一、Excel 1)数据分析工具EXECL入门介绍 2)数据透视表演练 3) 数据处理 4) EXECL报告自动化 5) PPT报告数据自动化 | 二、Visio 1)流程图visio入门介绍 2)案例1:基本流程图演练 3)案例2:跨职能流程图演练 4)案例3:UML模型图演练 5)案例4:数据库、数据流模型图演练 |
三、Xmind 1) 思维导图xmind入门介绍 2)案例1:项目计划导图演练 3)案例2:拼车APP功能导图分析演练 | 四、 PPT 1) 办公PPT入门介绍 2)案例演示 |
一、数据挖掘基础内容讲解 1)数据挖掘初探之功能介绍 2)excel基础知识及应用示范 3)Oracle数据库安装及应用示范 4)数据预处理(excel+Oracle) 5)预测算法-线性回归 6)分类算法 7)关联算法 8)聚类算法 9)最优化求解 | 二、SPSS MODELER数据挖掘 1)SPSS Modeler 下载安装及常规数据操作 2)SPSS Modeler数据探索及分析 3)SPSS Modeler图形探索及分析 4)SPSS Modeler回归分析建模 5)SPSS Modeler逻辑分析建模 6)RFM介绍、建模及模型应用 7)SPSS Modeler分类 8)SPSS Modeler关联分析 9)SPSS Modeler聚类分析 |
1)数据分析概念、作用和步骤 2)数据分析方法论 3)数据分析常用方法 | 4)数据图表讲解 5)数据关键指标讲解 6)数据分析报告讲解 |
一、商业需求与文档撰写格式技巧(BRD) 1)行业分析-PEST宏观环境的分析 2)项目背景——利用黄金圆圈学会问为什么,探寻为什么,最大的挑战就是成功 3)你会学到:如何谈论项目进度,如何描述项目阶段的起始和终止日期 4)学习预测未来,确定要达到的目标,估计会碰到的问题,并提出实现目标、解决问题的有效方案、方针、措施和手段的过程的方法 5)关注企业在市场中与用户的关系 6)收益、成本、风险及对策 | 二、市场需求分析与文档撰写技巧(MRD) 1)如何构建用户画像、理解用户行为,真正理解用户需求 2)理解市场需求描述、市场规模定义 3)利用SWOT分析法来确定企业自身的竞争优势、竞争劣势、机会和威胁,从而将公司的战略与公司内部资源、外部环境有机地结合起来的一种科学的分析方法 4)市场需求的经典案例 |
一、竞品分析 1)什么是竞品 2)为什么要分析竞品 3)在什么地方做出差异化 4)竞品分析的方法与流程 5)实例一:大米先生餐饮App项目的竞品分析(完整流程及方法展示) 6)实例二:支付产品:支付宝 vs 微信支付(侧重战略、战术、产品定位分析) | 二、热门各互联网行业 APP分析 1)2016年互联网行业投资热点及融资分布 2)2016年互联网行业热点概述(VR、文体娱乐、大数据、移动营销、移动出行、移动社交、移动支付、在线教育、在线 医疗、手机游戏) 3)在线视频APP:爱奇艺 4)拍摄美化神器APP:美拍 5)手机轻电台应用APP:荔枝FM vs 懒人听书 6)在线音乐APP:网易云音乐 7)在线体育APP:虎扑体育 8)文化新闻APP:今日头条 vs 凤凰新闻 9)在线阅读APP:书旗小说 10)文艺应用APP:ONE 11)移动出行APP:UBER 12)移动社交APP:陌陌 13)在线翻译APP:网易有道词典 14)女生助手APP:美柚 15)移动社交APP:探探? |
一、需求分析与管理 1)需求的定义、本质和分类 2)学习需求分析包括需求的获取、分析、规格说明、变更、验证、管理的一系列需求工程的方法 3)学习需求分析指需求的分析、定义过程 4)KANO模型定义了三个层次的顾客需求:基本型需求、期望型需求和兴奋型需求 5)需求优先级的定义 6)需求工作量估算、需求变更、需求的管理工具 | 二、产品需求文档撰写格式与技巧(PRD) 1)产品需求文档PRD的整体结构介绍 2)产品原型的设计 3)需求文档质量评估标准 4)PRD相关案例剖析 |
1、关系型数据库介绍 2、MySQL的基本操作: 1)数据库的操作 2)数据表的操作 3)备份与恢复 | 3、常用的SQL语句: 1)查询语句(SELECT) 2)插入语句(INSERT) 3)更新语句(UPDATE) 4)删除语句(DELETE) |
4、高级查询语句: 1)聚合函数 2)分组查询 3)联合查询 4)连接查询 5)子查询 | 5、高级应用: 1)视图 2)索引 |
6、数据可视化管理:SQLyog |
