原创 Python数据分析培训班学什么？学完有什么用？

Python数据分析培训班学什么？以博学谷“所有人都能学的数据分析课”为例，课程内容既有数据库管理、统计理论方法这样的基础理论知识，又有数据分析主流软件的应用操作，而且对一整套数据分析流程技术都进行系统而又充分的讲解。大家学完该课程能获得在各行业都能分析数据的能力，达到达到中级数据分析师的水平。以下是数据分析的具体课程安排：

1、Python数据分析培训班课程大纲：

第 一 章：数据分析师职业概览

1-1 数据分析师的职业概览

1-1-1 数据分析师的“钱”景如何

1-1-2 什么人适合学数据分析

1-1-3 数据分析师的临界知识

1-1-4 数据分析师的主要职责

第 二 章：数据分析和数据挖掘的概念和理论

2-1 基础概念

2-1-1 数据分析及数据挖掘定义

2-1-2 数据分析与数据挖掘的层次

2-1-3 数据分析及数据挖掘三要素

2-1-4 本节小结

2-2 探索性数据分析

2-2-1 如何描述业务量数据

2-2-2 可视化展示的原则

2-2-3 本节小结

2-3 预测和分类

2-3-1 预测和分类的概念模型、流程

2-3-2 分类和预测：线性回归

2-3-3 逻辑回归

2-3-4 决策树算法

2-3-5 支持向量机

2-3-6 朴素贝叶斯

2-3-7 本节小结

2-4 分群和降维

2-4-1 聚类算法的基本概念

2-4-2 层次聚类

2-4-3 K-means聚类

2-4-4 降维模型-PCA

2-4-5 本节小结

第 三 章：统计学基础和SPSS软件应用

3-1 描述性统计分析

3-1-1 统计分析的目的

3-1-2 统计分析的关键概念

3-1-3 四种测量尺度

3-1-4 集中趋势—均值

3-1-5 集中趋势—中位数和众数

3-1-6 离散趋势-极差和标准差

3-1-7 案例操作-如何实现离中趋势和集中趋势

3-1-8 本节小结

3-2 假设检验/统计判断

3-2-1 统计学本质

3-2-2 统计学两大定理

3-2-3 统计推断-抽样误差与标准误

3-2-4 统计推断-t分布

3-2-5 统计推断—参数估计

3-2-6 统计推断—假设检验

3-2-7 本节小结

3-3 抽样方法

3-3-1 统计过程

3-3-2 抽样的概念

3-3-3 抽样方法与非抽样方法

3-3-4 抽样调查与普查的特点

3-3-5 非抽样误差

3-3-6 非抽样误差的三种类型

3-3-7 无回答误差的处理

3-3-8 抽样过程

3-3-9 抽样单元与抽样框

3-3-10 抽样形式

3-3-11 概率抽样-简单随机抽样和系统抽样

3-3-12 概率抽样-PPS抽样

3-3-13 概率抽样-分层抽样

3-3-14 非概率抽样-区域抽样、时间抽样和电话抽样

3-3-15 本节小结

3-4 一般线性模型

3-4-1 t检验

3-4-2 t检验-案例实践

3-4-3 F检验

3-4-4 F检验-案例实践

3-4-5 相关分析

3-4-6 相关分析-案例实践

3-4-7 线性回归

3-4-8 线性回归-案例实践

3-4-9 本节小结

第 四 章：数据预处理基础

4-1 数据分析前的准备工作

4-1-1 统计工作流程

4-1-2 统计准备工作

4-1-3 数据检查要点

4-1-4 开放题的准备

4-1-5 本节小结

4-2 数据清洗

4-2-1 数据清洗的概念和流程

4-2-2 字段选择与数据质量报告

4-2-3 数据清洗主要工作

4-2-4 错误值和异常值处理方法

4-2-5 缺失值处理方法

4-2-6 异常值和缺少值的处理操作

4-2-7 本节小结

4-3 数据规范化

4-3-1 数据转化

4-3-2 数据离散化与数据扩充

4-3-3 数据合并与拆分

4-3-4 本节小结

第 五 章：Mysql教程

5-1 SQL简介

5-1-1 SQL简介

5-1-2 建立数据库

5-1-3 建立数据表和约束条件

5-1-4 插入和更改

5-1-5 本节小结

5-2 基本查询语句

5-2-1 基本查询语句

5-2-2 本节小结

