及通过SPSS关联规则算法模型分析数据)
  2. 关联规则
  3. 支持度与置信度
  4. 关联规则挖掘的过程
  5. Apriori算法
  6. 关联规则案例
  7. 支持度与置信度计算
  8. 案例:SPSS实现关联规则
  9. 课堂实操:SPSS实现航空业数据关联规则分析

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

 

  1. 决策树分析与实现(深入剖析决策树分析以及通过SPSS决策树模型分析数据)
  2. 决策树分析
  3. 决策树
  4. 决策树构成要素
  5. 决策树算法原理
  6. 决策树法的决策过程
  7. 决策树算法
  8. 案例:实现决策树分析
  9. 课堂实操:实现航空业客户细分模型
  10. 随机森林

 

 

  1. 数据建模时序模式分析与实现(深入剖析时序模式分析)
  2. 时序模式
  3. 时间序列分析
  4. 时间序列分析
  5. 时间序列
  6. 序列分析的三个阶段
  7. 课堂实操:实现航空业客户流失模型

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

 

课程8:大数据可视化-2天

【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

 

  1. 数据可视化问题剖析(深入大数据时代数据可视化存在的问题)
  2. 大数据特征vs数据可视化
  3. 传统数据可视化问题剖析
  4. 传统数据可视化工具特点剖析

 

  1. 数据可视化概述(介绍数据可视化工具、特征及基础架构)
  2. 数据可视化概念
  3. 数据可视化作用
  4. 数据可视化目标
  5. 数据可视化应用
  6. 数据维度和指标
  7. 图表产生过程
  8. 可视化的表现形式
  9. 可视化的显示
  10. 可视化的色彩
  11. 可视化案例实战:仪表盘制作
  12. 标准图表的表现能力
  13. 标准图表的选择标准
  14. 图表制作原则
  15. 可视化案例实战:数据占比柏拉图绘制
  16. 可视化的决定性因素
  17. 数据可视化技巧
  18. 数据化可视化工具
  19. 创意性数据可视化
  20. 虚拟实现技术
  21. 防止过度可视化
  22. 一图胜千言
  23. 可视化的升华:声音

 

  1. 可视化的探索性分析和数据挖掘工具(学习可视化数据挖掘工具)
  2. Tableau
  3. Excel
  4. ECharts
  5. QlikView
  6. R语言
  7. Python
  8. SPSS
  9. SAS

 

  1. 数据可视化图表详解(通过实例讲述数据可视化方法、过程及含义)
  2. 散点图
  3. 雷达图
  4. 条形图
  5. 柱形图
  6. 饼图
  7. 直方图
  8. 箱线图
  9. QQ图
  10. 柏拉图制作
  11. 仪表盘制作
  12. 玫瑰图制作
  13. 热力图制作
  14. 地图制作
  15. 文字云制作
  16. 案例剖析

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

 

  1. Tableau简介
  2. Tableau历史与趋势剖析
  3. Tableau使用
  4. Tableau的数据类型介绍
  5. Tableau的数据结构介绍
  6. Tableau数据的读入和输出
  7. Tableau数据库的读/写
  8. Tableau与Kylin集成
  9. 定性变量
  10. 离散变量
  11. 连续变量
  12. 多元变量
  13. 日期和时间数据的操作处理

 

  1. 数据可视化应用场景,具体案例分析
  2. 淘宝24小时生活数据可视化案例
  3. 无线淘宝数据可视化案例
  4. Google公司数据可视化案例
  5. Facebook用户画像可视化案例
  6. 个人用户画像案例

 

  1. 大数据可视化呈现ECharts实战(通过一个完整的实例讲述使用ECharts数据可视化的过程与方法)
  2. Echarts使用
  3. 项目案例
  4. Echarts概述
  5. ECharts特性
  6. ECharts架构图
  7. 整合
  8. How to use?
  9. Step1. 引入模块加载器
  10. Step2. 设置具备大小的Dom
  11. Step3. 配置echarts模块路径
  12. Step4.动态加载echarts
  13. option的使用
  14. Interface
  15. setOption
  16. Option全局属性
  17. title
  18. legend
  19. dataRange
  20. toolbox
  21. dataZoom
  22. grid
  23. xAxis/yAxis/axis
  24. color
  25. 数值型
  26. 类目型
  27. tooltip.formatter
  28. series
  29. 高度个性化
  30. 其它参考图形
  31. 热力图
  32. 社交网络

 