1、数据挖掘概述与数据 2、可视化与多维数据分析(实践课) 3、分类器与决策树 4、其他分类器 5、决策树的应用(实践课) | 6、关联分析 7、购物车数据分析(实践课) 8、聚类算法 9、聚类算法C#源代码实现(实践课) |
一、数据挖掘项目管理基础与思想 1)课程规划 2)DM项目的生命周期与建设过程 3)CRISP-DM详解 4)DM项目实际建设与管理过程 5)DM团队组成与能力素养 | 二、感性认识SPSS Modeler 1)SPSS MODELER软件基础 2)MODELER节点概要 3)MODELER数据流实例解读 |
三、必备的统计学基础 1)简单的统计学概念 2)常用的分布函数 3)统计学基础的其它补充 | 四、数据准备与预处理 1)数据质量与样本管理 2)MODELER变量管理 3)MODELER分析管理 |
五、常用模型的数学思想与思考 1)数据挖掘知识类型 2)模型过程思想 3)回归分析思想与建模解释 4)回归分析建模解释(续) 5)决策树思想与建模解释 6)回归与决策树增补 7)神经网络思想与建模解释 8)SVM思想与建模解释 9)聚类思想与建模解释 10)关联思想与建模解释 | 六、项目案例解析 1)信用风险评估 2)经营辅助决策 |
一、Python语言开发要点详解 1)模块的概念.主模块和非主模块的区别.pycharm中定义代码模版 2)安装pip 多个虚拟python环境 3)语法.变量.内置类型.运算符 4)if.for.while.else 5)数据结构.列表.元组.字典.集合 6)函数.类.异常 | 二、Python数据类型 7)列表和列表解析 8)filter和map 9)生成器表达是 10)元组 11)字符串 12)字符串之中文处理 13)字典 14)集合 |
三、函数和函数式编程 15)函数参数和变长参数列表 16)函数返回值.变量作用域.和函数__doc__属性 17)函数的嵌套定义和闭包和装饰器介绍 18)装饰器例子(日志装饰器和身份认证装饰器) 19)迭代器和生成器1 20)生成器例子 | 四、面向对象编程 21)认识经典类和新式类 22)公有属性和私有属性属性 23)访问属性.属性装饰器.描述符 24)描述符 25)方法.实例方法.静态方法.类方法 26)特殊方法.运算符重载 27)继承.多重继承.super |
五、网页爬虫(单线程,保存到文本 28)爬虫介绍 29)工具包介绍 30)request使用演示 31)xpath介绍 32)xpath使用演示 33)新闻爬虫 34)分页栏爬虫 35)豆瓣爬虫 | 六、mongodb数据库 44)mongodb介绍 45)安装.命令行.mongovue演示 46)python中插入记录 47)python中查询记录 48)python中更新记录 49)python中删除记录 50)聚合操作 |
七、多线程和多进程 51)概述 52)多线程编程 53)多进程编程 54)综合案例-网络爬虫3 | 八、scrapy实战 55)scrapy介绍和安装 56)scrapy项目框架 57)scrapy框架和案例需求分析 58)实战 |
九、django实战 59)django架构介绍 60)阶段1.安装.创建项目.创建应用.初始配置 61)阶段1.配置URL映射.视图函数 62)阶段2.定义ORM并注册到后台管理模块 63)阶段3.模版的继承.表单的使用.数据的展示 64)阶段4.多应用URL配置.数据的DML操作 |
一、R语法详解: 1)R的核心数据结构之向量、因子的区别和使用技巧 2)R的核心数据结构之矩阵、数据框、数组、列表的区别和使用技巧 3)R的控制结构(包括分支结构和循环结构)、函数和包、以及向量化计算 | 二、数据组织和整理: 1)数据导入,从多种数据源导入数据 2)数据预处理之缺失值的处理 3)数据预处理之数据转换,数据筛选? |
三、建立数据分析的统计思维和可视化探索: 1)单变量数据特点的描述方法 2)多变量数据特点的描述方法 3)借助分组发现数据中的模式 4)数据可视化建立对数据的感性认识 | 四、用回归预测未来: 1)线性回归的思想,代码、结果的详细解读; 2)多项式回归、多元线性回归 |
五、聚类方法: 1)层次聚类和k-means聚类方法 | 六、数据降维——主成分分析和因子分析: 1)维度过多会导致哪些问题 2)用逐步回归法筛除无用变量 3)用主成分分析法解决多重共线性问题 4)用因子分析法获得有业务意义的变量 |