5-3 交叉查询和子查询

5-3-1 聚合函数和交叉查询；group by

5-3-2 子查询（in、not in）&模糊匹配 Like

5-3-3 本节小结

5-4 练表查询

5-4-1 连表查询

5-4-2 本节小结

第 六 章：Excel分析及可视化

6-1 Excel简介

6-1-1 Excel简介

6-2 Excel函数技巧

6-2-1 函数的简介

6-2-2 查找函数—vlookup和hlookup

6-2-3 查找函数—INDEX和MATCH

6-2-4 统计函数

6-2-5 逻辑函数(上)-if、and和or

6-2-6 逻辑函数（下）

6-2-7 日期函数和文本函数

6-2-8 本节小结

6-3 Excel快速处理技巧

6-3-1 宏的技巧

6-3-2 数据透视表和选择性粘贴

6-3-3 格式调整技巧

6-3-4 查找和定位&数据有效性技巧

6-3-5 快捷键相关技巧

6-3-6 本节小结

6-4 Excel可视化技巧

6-4-1 如何制作一张图

6-4-2 组合图的做法

6-4-3 条形图的变体

6-4-4 数据气泡地图的做法

6-4-5 本节小结

第 七 章：进阶统计学

7-1 多变量分析方法选择思路

7-1-1 多变量分析方法的选择

7-1-2 无监督分析和有监督分析

7-1-3 无监督分析的原则

7-2 因子分析

7-2-1 因子分析使用场景

7-2-2 因子的概念及分析过程

7-2-3 因子数的推定

7-2-4 因子轴的旋转

7-2-5 因子解释及因子得分计算

7-2-6 案例实践

7-2-7 如何用因子分析做评价

7-3 聚类分析

7-3-1 聚类分析使用场景

7-3-2 聚类分析算法

7-3-3 非层次法聚类K-means

7-3-4 K-means-案例实践

7-3-5 二阶聚类

7-4 对应分析

7-4-1 对应分析使用目的及结果解读

7-4-2 对应分析案例实践

7-5 多维尺度分析

7-5-1 概念和使用场景

7-5-2 多维尺度分析举例

7-5-3 案例1：根据学生评分进行分座位

7-5-4 案例2：根据学生考试成绩进行分座位

7-5-5 案例3：根据手机的相似度判断竞争力

7-5-6 多维尺度的不足及替代方法

7-6 时间序列分析

7-6-1 时间序列使用场景

7-6-2 两种类型的时间序列

7-6-3 时间序列模型ARIMA

7-6-4 时间序列中的处理方法

7-6-5 案例实践—某连锁超市销售额影响因素预测

7-7 Logistic

7-7-1 使用场景和理论背景

7-7-2 Logisitic案例实践-用户流失的影响因素及新用户预测

第 八 章：经典数据挖掘算法

8-1 数据挖掘基础及数据分层抽样

8-1-1 生活中熟悉的数据挖掘案例

8-1-2 数据准备及数据分割方式

8-1-3 数据分析与数据挖掘的联系与区别

8-1-4 Modeler软件介绍

8-1-5 如何在Modeler实现数据分层抽样

8-2 朴素贝叶斯

8-2-1 朴素贝叶斯原理

8-2-2 朴素贝叶斯算法过程

8-2-3 朴素贝叶斯算法举例

8-2-4 朴素贝叶斯算法优点及不足

8-2-5 案例实践-使用贝叶斯网络建模

8-3 决策树

8-3-1 决策树应用场景

8-3-2 决策树算法（1）—ID3

8-3-3 决策树算法（2）—C4.5

8-3-4 决策树算法（3）—回归树CART

8-3-5 决策树算法（4）-CHAID

8-3-6 防止过度拟合的问题

8-3-7 使用Modeler如何做决策树

8-4 神经网络

8-4-1 神经网络的组成

8-4-2 计算误差函数，修正初始权重

8-4-3 神经网络与其他分析的关系

8-4-4 案例实践

8-5 支持向量机

8-5-1 支持向量机原理介绍

8-5-2 线性可分与线性不可分

8-5-3 案例实践

8-6 集成算法和模型评估

8-6-1 集成算法的目的与方式

8-6-2 Bagging与Boosting的计算原理

8-6-3 根据混淆矩阵进行模型评估

