CDA数据分析就业班视频_19期

一、Excel1.Excel基本介绍（12-25）
2.自定义单元格、填充柄
3.单元格拆分
4.单元格匹配和替换
5.公式求职+if语句
6.函数解析（12-26）
7.函数&数组
8.数组计算
9.查找引用函数
10.查找引用函数应用
11.查找与引用函数
12.基础绘图
13.高级绘图
14数据透视表
15.excel power BI 案例(1)
16.excel power BI 案例(2)
17.power view
18.power query (1)
19.power query(2)
20.Power View介绍
21.Power View餐饮案例&Power Poivt基础介绍
22.Power Poivt搭载多维数据集
23.Power PoivtDAX表达式


二、MySQL1.数据库介绍
2.SQL语句基本介绍
3.默认的约束条件
4.加入外部数据集使用
5.数据表、库结构的更新
6.基础查询和数据的更新
7.在WORK BENCH中查询
8.单表查询
9.case语句和索引
10.多表查询
11.MYSQL数据表连接和数据录入
12.电商数据挖掘案例介绍
13.电商数据挖掘数据描述
14.电商数据挖掘SQL实现（1）
15.电商数据挖掘SQL实现（2）
16.MYSQL经典案例讲解（1）
17.MYSQL经典案例讲解（2）
18.智能报表制作流程
19.图表
20.电商案例讲解
21.餐饮数据分析理解
22.餐饮数据分析描述
23.餐饮数据分析操作


三、统计基础1.高等数学基础
2.数据模型基础
3.矩阵
4.数据处理及函数
5.统计学基础
6极限和微分
7导数
8.洛必达法则
9.级数的收敛和发散
10.数据的度量
11.方差标准差
12.统计量和分布
13.点估计、区间估计
14.极大似然估计
15.两个总体参数的估计
16.双侧检验和单侧检验
17.拟合优度检验
18.一元线性回归
19.多元线性回归
20.线性回归R代码实现


四、SPSS1.SPSS课程简单介绍
2.SPSS软件功能
3.数据类别的介绍
4.SPSS数据库连接和图表
5.正态分布
6.SPSS中假设检验介绍
7.统计相关系数
8.相关性和回归平方和
9.方差分析
10.线性回归模型介绍
11.分析菜单简介
12.交叉表
13.逻辑回归
14.绩效案例
15.缺失值处理
16.线性回归介绍
17.残差的介绍
18.线性回归的SPSS结果解释
19.用户画像的介绍
20.F检验
21.RFM模型
22.SPSS联合分析
23.联合分析结果介绍
24.绩效综合案例讲解


五、R1.R语言的大致介绍
2.R语言的常用运算
3.列表、矩阵和数组
4.因子和DateFrame
5.数据读取函数
6.快速读取数据
7.读取练习
8.向量化运算
9.创建随机数&日期
10.字符处理
11.控制结构
12.自编函数
13.循环函数
14.Apple和Split函数
15.常见的数据清洗
16.使用SQL汇总
17.描述探索性数据分析
18.图形绘制
19.绘图系统介绍
20.基本绘图函数
21.基本统计量&中心极限定理
22区间估计&假设检验
23.T检验
24.方差分析
25.相关性检验
26.线性回归背景介绍及数据理解
27.R软件中的相关性
28.相关系数矩阵
29.偏相关系数及相关系数
30.两样本T检验
31.回归模型的实现及讲解
32.残差的介绍
33.异常值处理
34.建模及预测
35.模型评估
36.图形解释
37.逐步回归的介绍
38.多元线性回归代码展示及结果解释
39.logisits回归大致介绍
40.变量处理
41.筛选变量
42.建模及评估
43.主成分分析和因子分析方法介绍
44.主成分和因子分析在R中的实现
45.主成分分析具体剖析
46.关联规则的基本介绍
47.Apriori算法原理介绍
48.关联规则数据处理
49.关联规则可视化
50.关联规则的评估
51.数据挖掘简介
52.数据挖掘算法分类
53.聚类分析基本概念及距离计算
54.聚类的几个算法
55.R实施聚类分析
56.聚类分析总结
57.分类算法简介
58.决策树基本介绍
59.ID3算法
60.决策树R实施
61.决策树总结
62.Boosting
63.BOOTstrap&bagging
64.ADABOOST
65.随机森林实施
66.SVM引言
67.线性SVM
68.非线性SVM
69.SVM的R建模
70.条件概率
71.贝叶斯公式
72.贝叶斯分类
73.贝叶斯建模
74.模型评估
75.神经元模型
76.人工神经网络模型
77.单节感知器
78.BP神经网络
79.数据挖掘方法和建模流程
80.电影票房预测
81.CRM和信用评分卡
82.信用评分公式细节
83.评分卡代码讲解
84.客户分群
85.层次聚类和k-means聚类
86.聚类分析建模流程
87.聚类分析案例应用
88.R代码实现客户分群
3-12-1线性回归建模流程
3-12-2R语言进行数据预分析
3-12-3R语言进行变量筛选
3-12-4R语言进行模型评估
3-13-1案例分析流程
3-13-2数值型变量的处理
3-13-3缺失值、异常值处理及变量筛选
3-13-4逻辑回归及线性回归的应用
3-13-5模型评估及可视化
3-14-1.关联规则
3-14-2.Apriori和FpGrowth
3-14-3.R语言实现关联规则
3-14-4.协同过滤算法
3-14-5.R语言实现协同过滤
3-15-1时间序列简介_白噪声
3-15-2平稳时间序列模型
3-15-3平稳时序模型R实现_非平稳时序模型
3-15-4模型预测_预测评价_建模流程
3-15-5建模流程和补充
3-16-1.决策树基本介绍
3-16-2.决策树原理介绍
3-16-3.R语言实现决策树
3-16-4.决策树进阶应用
3-16-5.随机森林