七、关联规则: 1)用关联规则做购物车分析 | 八、决策树: 1)决策树算法ID.3、C4.5、CART算法区别和演示 2)分类效果的评价方式 |
1)机器学习的任务和方法 2)Python语言基础 3)Python语言基础2 4)分类算法介绍 5)k-临近算法 6)决策树 7)基于概率论的分类方法:朴素贝叶斯 8)Logistic回归 9)支持向量机 10)第利用AdaBoost元算法提高分类性能 | 11)利用回归预测数值型数据 12)树回归 13)无监督学习 14)利用K-均值聚类算法对未标注数据分组 15)使用Apriori算法进行关联分析 16)使用FP-growth算法来高效发现频分项集 17)利用PCA来简化数据 18)利用SVD简化数据 19)大数据与MapReduce 20)学习总结 |
一、k最近邻算法: 1)机器学习课程介绍 2)K最近邻算法的思想 3)机器学习中常用的距离指标解析 4)实战k最近邻算法 | 二、朴素贝叶斯分类算法 5)概率论的基本知识(基本概念、加法公式、乘法公式) 6)通过例子深入掌握概率的基本公式 7)全概率公式和贝叶斯定理 8)实战贝叶斯分类算法,智能手环推荐 |
三、聚类算法: 9)聚类算法概述 10)Kmeans聚类 11)Kmeans实战,图片按照色彩聚类 | 四、决策树算法: 12)决策树介绍 13)决策树的构造过程和各种算法 14)决策树中关键指标详解 15)实战决策树 |
五、线性回归和梯度下降算法: 16)线性回归的相关概念(相关、独立和协方差) 17)线性回归和最小二乘法 18)梯度下降算法 19)梯度的推导过程 20)岭回归、lasso回归和弹性网 | 六、逻辑回归和极大似然估计: 21)广义线性回归和逻辑回归 22)极大似然估计的思想 23)逻辑回归中的梯度推导 24)逻辑回归代码实战 |
七、支持向量机: 25)支持向量机原理介绍 26)线性可分的支持向量机 27)近似线性可分、非线性可分、核函数 28)坐标上升法、SMO算法、实战支持向量机 | 八、EM算法和GMM: 29)EM算法思想 30)EM算法的推导 31)实战EM算法,GMM |
九、随机森林和Adaboost: 32)随机森林 33)Adaboost思想精髓 34)Adaboost算法流程介绍 35)实战Adaboost算法 | 十、机器学习思想精华和实战经验分享: 36)机器学习解决问题思想框架 37)理解方差和偏差、损失函数和过拟合 38)L1、L2正则化和常见的5种损失函数 39)如何选择模型和选择参数,交叉验证和ROC曲线 40)自适应学习率和二分法精确搜索 41)自适应学习率和基于阿米霍准则的模糊搜索 42)经验分享 |
1、Java语法基础 2、类和对象 3、字符串 4、Java实用类 | 5、集合与泛型 6、面向对象三大特性 7、接口与抽象类 8、Java异常 |
1.数据结构和算法概述 2.数组、链表、队列、栈等线性表 3.二叉树、BST、AVL树及二叉树的递归与非递归遍历 4.B+树 | 5.跳表 6.图、图的存储、图的遍历 7.有向图、无向图、懒惰与积极的普利姆算法、克鲁斯卡尔算法及MST、单源最短路径问题及Dijkstra算法 8.并查集与索引式优先队列、二叉堆 | 9.遗传算法初步与TSP问题 10.内部排序(直接插入、选择、希尔、堆排序、快排、归并等)算法与实践中的优化 11.外部排序与优化(文件编码、数据编码、I/O方式与JVM特点、多线程、多路归并等) |
1.Linux系统概述 2.系统安装及相关配置 3.Linux网络基础 4.OpenSSH实现网络安全连接 5.vi文本编辑器 | 6.用户和用户组管理 7.磁盘管理 8.Linux文件和目录管理 9.Linux终端常用命令 10.linux系统监测与维护 |
一、hadoop: 1)Hadoop起源、体系结构以及生态圈介绍 2)Hadoop安装 3)Windows平台下Eclipse环境搭建 4)HDFS体系结构 5)HDFS SHELL API介绍 6)HDFS Java API介绍 7)Hadoop 2.x HDFS新特性 8)YARN体系结构 9)MR编程模型介绍 10)Map-Reduce编程实例:WordCount 11)MR数据类型讲解 12)MR输入格式讲解 13)MR输出格式讲解 14)案例:自定义输入、输出格式使用 15)MR Shuffle组件讲解 16)案例:二次排序 17)组合MR任务介绍 18)MR任务多数据源连接介绍 19)案例:倒排索引 | 二、zookeeper: 20)Zookeeper起源、体系结构介绍 21)Zookeeper安装 22)Zookeeper Shell命令 23)Zookeeper Java API 24)Zookeeper案例:分布式环境中实现共享锁 |
