☆ 1、如有部分內(nèi)容理解不透或消化不好，可免費在以后培訓班中重聽；
      ☆ 2、在課程結(jié)束之后,授課老師會留給學員手機和E-mail,免費提供半年的課程技術支持，以便保證培訓后的繼續(xù)消化；
      ☆3、合格的學員可享受免費推薦就業(yè)機會。
      ☆4、合格學員免費頒發(fā)相關工程師等資格證書，提升您的職業(yè)資質(zhì)。

01章Python編程基礎知識
01-01成為Python高手之前必備基礎知識
01-02數(shù)據(jù)分析的武器庫與分析工具Python介紹
01-03Python的基本數(shù)據(jù)類型和數(shù)據(jù)結(jié)構
01-04Python的程序控制
01-05Python的函數(shù)與模塊
01-06Python日期和時間處理
01-07Python字符串處理與正則表達式
01-08Python異常處理和文件操作
01-09實戰(zhàn)：基于Python的函數(shù)創(chuàng)建與商業(yè)實操文件操作
02章Python進行數(shù)據(jù)整理和數(shù)據(jù)清洗
01-01Numpy中的數(shù)據(jù)類型--ndarray數(shù)組的創(chuàng)建
01-02Numpy數(shù)組基礎：索引、切片、變形、分裂
01-03Numpy數(shù)組運算：通用函數(shù)
01-04Numpy數(shù)組變形、拼接
01-05Numpy數(shù)組計算：廣播、聚合、比較和掩碼、數(shù)組排序
01-06Pandas對象簡介：Series、Dataframe、Index
01-07Pandas數(shù)據(jù)加載與存儲
01-08Pandas數(shù)值運算方法：通用函數(shù)、聚合函數(shù)、遍歷
01-09Panda層次化索引
01-10Pandas數(shù)據(jù)處理：數(shù)據(jù)類型轉(zhuǎn)換、缺失值處理、字符串轉(zhuǎn)換
01-11Pandas數(shù)據(jù)表的合并與連接
01-12Pandas數(shù)據(jù)的累計與分組
01-13高性能Pandas：query（）、eval（）實現(xiàn)高性能運算
01-14Pandas數(shù)據(jù)規(guī)整化：清理、轉(zhuǎn)換、合并、重塑
01-15Pandas時間序列&金融數(shù)據(jù)處理
01-16實戰(zhàn)案例1：泰坦尼克幸存者數(shù)據(jù)清洗
01-17實戰(zhàn)案例2：USDA食品數(shù)據(jù)清洗
03章Python進行數(shù)據(jù)可視化技術-線上
01-01繪圖思想的基本原理
01-02Python數(shù)據(jù)可視化包-Matplotlib介紹
01-03使用Matplotlib進行基本的圖形繪制
01-04使用Python數(shù)據(jù)處理包Pandas做可視化
01-05Python數(shù)據(jù)可視化包-Seaborn介紹與圖形繪制
01-06Python數(shù)據(jù)可視化包-Pyecharts介紹與圖形繪制
01-07使用Python進行地圖繪制-Pyecharts
01-08數(shù)據(jù)可視化技巧
04章Python進行網(wǎng)絡爬蟲
01-01網(wǎng)絡爬蟲基礎知識
01-02網(wǎng)絡請求及響應-Requests庫
01-03HTML文檔解析-BeautifulSoup庫
01-04常見反爬蟲機制及應對
01-05網(wǎng)絡爬蟲 VS 網(wǎng)絡數(shù)據(jù)抓取
01-06實戰(zhàn)1：新東方批量下載頭像
01-07實戰(zhàn)2：抓取豆瓣書籍簡介
01-08實戰(zhàn)3：模擬瀏覽器selenium抓取電商商品信息及評論
05章Python數(shù)據(jù)清洗高級操作及案例實戰(zhàn)
01-01如何成為一名優(yōu)秀的數(shù)據(jù)分析師
01-02P供Python讀取的數(shù)據(jù)：CSV文件、JSON數(shù)據(jù)、XML數(shù)據(jù)
01-03數(shù)據(jù)的獲取與存儲：數(shù)據(jù)的不平等性、真實性、可讀性、清潔度等
01-04對獲取到的數(shù)據(jù)進行探索：埃博拉病毒危機、列車安全數(shù)據(jù)、童工數(shù)據(jù)
01-05數(shù)據(jù)清洗探索：找出要清洗的數(shù)據(jù)、數(shù)據(jù)格式化、找出離群值和不良數(shù)據(jù)、找出重復數(shù)據(jù)、模糊匹配、正則匹配等
01-06數(shù)據(jù)清洗探索：標準化和腳本化（數(shù)據(jù)歸一化和標準化、找到適合項目的數(shù)據(jù)清洗方法、數(shù)據(jù)清洗腳本化、用新數(shù)據(jù)測試）
01-07數(shù)據(jù)探索和分析：數(shù)據(jù)探索（表函數(shù)探索、連接多個數(shù)據(jù)集、找出離群值、創(chuàng)建分組）