六、中期交流3-17-1聚类分析
3-17-2决策树
3-17-3逻辑回归
3-17-4信用预测-逻辑回归
3-17-5逻辑回归
3-17-6主成分分析和因子分析
3-17-7数据分析知识点概述


七、python3-19-1.Python引言
3-19-2.Python基础语法
3-19-3.字符串和列表
3-19-4.列表和元组
3-20-1.字典和分支结构
3-20-2.for循环
3-20-3.循环和分支结构练习
3-20-4.自建函数
3-21-1.回顾练习
3-21-2.递归函数
3-21-3.错误和异常
3-21-4.高级函数
3-22-1函数生成_模块_读写
3-22-2随机数_目录_时间
3-22-3棋盘_赌徒必输
3-22-4连接数据库
3-24-1.dnarry对象
3-24-2.dnarry对象的方法
3-24-3.数组运算
3-24-4.函数应用和映射
3-25-1函数
3-25-2排序和过滤
3-26-1RFM计算
3-26-2医疗数据处理
3-28-1爬虫简介
3-28-2网页解析
3-28-3网页爬虫淘宝
3-28-4网页爬虫有道翻译
3-28-5网页爬虫天气
3-29-1.post获取有道翻译结果和BeautifulSoup解析网页
3-29-2.BeautifulSoup解析网页并抓取数据
3-29-3.正则表达式
3-29-4.selenium定位爬取去哪网
3-29-5.selenium爬取去哪网
3-29-6.selenium动态爬取去哪网景点
3-30-1.统计语言模型
3-30-2.词向量
3-30-3.中文分词
3-30-4.R语言实现分词和词向量
3-30-5.R语言实现词云图
3-31-1.文本分析引言和Logistic回归及KNN
3-31-2.贝叶斯和SVM
3-31-3.Python实现文本分类
3-31-4.文本聚类和主题模型
3-31-5.情感分析和CNN
4-3-1.推荐系统概述
4-3-2.冷启动问题
4-3-3.EE问题和基于近邻的协同过滤
4-3-4.基于用户和基于物品的协同过滤
4-3-5.Python实现协同过滤
4-4-1.基于内容的推荐和用户画像
4-4-2.文本挖掘算法
4-4-3.基于矩阵分解的推荐
4-4-4.基于深度学习的算法
4-4-5.视频推荐架构
4-5-1.互联网金融产品介绍
4-5-2.现金贷风控流程
4-5-3.风控策略
4-5-4.评分卡
4-5-5.业务相关
4-7-1.绩效评价和认同度调查
4-7-2.人口监测
4-7-3.人工智能简介
4-7-4.知识图谱展示
4-7-5.知识图谱构建程序
4-8-1.MySQL集训

地***址:suo.im/6f2TfA