三、hbase: 25)HBase起源、体系结构以及数据模型介绍 26)HBase安装 27)HBase Shell命令 28)HBase Java API 29)HBase协处理器介绍 30)HBase和MapReduce整合 31)HBase案例:二级索引的创建 | 四、hive: 32)Hive起源、体系结构介绍 33)Hive安装 34)Hive Shell命令上 35)Hive Shell命令下 36)Hive函数 |
五、hue: 37)Hue简介 | 六、Oozie: 38)Oozie简介 39)Oozie安装 40)Oozie案例 41)Oozie Java客户端 42)Oozie Hue整合 |
七、Flume: 43)Flume介绍以及安装 44)Flume案例介绍上 45)Flume案例介绍下 46)Flume自定义Source 47)Flume自定义Interceptor | 八、Sqoop: 48)Sqoop介绍与安装 49)Sqoop案例介绍上 50)Sqoop案例介绍下 |
九、Kafka: 51)Kafka介绍与安装 52)Kafka案例 | 十、MR扩展: 53)MapReduce案例:最短路径算法 54)MapReduce案例:PageRank算法 55)MapReduce案例:社交好友推荐算法 |
一、项目需求介绍: 1)需求分析 | 二、用户行为数据收集模块实现讲解: 3)JavaSDK数据收集引擎编写 4)JSSDK数据收集引擎编写 |
三、数据分析模块实现讲解: 5)用户数据etl操作一 6)用户数据etl操作二 7)新增用户和总用户分析 8)活跃用户分析 9)活跃会员分析 10)新增会员和总会员分析 11)会话分析 12)Hourly分析 13)浏览器PV分析 14)公用代码提取 15)地域信息分析 16)外链信息分析 17)MapReducer代码优化 18)DimensionConverter相关服务设计 19)用户浏览深度分析 20)事件分析 21)订单分析 22)MR和Hive任务Oozie部署 | 四、数据展示模块讲解: 23)DataApi后台框架搭建 24)用户基本信息数据展示 25)浏览器基本信息数据展示 26)地域信息数据展示 27)用户浏览深度数据展示 28)外链数据展示 29)事件数据展示 30)订单数据展示以及项目总结 |
1)Python与金融应用概述 2)Python的基本数据类型与数据结构 3)Python数据可视化 4)金融时间序列分析 5)输入输出操作 | 6)提升Python效率 7)数学工具 8)随机分析 9)统计分析 10)数值分析技术 | 11)使用Python操作Excel 12)Python面向对象编程与图形用户界面 13)金融中的大数据技术概述 14)案例1:使用Python构建期权分析系统 15)案例2:使用Python构建简单的算法交易系统 |
第一篇 项目管理基础 1.基础与导读 2.战略管理 3.项目、群、组合与资源 4.项目选择方法 | 第二篇 体系解读与应用实践 5.项目管理过程组 6.十大知识领域 7.项目策划、定义方法与实践 8.项目资源预估方法及实践 9.项目网络方法及实践 10.风险管理方法及实践 11.合同管理方法及实践 12.质量管理方法及实践 13.全局方法及实践 |
一、订单模块: 1)多模块的业务状态跟踪处理的方式 2)如何处理多模块循环引用、交叉引用的问题 | 二、仓储模块 : 1)如何灵活的预留功能扩展。 |
三、成本核算管理: 1)如何动态的组装所需成本项。 | 四、编号生成器: 1)生成不重复的流水号,并支持各业务生成单独的流水号。 2)生成不同格式要求,不同生成算法的流水号 3)对不同的文号生成进行缓存 4)实现业务工作量监控,比如新增业务量达到阀值,暂停收取新业务等 |
五、消息模块: 1)如何设计消息交互模块 2)如何处理交互报文 | 六、权限模块: 1)如何实现API和SPI分离设计 2)如何设计公共级别的接口,并提供足够的灵活性进行扩展 |