01-08數(shù)據(jù)探索與分析：分離和聚焦數(shù)據(jù)、描述結(jié)論、書寫報告文檔
01-09Pandas時間序列&金融數(shù)據(jù)處理
01-10數(shù)據(jù)清洗實戰(zhàn)案例：泰坦尼克幸存者數(shù)據(jù)清洗&USDA食品數(shù)據(jù)清洗
01-11數(shù)據(jù)探索實例：為什么非洲童工雇傭的概率更高？腐敗感和童工雇傭有什么關系？
01-12數(shù)據(jù)探索實例：國外電商用戶購買信息的數(shù)據(jù)處理與探索：通過購物籃商品信息探索出客戶來源、流失、留存率、消費水平及消費傾向。
06章機器學習和數(shù)據(jù)挖掘概述-線上
01-01數(shù)據(jù)挖掘概念
01-02數(shù)據(jù)挖掘算法分類
01-03數(shù)理統(tǒng)計vs機器學習一般流程
01-04有監(jiān)督學習算法
01-05無監(jiān)督學習算法
01-06機器學習學習路線圖和推薦書籍
07章Python進行機器學習和sklearn實戰(zhàn)-Part1
01-01機器學習入門介紹：機器學習基本思想、常用算法分類、算法庫等
01-02Scikit-Learn入門介紹：特征矩陣、標簽數(shù)組、評估器及常用函數(shù)
01-03Scikit-Learn特征工程：分類特征、文本特征、圖像特征、特征衍生、缺失值填充、特征管道
01-04KNN-最近鄰分類器、KD-Tree和KNN回歸
01-05KNN算法示例：改進約會網(wǎng)站配對效果
01-06梯度下降算法：梯度下降、隨機梯度下降和微批梯度下降
01-07原理補充：條件概率計算、全概率公式、K-S曲線、受試者特征曲線（ROC）等
01-08貝葉斯分類器：樸素貝葉斯、貝葉斯網(wǎng)絡
01-09樸素貝葉斯算法示例：垃圾郵件過濾
01-10原理補充：梯度下降算法，包括梯度下降、隨機梯度下降和微批梯度下降
01-11回歸分析：線性回歸、嶺回歸、LASSO和彈性網(wǎng)
01-12回歸分析算法示例：預測海洋生物鮑魚的年齡
01-13廣義線性回歸：Logistic回歸和泊松回歸
01-14Logistic回歸算法示例：構建信用卡反欺詐模型
08章Python進行機器學習和sklearn實戰(zhàn)-Part2
01-01樹模型：C4.5、C5.0和CART樹
01-02樹模型算法示例：紅酒分類
01-03SVM支持向量機分類和支持向量機回歸
01-04SVM算法示例：手寫數(shù)字識別
01-05集成算法之Bagging類算法：Bagging、隨機森林等
01-06集成算法之Boosting類算法：Boosting、GBDT梯度提升樹、XgBoost等
01-07集成算法示例：泰坦尼克號幸存者預測
01-08神經(jīng)網(wǎng)絡算法：反向傳播神經(jīng)網(wǎng)路、卷積神經(jīng)網(wǎng)絡、LSTM等
09章Python進行機器學習和sklearn實戰(zhàn)-Part3
01-01聚類分析：K-means快速聚類、DBSCAN密度聚類、層次聚類等
01-02關聯(lián)規(guī)則：Apriori、FP-Growth、PrefixSpan等
01-03無監(jiān)督學習：LDA、LSI
01-04數(shù)據(jù)降維方法：PCA主成分分析和SVD奇異值分解
01-05Scikit-Learn常用功能介紹與使用：網(wǎng)格搜索、Pipline
01-06大型綜合案例：利用Pipline選擇模型構建機器學習流，并利用網(wǎng)格搜索完成模型調(diào)優(yōu)
10章電商行業(yè)綜合案例
01-01電商行業(yè)和算法應用場景介紹
01-02案例1：基于電商銷售數(shù)據(jù)的營銷分析
01-03step1：數(shù)據(jù)的讀取及數(shù)據(jù)清洗
01-04step2：數(shù)據(jù)整并和字段擴充、數(shù)據(jù)編碼工作
01-05step3：聚類分析模型建置
01-06step4：模型的應用：精準營銷和推薦
01-07案例2：基于關聯(lián)規(guī)則的電商推薦案例
01-08案例3：基于物品的協(xié)同過濾的推薦
01-09案例4：基于用戶的協(xié)同過濾的推薦
11章金融行業(yè)綜合案例
01-01金融行業(yè)和算法應用場景概述
01-02信用評分卡的設計流程
01-03案例：使用Python進行申請信用評分卡建置
01-04step1：數(shù)據(jù)讀取和數(shù)據(jù)分析相關庫加載
01-05step2：數(shù)據(jù)的預處理
01-06step3：數(shù)據(jù)探索：描述性分析和可視化
01-07step4：數(shù)據(jù)轉(zhuǎn)換-WOE(Weight Of Evidence)轉(zhuǎn)換
01-08step5：使用邏輯回歸進行建模
01-09step6：模型評估和評分卡輸出
01-10神經(jīng)網(wǎng)絡基礎和案例
01-11機器學習調(diào)參方法
01-12非對稱樣本處理問題
01-13特征選擇概述方法