  1. 分析结果呈现和分析报告撰写
  2. 合理的数据呈现
  3. 报告分析模板
  4. 如何撰写一份优秀的数据分析报告

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

 

课程9:Python与数据分析实战-13天

【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

  1. Python语言基础知识(介绍Python语言基础知识,包括Python语言数据类型、基础概念等)
  2. Python语言历史与趋势剖析
  3. Python语言安装
  4. 如何运行Python程序
  5. PyCharm开发环境介绍
  6. Anaconda3开发环境介绍(以Anaconda3作为程序演示环境,Python3作为演示语言)
  7. Python语言help()命令
  8. Python基本命令
  9. 变量(Variables)
  10. 表达式(Expressions)
  11. 基本数据类型
  12. 字符串与正则表达式
  13. Python条件表达式
  14. 循环(loops)
  15. 案例实战:正则表达式在爬虫中应用实例
  16. Python数据结构
  17. Python创建数组
  18. Python矩阵运算
  19. Python语言语法结构
  20. 案例:Python语言实现运营商数据分析处理

 

  1. Python函数(深入Python函数的编写语言)
  2. Python函数介绍
  3. 数据分析与建模过程
  4. Python语言定义函数规则
  5. Python语言自定义函数
  6. Python匿名函数
  7. Python内置函数
  8. Python函数案例

 

  1. Python类(class)(深入剖析Python类的原理)
  2. 类(class)介绍
  3. Python多重继承
  4. Python不支持函数重载
  5. Class and Instance Variables
  6. Method Objects
  7. Python类编写案例实战

 

  1. Python异常处理(Exceptions)(深入剖析Python异常处理)
  2. 异常处理(Exceptions)简介
  3. Python标准异常类
  4. Python异常类编程案例实战(爬虫实例)

 

  1. Python模块 (Modules)(深入剖析模块 (Modules))
  2. Python模块 (Modules)介绍
  3. Python自定义模块
  4. Python模块的导入与添加
  5. Python标准函数库模块
  6. Python第三方模块

 

  1. Python文件读写(深入剖析Python文件读写)
  2. Python文件读写简介
  3. Python读写方法介绍
  4. Python读写文本文件
  5. Python读写二进制文件
  6. Python读写json文件
  7. Python读写xml文件

 

  1. Python操作关系型数据库(深入剖析Python操作关系型数据)
  2. Python2安装MySQL Connector 
  3. Python3安装MySQL Connector
  4. Python语言操作数据库
  5. Python语言数据库优化
  6. 案例:Python语言实现话务数据时间序列建模

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

 

  1. 多线程编程 (用实战实例介绍如何实现多线程) 
  2. Python开发多线程的原理
  3. 多线程创建
  4. 线程锁
  5. 网络应用程序编程
  6. 实例:比如生成发送电子邮件

 

 

  1. Python网络编程(介绍Python网络编程)
  2. TCP/IP网络介绍
  3. Socket基础知识
  4. Socket客户端服务器连接
  5. 案例:聊天功能实战

 

  1. Python Web开发实战(介绍Python Web实战)
  2. Python Web开发
  3. Django框架介绍
  4. 定义和使用模型
  5. Django MVC架构
  6. Django开发环境搭建
  7. Django Session应用
  8. Django框架应用
  9. Django高级应用
  10. 案例:客户通话历史记录查询

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

 

  1. Python基础知识和网络程序基础知识(介绍Python基础知识和网络程序基础知识)
  2. Python语言简介
  3. Python开发环境搭建和选择
  4. IO编程
  5. 进程和多线程基础知识
  6. 网络编程和TCP协议

 

  1. Web前端基础知识(介绍Web前端基础知识)
  2. Web程序的结构
  3. Web前端的内容
  4. HTML
  5. CSS
  6. JavaScript
  7. XPath
  8. Json
  9. HTTP协议标准
  10. HTTP头和主体
  11. Cookie信息

 

  1. 网络爬虫基础知识(介绍网络爬虫基础知识)
  2. 网络爬虫概述
  3. 网络爬虫及其应用
  4. 网络爬虫结构
  5. HTTP请求的Python实现
  6. urllib2/urllib实现
  7. httplib/urllib实现
  8. 更人性化的Requests

 

  1. HTML解析(HTML解析原理介绍)
  2. 初识Firebug
  3. 安装和配置Firebug
  4. 正则表达式
  5. 基本语法与使用
  6. Python中使用正则表达式
  7. BeautifulSoup概述
  8. 安装和配置BeautifulSoup
  9. BeautifulSoup的使用
  10. lxml的XPath解析

