课程简介
数智赋能
人工智能时代，如何用机器来提高生产力？在这里，你可以学到前沿且实用的技术，挖掘数据的魅力。
模板应用
教你用可落地、易操作的数据科学思维和技术模板构建出优秀模型。
技术精进
聚焦策略分析技术及企业常用的分类、NLP、深度学习、特征工程等数据算法，只教实用干货，以专精技术能力提升业务效果与效率。
工具应用
课程中安排了Sklearn/LightGBM、Tensorflow/PyTorch、Transformer等工具的应用实现，并根据输出的结果分析业务需求，为进行合理、有效的策略优化提供数据支撑。
培训内容
1-1数据库基本概念
1-2DDL数据定义语言
1-3DML数据操作语言
1-4单表查询
1-5多表查询
1-6Python连接SQL
2章预习课（录播）——Python编程基础
2-1Python标准数据类型
2-2控制流语句
2-3自定义函数
2-4异常和错误
2-5类与面向对象编程
2-6Numpy数组操作
3章预习课（录播）——数学与统计学基础
3-1线性代数
3-2微积分
3-3描述性统计
3-4参数估计
3-5假设检验
3-6相关分析
3-7卡方分析
3-8一元线性回归理论推导
3-9多元线性回归理论推导
4章商业策略分析第1周
4-1数据库MySQL实战应用
4-2Python连接SQL数据库
4-3零售电商多表分析案例
4-4分析基础-数据分析的概念、过程、能力
4-5统计分析可视化
4-6企业经营分析-指标体系
5章商业策略分析第2周
5-1用Python做数据分析，必会的库Pandas
5-2用Pandas做数据清洗与数据探索
5-3Python数据可视化库（Matplotlib，Seaborn）
5-4教育行业分析-学校学科教育可视化案例
5-5统计分析（相关分析，方差分析）
5-6线性回归（建立模型和模型检验）
5-7识别分析-用户支出影响因素分析案例
6章商业策略分析第3周
6-1逻辑回归（模型的建立与估计，模型评估）
6-2分类与回归的结合
6-3信息压缩-主成分分析与因子分析（数据降维）
6-4用户流失分析-员工流失预警案例
6-5因子分析-城市发展水平综合分析
6-6客群分析-标签体系与与用户画像
6-7AB test-应用最广泛的对比分析方法
6-8应用用户画像-美国某企业用户画像实战案例
7章商业策略分析第4周
7-1时间序列分析（ARIMA算法）
7-2带滞后项的线性回归
7-3销售额预测-线上平台销售额预测实战案例
7-4数据采集处理方法（数据采集，数据录入，数据预处理）
7-5数据管理（数据分类，数据建模，数据仓库和ETL）
7-6产品目标人群分析-市场数据的应用案例
8章商业策略分析第5周
8-1层次聚类
8-2Kmeans聚类
8-3聚类分析评价方法-决策树应用
8-4用户分群-零售行业运营案例
8-5数字化工作方法
8-6运筹优化方法（线性规划与二次优化，基于业务流程的优化）
8-7数字化运营综合案例-某机构营销响应概率预测与风险预测案例
9章商业策略分析第6周
9-1数据接入（接入策略，调度工具，实时数据接入方法）（附加内容）
9-2大数据平台技术架构与应用（分布式存储与计算，支持数据分析，大数据架构）（附加内容）
9-3数据挖掘导论
9-4KNN
9-5贝叶斯
9-6SVM
10章机器学习进阶第7周
10-1决策树（ID3,C4.5,CART）
10-2决策树的模型调优
10-3病马死亡归类与识别案例
10-4用户分类-保险行业用户分类分析
10-5带正则项的回归分析
10-6大数据环境下的回归分析实现（Spark实现）
11章机器学习进阶第8周
11-1AdaBoost,随机森林,GBDT,XGBoost,LightGBM
11-2关联规则（关联规则的概念，评估指标，Apriori算法）
11-3协同过滤
11-4大数据环境下的协同过滤实现
11-5产品组合策略-电信公司产品捆绑销售策略分析案例
12章机器学习进阶第9周
12-1数据处理的前沿方法：特征工程概要
12-2特征工程（特征的建构、选择、转换、学习）
12-3感知器及多层感知器
12-4深度神经网络（BP神经网络概述，架构）
12-5卷积神经网络
12-6循环神经网络
12-7残差网络
12-8图像分析-手写数字自动识别
13章机器学习进阶第10周
13-1数据的爬取（http原理、requests应用）
13-2文本数据清洗（正则表达式、HTML结构及xpath应用）
13-3文本特征加工（分词与词性标注，文本特征处理，关键词抽取、文本分类与聚类方法）
13-4词嵌入（CBOW与Skip-gram）
13-5注意力机制Attention
13-6预训练框架Transformer
13-7Bert
13-8自然语言处理-用户情绪自动识别
14章机器学习进阶第11周
14-1聚类分析进阶（密度聚类，高斯混合聚类，谱聚类）
14-2异常识别（孤立森林，局部异常因子）
14-3交易反欺诈-异常交易识别案例
14-4实战项目-金融行业反欺诈
15章机器学习进阶第12周
15-1实战项目-行业文本分析
15-2实战项目-信用评分卡
16章毕业周
16-1毕业答辩
17章选修课
17-1数字化运营【18课时】
17-2数据产品经理？【1课时】
17-3Python爬虫【15课时】
17-4深度学习之图像识别【6课时】
17-5Tableau多维可视化分析【3课时】
面向对象
希望提升数据挖掘技术的在职提升者
从事算法科学、深度学习等工作的科研人员、分析师与工程师等
产品、运营、营销、管理、咨询相关岗位从业者，希望增加数据分析技能与思维
参加CDA等级认证考试LEVELII和LEVELⅢ考生
学习目标
熟练掌握Python数据挖掘算法与实践，包括统计分析、统计模型、机器学习算法、深度学习算法、文本挖掘算法
灵活使用数据挖掘算法解决各行业的业务问题，通过策略优化和精准预测来解决运营、产品、营销方面的问题