8-6-4 在Modeler中画出GAIN曲线图和Lift曲线图

8-6-5 学习资料拓展

第 九 章：R语言入门及基础分析

9-1 R语言基础操作

9-1-1 初识R语言

9-1-2 R语言的基本操作

9-1-3 R语言的数据结构介绍

9-1-4 向量和矩阵的基本操作

9-1-5 数据框的操作

9-1-6 循环控制流—for&whlie

9-1-7 条件选择控制流-if

9-1-8 自定义函数

9-1-9 R语言关于概率分布的函数及应用介绍

9-1-10 离散随机变量分布和连续随机变量分布

9-2 R语言描述性数据分析

9-2-1 探索性数据分析—集中趋势和离中趋势

9-2-2 探索性数据分析—相关系数及函数介绍

9-2-3 探索性数据分析—假设检验

9-3 R语言回归算法

9-3-1 回归基本算法及相关函数介绍（上）

9-3-2 回归基本算法及相关函数介绍（下）

9-3-3 模型选择

9-3-4 回归诊断

9-4 R语言分类算法

9-4-1 逻辑回归（上）

9-4-2 逻辑回归（下）

9-4-3 决策树算法

9-4-4 决策树的剪枝

9-4-5 随机森林

9-5 R语言聚类和降维

9-5-1 使用R如何实现层次聚类

9-5-2 使用R如何实现kmeans聚类法

9-5-3 如何判定聚类的好坏

9-5-4 使用R如何实现PCA降维算法

第 十 章：Python入门及基础分析

10-1 概述与基本操作

10-1-1 课程与开发环境简介

10-1-2 帮助文档的获取&基础操作

10-1-3 基础操作：整数、小数、复数&列表、字符串、字典

10-1-4 自定义函数

10-1-5 Jupyter常用快捷键以及自动补全功能的实现

10-1-6 本节小结

10-2 Numpy

10-2-1 从头创建一个数组

10-2-2 案例实践-如何实现99乘法表和老虎机

10-2-3 数组的操作

10-2-4 数组的计算

10-2-5 数组的广播

10-2-6 比较、掩码和布尔逻辑

10-3 Pandas

10-3-1 序列和数据框

10-3-2 索引和切片

10-3-3 通过索引运算和生成新的列

10-3-4 文件的读取和写入

10-3-5 缺失值处理

10-3-6 数据连接

10-3-7 分组和聚合

10-3-8 数据透视表

10-3-9 字符串的处理

10-3-10 本节小结

10-4 Matplotlib与python作图

10-4-1 基础作图—折线图和散点图

10-4-2 基础作图—直方图和饼图

10-4-3 图表设置--子图和图例

10-4-4 图表设置—标签、表格样式和cmap

10-4-5 高级作图

10-4-6 本节小结

10-5 Sklearn与机器学习基础

10-5-1 线性回归

10-5-2 逻辑回归的原理、模型实现与正则化

10-5-3 逻辑回归的模型的评估以及最优迭代次数

10-5-4 贝叶斯分类器的实现过程

10-5-5 朴素贝叶斯算法案例-手写数字识别

10-5-6 数据预处理

10-5-7 决策树和随机森林—熵和决策树

10-5-8 决策树和随机森林算法对比

10-5-9 随机森林的调参

10-5-10 支持向量机—核函数

10-5-11 支持向量机是如何防止过拟合的

10-5-12 如何使用Python实现PCA降维算法

10-5-13 如何使用Python实现Kmeans聚类

10-5-14 本节小结

第 十一 章：课程总结图谱

11-1 课程总结图谱

11-1-1 课程总结

2、Python数据分析培训班学完收获：

（1)据业务场景和需求进行数据可视化过程，做出表达精准的数据图.

(2)掌握数据清洗、数据规范化等数据预处理的操作流程.

(3)学会使用Excel、SQL、modeler 、SPSS、R语言、 Python语言进行数据分析和数据挖掘.

(4)独立完成数据建模分析，诊断各环节运营数据情况，支持决策、提供策略并推动落地.

(5)胜任中级数据分析师的岗位。

看到这相信大家对Python数据分析培训班的学习内容有了大致的了解，相信大家只要好好跟着老师学，学完一定能收益良多。