 

  1. 基本的爬虫程序开发(介绍基本的爬虫程序开发)
  2. 基础爬虫架构及运行流程
  3. URL管理器
  4. HTML下载器
  5. HTML解析器
  6. 数据存储器
  7. 爬虫调度器

 

  1. 协议分析(协议分析)
  2. Web端协议分析
  3. 网页登录POST分析
  4. 隐藏表单分析
  5. 加密数据分析
  6. 验证码问题
  7. IP代理
  8. Cookie登录
  9. 传统验证码识别
  10. 人工打码
  11. 滑动验证码
  12. PC客户端抓包分析
  13. HTTPAnalyzer简介
  14. 虾米音乐PC端API实战分析
  15. App抓包分析
  16. Wireshark简介
  17. 酷我听书App端API实战分析
  18. API爬虫:爬取mp3资源信息

 

  1. Scrapy爬虫框架(介绍Scrapy爬虫框架)
  2. Scrapy爬虫架构
  3. 安装Scrapy
  4. 创建cnblogs项目
  5. 创建爬虫模块
  6. 定义Item
  7. 翻页功能
  8. 构建ItemPipeline
  9. 内置数据存储
  10. 启动爬虫
  11. 强化爬虫
  12. 调试方法
  13. 异常
  14. 控制运行状态
  15. ItemLoader
  16. Item与ItemLoader
  17. 输入与输出处理器
  18. ItemLoaderContext?
  19. 请求与响应
  20. 下载器中间件
  21. Spider中间件
  22. 扩展
  23. 突破反爬虫

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

  1. NumPy 安装
  2. NumPy Ndarray 对象
  3. NumPy 数据类型
  4. NumPy 数组属性
  5. NumPy 创建数组
  6. NumPy 从已有的数组创建数组
  7. NumPy 从数值范围创建数组
  8. NumPy 切片和索引
  9. NumPy 高级索引
  10. NumPy 广播(Broadcast)
  11. NumPy 迭代数组
  12. Numpy 数组操作
  13. NumPy 位运算
  14. NumPy 字符串函数
  15. NumPy 数学函数
  16. NumPy 算术函数
  17. NumPy 统计函数
  18. NumPy 排序、条件刷选函数
  19. NumPy 字节交换
  20. NumPy 副本和视图
  21. NumPy 矩阵库(Matrix)
  22. NumPy 线性代数
  23. NumPy IO
  24. NumPy Matplotlib

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

  1. Pandas环境安装配置
  2. Pandas数据结构
  3. Pandas快速入门
  4. Pandas系列
  5. Pandas数据帧(DataFrame)
  6. Pandas面板(Panel)
  7. Pandas基本功能
  8. Pandas描述性统计
  9. Pandas函数应用
  10. Pandas重建索引
  11. Pandas迭代
  12. Pandas排序
  13. Pandas字符串和文本数据
  14. Pandas选项和自定义
  15. Pandas索引和选择数据
  16. Pandas统计函数
  17. Pandas窗口函数
  18. Pandas聚合
  19. Pandas缺失数据
  20. Pandas分组(GroupBy)
  21. Pandas合并/连接
  22. Pandas级联
  23. Pandas日期功能
  24. Pandas时间差(Timedelta)
  25. Pandas分类数据
  26. Pandas可视化
  27. Pandas IO工具
  28. Pandas稀疏数据
  29. Pandas注意事项&窍门
  30. Pandas与SQL比较

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

  1. Python平台下的机器学习开发技术(介绍Python平台下的机器学习开发技术)
  2. Python平台下的数据分析工具
  3. Python平台下的数据分析工具概述
  4. NumPy数据处理
  5. NumPy案例
  6. Scipy数值计算
  7. SymPy符号处理
  8. Matplotlib绘制图表
  9. Pandas数据分析、探索工具
  10. Pandas的DataFrame
  11. DataFrame的构造
  12. StatsModels数据统计建模分析
  13. Scikit-Learn机器学习库
  14. Keras人工神经网络
  15. Keras的设计原则
  16. Gensim文本挖掘库
  17. OpenCV计算机视觉库
  18. 案例:Python语言实现基于聚类的图像分割方法

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

 

  1. 聚类模型原理与实现(深入剖析聚类原理以及通过Python语言实现聚类算法模型)
  2. 聚类介绍
  3. 聚类算法应用场景
  4. 聚类算法应用案例
  5. 样品间相近性的度量
  6. 快速聚类法
  7. 快速聚类法的步骤
  8. 用Lm距离进行快速聚类
  9. 谱系聚类法
  10. 类间距离及其递推公式
  11. 谱系聚类法的步骤
  12. 变量聚类
  13. K-Means(K均值)聚类
  14. 均值漂移聚类
  15. 基于密度的聚类方法(DBSCAN)
  16. 用高斯混合模型(GMM)的最大期望(EM)聚类
  17. 凝聚层次聚类
  18. 图团体检测(Graph Community Detection)
  19. 案例:Python语言聚类实现及绘图
  20. 案例:Kmeans应用案例剖析
  21. 课堂实操:Python语言实现基于聚类的图像分割方法

 

  1. 决策树模型原理与实现(深入剖析决策树原理以及通过Python语言实现决策树模型)
  2. 决策树介绍
  3. 决策树应用场景
  4. 决策树应用案例
  5. 信息熵
  6. ID3算法
  7. C4.5算法
  8. CART算法
  9. 决策树算法
  10. 剪枝
  11. 过拟合与调参
  12. 决策树算法原理
  13. 决策树法的决策过程
  14. 案例:Python语言实现决策树模型
  15. 课堂实操:Python语言实现决策树模型
  16. 随机森林

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

 

  1. 随机森林模型原理与实现(深入剖析随机森林原理以及通过Python语言实现随机森林模型)
  2. 随机森林介绍
  3. 随机森林的特点
  4. 随机森林的相关基础知识
  5. 信息、熵以及信息增益的概念
  6. 随机森林的生成
  7. 随机森林算法
  8. 随机森林算法原理
  9. 袋外错误率(oob error)
  10. 随机森林应用场景
  11. 随机森林应用案例
  12. 案例:Python语言实现随机森林模型
  13. 课堂实操:Python语言实现随机森林模型
  14. xgboost

 

  1. 支持向量机模型原理与实现(深入剖析支持向量机算法原理以及通过Python语言实现支持向量机模型)
  2. 支持向量机介绍
  3. 支持向量机应用场景
  4. 支持向量机应用案例
  5. 支持向量机算法
  6. 支持向量机算法原理
  7. 线性可分支持向量机
  8. 间隔最大化和支持向量
  9. 对偶问题求解
  10. 柆格朗日函数
  11. 非线性支持向量机和核函数
    1. 超平面
    2. 线性核
    3. 多项式核
    4. 高斯核
    5. 拉普拉斯核
    6. sigmiod核
  12. 线性支持向量机(软间隔支持向量机)与松弛变量
  13. 松驰因子
  14. 案例:Python语言实现支持向量机模型
  15. 课堂实操:Python语言实现基于SVM的字符识别方法

 

  1. 神经网络模型原理与实现(深入剖析神经网络算法原理以及通过Python语言实现神经网络模型)
  2. 神经网络介绍
  3. 神经网络概念
  4. 神经网络发展历史
  5. 神经网络的别名
  6. 神经网络研究的主要内容
  7. 神经网络基本构成
  8. 神经网络模拟人的智能行为的四个方面
  9. 神经网络的特点
  10. 学习能力
  11. 适应性问题
  12. 神经网络基本网络模型
  13. 单层网络
  14. 多层网络
  15. 循环网络
  16. 基本网络结构特点
  17. 典型训练算法
  18. 运行方式
  19. 典型问题解决方法
  20. 感知机
  21. 线性神经网络
  22. BP神经网络
  23. RBF网络
  24. 竞争网络
  25. 反馈神经网络
  26. 随机神经网络
  27. 遗传算法
  28. PSO与神经网络优化
  29. 自定义深度神经网络结构
  30. 深度神经网络的优化方法
  31. 深度框架的

    刘晖老师的其他课程

    • 刘晖:SPSS数据统计分析课程
    【课程收益】认识和应用SPSS最新统计分析软件掌握SPSS软件及技术原理学会运用统计方法解决工作和学习中的实际问题提高SPSS软件的运用能力,解决工作中的实际问题如何在SPSS中完成数据的统计描述和参数估计,以及如何使用统计图表来进行数据的完美呈现【课程特色】1.   课上采用案例式教学,通俗易懂,课下一对一辅导强化训练,学与练交叉进行强化记忆,你所要做的就是认真听,勤于问,乐于练。2.   清晰的知识结构,根据应用经验采用最优化授课模式。3.   内容充沛、详略得当,前后呼应。4.   讲师资历丰富,具有丰富的实践经验。5.   知识讲授+贴身案例+场景故事+互动讨论+现场演练+落地跟踪根据课程提供相应的练习数据,实现边学编练,以实践为主线掌握相应的知识体系。【课程对象】相关人员【课程时间】2天(6小时/天)需要上机操作【课程大纲】第一部分 数据管理与软件入门一、数据分析概述与软件入门SPSS软件概述SPSS的安装SPSS操作入门SPSS软件的启动与退出SPSS的5个窗口SPSS的4种运行方式SPSS的4种结果输出数据分析概述数据分析方法论介绍SPSS系列产品对数据分析流程的支持二、数据录入与数据获取数据格式概述数据的直接录入外部数据的获取电子表格数据如何导入 SPSS中文本数据如何导入 SPSS中数据库格式数据如何导入SPSS中数据的保存存为 SPSS格式存为其他数据格式三、数据管理变量级别的数据管理计算新变量对变量值进行分组合并连续变量的可视化分段将字符变量转换为数值变量变量的编秩文件级别的数据管理记录排序记录拆分记录筛选记录加权数据汇总数据字典的定义与应用查找重复记录数据文件的重新排列与转置多个数据文件的合并第二部分 统计描述与统计图表一、连续变量的统计描述与参数估计连续变量的统计描述概述统计描述中可用的工具连续变量的统计描述指标体系SPSS中的相应功能集中趋势的描述指标算术均数中位数其他集中趋势描述指标离散趋势的描述指标全距方差和标准差百分位数、四分位数与四分位数间距变异系数连续变量统计描述实例连续变量的参数估计正态分布参数的点估计参数的区间估计二、分类变量的统计描述与参数估计分类变量的统计描述概述分类变量统计描述实例多选题的统计描述分类变量的参数估计三、数据的报表呈现SPSS报表概述表格入门用 OriginalTables模块制表用 CustomTable模块自由制表表格的编辑表格高级应用技术四、数据的图形展示统计图概述直方图与茎叶图箱图饼图条图线图散点图其他统计图交互式统计图的编辑SPSS绘图中的注意事项第三部分 常用假设检验方法一、分布类型的检验假设检验的基本思想正态分布检验二项分布检验游程检验二、连续变量的统计推断-t检验t检验基础样本均数与总体均数的比较成组设计两样本均数的比较配对设计样本均数的比较三、连续变量的统计推断-单因素方差分析方差分析入门为什么要进行方差分析方法原理单因素方差分析的应用条件单因素方差分析的 SPSS实现均数间的多重比较直接校正检验水准专用的两两比较方法两两比较方法的选择策略多重比较结果出现矛盾时的解释分析实例各组均数的精细比较方法原理分析实例事先计划的比较组间均数变化的趋势检验四、有序分类变量的统计推断-非参数检验非参数检验概述非参数检验的意义非参数检验预备知识两个配对样本的非参数检验方法原理分析实例确切概率的计算两个独立样本的非参数检验Mann-WhitneyU检验分析实例其他两样本非参数检验方法多个独立样本的非参数检验方法原理分析实例多个样本的两两比较多个相关样本的非参数检验Friedman检验分析实例Kendall协和系数检验与Cochran检验秩变换分析方法原理简介应用实例五、无序分类变量的统计推断-χ2检验χ2 检验基础拟合问题-样本率与已知总体率的比较分析实例检验方法的 SPSS实现单样本χ2检验的其他话题相关问题- 两(多)个率或构成比的比较分析实例检验方法的 SPSS实现多样本 χ2检验的其他话题两分类变量间关联程度的度量一致性检验与配对χ2 检验分层χ2检验六、相关分析与回归分析相关分析简介简单相关分析偏相关分析Distances过程简单回归分析
    • 刘晖:Python自动化办公
    【课程特色】1.   课上采用案例式教学,通俗易懂,课下一对一辅导强化训练,学与练交叉进行强化记忆,你所要做的就是认真听,勤于问,乐于练。2.   清晰的知识结构,根据应用经验采用最优化授课模式。3.   内容充沛、详略得当,前后呼应。4.   讲师资历丰富,具有丰富的实践经验。5.   知识讲授+贴身案例+场景故事+互动讨论+现场演练+落地跟踪【课程对象】相关人员【课程时长】3天(6小时/天)【课程大纲】第1章  走进Python编程1.1  搭建编程环境1.2  在Windows系统中搭建Python编程1.3  在OS X系统中搭建Python编程1.4  在Linux系统中搭建Python编程第2章  变量和简单数据类型2.1  变量2.2  字符串2.3  数字2.4  数据类型转化与运算2.5  代码注释第3章  程序控制结构3.1  分支结构3.2 for计数循环3.3 while条件循环 3.4  停止和跳出循环第4章  序列中的列表4.1  列表的概念 4.2  列表的基本操作4.3  列表分片4.4  列表排序第5章  序列中的元组5.1  认识元组5.2  元组的基本操作5.3  使用元组的方法第6章  序列中的字典6.1  认识字典6.2  字典的基本操作6.3  遍历字典6.4  字典嵌套第7章  Python工具之函数7.1  函数的基本认识和用法7.2  函数的特性7.3  函数的作用域第8章  类与对象8.1  类与对象的初级认识8.2  类与对象的进阶8.3  类与对象之继承8.4  类的三大特性第9章  程序的异常9.1  错误与异常9.2  异常的处理第10章  文件操作10.1 读取文件10.2 写入文件10.3 文件读写之应用第11章  文件办公自动化与AI应用11.1 os模块入门11.2 os模块进阶11.3 文字数据处理11.4 AI智能应用功能第12章  Excel操作的自动化12.1 xlrd库的介绍和安装12.1.1 xlrd库简介12.1.2 安装xlrdD三方库12.1.3 安装过程的问题处理 12.2 xlrd库的使用12.2.1 打开Excel工作表对象12.2.2 数据读取单个单元格12.2.3 数据读取多个单元格12.2.4 Excel工作表写入单个数据12.2.5 Excel工作表写入多个数据12.2.6 Excel工作表数据复制第13章  Excel格式控制13.1 设置列宽行高13.2 设置表的风格样式13.2.1 风格样式属性13.2.2 设定风格样式13.3 设置字体属性13.4 设置边界属性13.5 设置对齐属性13.6 设置模式属性13.7 合并单元格第14章  Excel自动建表实战14.1 自动化建表应用场景14.2 表格数据分析14.3 数据格式整理14.4 数据写入到表格 14.5 追加数据到表格 14.6 设置风格样式14.7 封装风格样式第15章  让Excel自动处理飞起来15.1 xlwings库的介绍和安装15.1.1 什么是xlwings模块15.1.2 安装xlwingsD三方库15.2 xlwings库初体验15.2.1 与Excel工作簿建立连接15.2.2 相对路径和JD路径15.2.3 获取单元格数据15.2.4 工作簿文件的保存15.3 xlwings库J速入门15.3.1 xlwings库结构分析15.3.2 实例化应用15.3.3 创建工作簿对象15.3.4 创建工作表对象15.4 xlwings库常用的API(1)15.4.1 了解API 15.4.2 工作表常用的API 15.4.3 单元格常用的API 15.5 xlwings库常用的API(2)15.5.1 获取表格有效区 15.5.2 工作表中的函数15.6 xlwings库的拓展API 15.6.1 设定字体样式 15.6.2 设定边界属性 15.6.3 设定对齐属性 第16章  Excel自动化处理实战16.1 超市扫码记账系统案例16.1.1 案例简介 16.1.2 文件的打包 16.1.3 exe文件图标设计 16.2 工作簿数据筛选16.2.1 案例思路分析16.2.2 模拟数据实现16.2.3 实现数据筛选第17章  Word文档的自动化操作17.1 安装Python-docxD三方库17.2 创建Word文档17.2.1 创建空白Word文档 17.2.2 添加标题、段落和分页符17.3 设置Word中图片和字体17.3.1 操作图片 17.3.2 设置文档字体 17.4 合并多个文本文件到Word17.5 Word中插入表格第18章  加载源Word文档的操作18.1 加载源Word文档18.2 学生在校证明模板渲染案例第19章  Word模板渲染19.1 docxtpl简介19.2 学生通知书渲染案例第20章  Word文档操作案例20.1 拆分Word文档 20.2 合并Word文档 第21章  PPT文件的自动化操作21.1 Python-pptx模块简介 21.1.1 安装Python-pptx库 21.1.2 创建PPT文件 21.2 PPT相关简介 21.2.1 PPT母版与PPT幻灯片 21.2.2 PPT层次结构 21.2.3 占位符 21.3 幻灯片相关操作21.3.1 操作文本框 21.3.2 添加段落 21.3.3 添加图片 21.3.4 添加表格 21.3.5 添加形状 21.4 模板渲染 21.5 四种基本图形 21.5.1 折线图 21.5.2 柱形图 21.5.3 饼图和条形图 21.6 删除指定页 第22章  邮件处理自动化操作22.1 安装yagmail、keyringD三方库22.2 关于邮箱POP3和SMTP协议22.2.1 POP3和SMTP简介 22.2.2 开启POP3和SMTP协议 22.3 发送邮件22.3.1 发送DY封邮件 22.3.2 添加图片或链接 22.3.3 群发邮件 22.4 添加附件和定时器 22.4.1 添加附件 22.4.2 设置定时器 22.5 读取邮件 22.5.1 读取所有邮件 22.5.2 查看不同类型的邮件 22.6 删除邮件 第23章  Web的自动化操作 23.1 Selenium模块简介 23.1.1 Selenium是什么 23.1.2 安装及环境配置 23.1.3 自动加载百度页面 23.2 数据解析提取 23.2.1 操控元素的基本方法 23.2.2 自动操作鼠标键盘 23.2.3 自动化交互—鼠标动作链 23.2.4 模拟百度自动化搜索23.3 页面等待23.3.1 显式等待 23.3.2 隐式等待 23.4 自动获取京东商城信息23.4.1 设计思路23.4.2 代码演示23.5 自动获取淘宝商城信息23.5.1 案例分析 23.5.2 代码分析
    • 刘晖:数据挖掘技术及工程实践
    【课程特色】1.   课上采用案例式教学,通俗易懂,课下一对一辅导强化训练,学与练交叉进行强化记忆,你所要做的就是认真听,勤于问,乐于练。2.   清晰的知识结构,根据应用经验采用最优化授课模式。3.   内容充沛、详略得当,前后呼应。4.   讲师资历丰富,具有丰富的实践经验。5.   知识讲授+贴身案例+场景故事+互动讨论+现场演练+落地跟踪【课程对象】【课程时长】2天(6小时/天)【课程大纲】Python语言入门   第1个主题: Python语言基础知识(介绍Python语言基础知识,包括Python语言数据类型、基础概念等)1、 Python语言历史与趋势剖析2、 Python语言安装3、 如何运行Python程序4、 PyCharm开发环境介绍5、 Anaconda3开发环境介绍(以Anaconda3作为程序演示环境,Python3作为演示语言)6、 Python语言help()命令7、 Python基本命令8、 变量(Variables)9、 表达式(Expressions)10、 基本数据类型11、 字符串与正则表达式12、 Python条件表达式13、 循环(loops)14、 案例实战:正则表达式在爬虫中应用实例15、 Python数据结构16、 Python创建数组17、 Python矩阵运算18、 Python语言语法结构19、 案例:Python语言实现运营商数据分析处理第2个主题: Python函数(深入Python函数的编写语言)1、 Python函数介绍2、 数据分析与建模过程3、 Python语言定义函数规则4、 Python语言自定义函数5、 Python匿名函数6、 Python内置函数7、 Python函数案例第3个主题: Python类(class)(深入剖析Python类的原理)1、 类(class)介绍2、 Python多重继承3、 Python不支持函数重载4、 Class and Instance Variables5、 Method Objects6、 Python类编写案例实战第4个主题: Python异常处理(Exceptions)(深入剖析Python异常处理)1、 异常处理(Exceptions)简介2、 Python标准异常类3、 Python异常类编程案例实战(爬虫实例)第5个主题: Python模块 (Modules)(深入剖析模块 (Modules))1、 Python模块 (Modules)介绍2、 Python自定义模块3、 Python模块的导入与添加4、 Python标准函数库模块5、 Python第三方模块第6个主题: Python文件读写(深入剖析Python文件读写)1、 Python文件读写简介2、 Python读写方法介绍3、 Python读写文本文件4、 Python读写二进制文件5、 Python读写json文件6、 Python读写xml文件第7个主题: Python操作关系型数据库(深入剖析Python操作关系型数据)1、 Python2安装MySQL Connector 2、 Python3安装MySQL Connector3、 Python语言操作数据库4、 Python语言数据库优化5、 案例:Python语言实现话务数据时间序列建模     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语言实现电网数据分析处理Python的NumPy模块    1、 NumPy 安装2、 NumPy Ndarray 对象3、 NumPy 数据类型4、 NumPy 数组属性5、 NumPy 创建数组6、 NumPy 从已有的数组创建数组7、 NumPy 从数值范围创建数组8、 NumPy 切片和索引9、 NumPy 高级索引10、 NumPy 广播(Broadcast)11、 NumPy 迭代数组12、 Numpy 数组操作13、 NumPy 位运算14、 NumPy 字符串函数15、 NumPy 数学函数16、 NumPy 算术函数17、 NumPy 统计函数18、 NumPy 排序、条件刷选函数19、 NumPy 字节交换20、 NumPy 副本和视图21、 NumPy 矩阵库(Matrix)22、 NumPy 线性代数23、 NumPy IO24、 NumPy Matplotlib 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Python的Pandas模块    1、 Pandas环境安装配置2、 Pandas数据结构3、 Pandas快速入门4、 Pandas系列5、 Pandas数据帧(DataFrame)6、 Pandas面板(Panel)7、 Pandas基本功能8、 Pandas描述性统计9、 Pandas函数应用10、 Pandas重建索引11、 Pandas迭代12、 Pandas排序13、 Pandas字符串和文本数据14、 Pandas选项和自定义15、 Pandas索引和选择数据16、 Pandas统计函数17、 Pandas窗口函数18、 Pandas聚合19、 Pandas缺失数据20、 Pandas分组(GroupBy)21、 Pandas合并/连接22、 Pandas级联23、 Pandas日期功能24、 Pandas时间差(Timedelta)25、 Pandas分类数据26、 Pandas可视化27、 Pandas IO工具28、 Pandas稀疏数据29、 Pandas注意事项&窍门30、 Pandas与SQL比较 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Python机器学习   第1个主题: Python平台下的机器学习开发技术(介绍Python平台下的机器学习开发技术)31、 Python平台下的数据分析工具32、 Python平台下的数据分析工具概述33、 NumPy数据处理34、 NumPy案例35、 Scipy数值计算36、 SymPy符号处理37、 Matplotlib绘制图表38、 Pandas数据分析、探索工具39、 Pandas的DataFrame40、 DataFrame的构造41、 StatsModels数据统计建模分析42、 Scikit-Learn机器学习库43、 Keras人工神经网络44、 Keras的设计原则45、 Gensim文本挖掘库46、 OpenCV计算机视觉库47、 案例:Python语言实现基于聚类的图像分割方法     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Python机器学习   第1个主题: 聚类模型原理与实现(深入剖析聚类原理以及通过Python语言实现聚类算法模型)1、 聚类介绍2、 聚类算法应用场景3、 聚类算法应用案例4、 样品间相近性的度量5、 快速聚类法6、 快速聚类法的步骤7、 用Lm距离进行快速聚类8、 谱系聚类法9、 类间距离及其递推公式10、 谱系聚类法的步骤11、 变量聚类12、 K-Means(K均值)聚类13、 均值漂移聚类14、 基于密度的聚类方法(DBSCAN)15、 用高斯混合模型(GMM)的最大期望(EM)聚类16、 凝聚层次聚类17、 图团体检测(Graph Community Detection)18、 案例:Python语言聚类实现及绘图19、 案例:Kmeans应用案例剖析20、 课堂实操:Python语言实现基于聚类的图像分割方法第2个主题: 决策树模型原理与实现(深入剖析决策树原理以及通过Python语言实现决策树模型)1、 决策树介绍2、 决策树应用场景3、 决策树应用案例4、 信息熵5、 ID3算法6、 C4.5算法7、 CART算法8、 决策树算法9、 剪枝10、 过拟合与调参11、 决策树算法原理12、 决策树法的决策过程13、 案例:Python语言实现决策树模型14、 课堂实操:Python语言实现决策树模型15、 随机森林 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。图表分析和数据可视化图表和可视化技术可以使数据的展示更为直观,使数据的规律更容易被发现。同时,图表使信息的传递更为快速。1.        Excel常规图表类型及其适用场合2.        几种加强版分析图表3.        绘制仪表盘案例剖析纳税评估模型偷漏电预测模型电信资源预测模型个人信用评级模型基于水色图像的水质评价模型6、基于数据挖掘技术的精确智能营销7、基于聚类分析的客户分群

    添加企业微信

    1V1服务,高效匹配老师
    欢迎各种培训合作扫码联系,我们将竭诚为您服务

    Copyright © 2019-2024 . All Rights Reserved. 深圳鲸塔网络科技有限公司 版权所有

    琼ICP备2024027448号