一、程序员向架构师转型: 1)整体课程概述 2)架构设计基本概念和架构师角色剖析 3)软件架构过程以及架构师的视点和视角 4)程序员如何向架构师成功转型 | 二、软件架构体系结构: 1)软件架构体系结构概述 2)架构风格之分发-订阅风格、管道-过滤器风格、Map-Reduce风格等 3)架构模式之基本模式、对象- 关系行为模式、Web表现模式、分布模式等 4)架构模型之概念模型、领域模型、设计和代码模型等 |
三、架构设计: 1)领域驱动设计 2)类与框架设计 3)微服务架构设计 |
1)Spark的前世今生 2)课程介绍、特色与价值 3)Scala编程详解:基础语法 4)Scala编程详解:条件控制与循环 5)Scala编程详解:函数入门 6)Scala编程详解:函数入门之默认参数和带名参数 7)Scala编程详解:函数入门之变长参数 8)Scala编程详解:函数入门之过程、lazy值和异常 9)Scala编程详解:数组操作之Array、ArrayBuffer以及遍历数组 10)Scala编程详解:数组操作之数组转换 | 11)Scala编程详解:Map与Tuple 12)Scala编程详解:面向对象编程之类 13)Scala编程详解:面向对象编程之对象 14)Scala编程详解:面向对象编程之继承 15)Scala编程详解:面向对象编程之Trait 16)Scala编程详解:函数式编程 17)Scala编程详解:函数式编程之集合操作 18)Scala编程详解:模式匹配 19)Scala编程详解:类型参数 20)Scala编程详解:隐式转换与隐式参数 21)Scala编程详解:Actor入门 |
1、Spark核心编程进阶 2、Spark内核原理进阶 3、Spark SQL实战开发 4、Spark Streaming实战开发 5、Spark运维管理进阶 |
1)商业智能的概念及初步体验 2)SSIS整体及常用对象概述 3)SSIS控件 4)SSIS表达式 5)SSIS实战 6)SSAS-前言及MDX基础 7)SSAS-MDX基本查询 8)SSAS-MDX基础函数 9)SSAS-MDX导航函数 10)SSAS-经典MDX语句 | 11)SSAS-开发多维数据库 12)SSAS-度量值详解 13)SSAS-KPI, 与多维数据集的交互和其他 14)SSAS-创建ADM_BF_SSAS以及小结 15)WEB报表-项目回顾以及搭建web框架 16)WEB报表-权限系统 17)WEB报表-使用ADOMD.NET 18)WEB报表-功能分析 19)SRS-前言 20)SSRS-基础报表 |
一、理论讲解部分: 1.商业智能系统的发展 2.数据仓库的主要术语解析 3.如何设计数据仓库 | 二、项目实战部分: 1. 操作性数据库的准备和分析 2.创建数据库、时间维度表 3.编写存储过程为时间维度表添加数据 4.建立其他维表 5.分析操作型数据库中的数据情况、确定分区和粒度、建立事实表 6.增加Gender维度,GZYS维度,Age维度并添加数据 7.Extract, Transform, Load-Sp框架搭建及编写 8.ODS表 9.修改调试ETL的存储过程 10.加入校验机制并完善ETL |
1.使用计算机执行贝叶斯推断 2.了解PyMC 3.MCMC 的黑盒子 4.大数定律 5.损失函数 6.主观与客观先验 7.贝叶斯AB 测试 8.关于预测的两类核心算法 | 9、“岩石vs 水雷”数据集的特性 10.基于因素变量的实数值预测 11.预测模型的构建:平衡性能、复杂性以及大数据 12.惩罚线性回归模型 13.使用惩罚线性方法来构建预测模型 14.集成方法 15.用Python 构建集成模型 |
1.TensorFlow 基础 2.TensorFlow 和其他深度学习框架的对比 3.TensorFlow 第一步 4.TensorFlow 实现自编码器及多层感知机 5.TensorFlow 实现卷积神经网络 | 6.TensorFlow 实现经典卷积神经网络 7.TensorFlow 实现循环神经网络及Word2Vec 8.TensorFlow 实现深度强化学习 9.TensorBoard、多GPU 并行及分布式并行 |
1.协同过滤推荐 2.基于内容的推荐 3.基于知识的推荐 4.混合推荐方法 | 5.推荐系统的解释 6.评估推荐系统 7.案例研究 |
1.AI 的产生及主要学派 2.人工智能、专家系统和知识工程 3.实现搜索过程的三大要素 4.搜索的基本策略 5.图搜索策略 6.博弈与搜索 7.演化搜索算法 | 8.群集智能算法 9.记忆型搜索算法 10.基于Agent 的搜索 11.知识表示与处理方法 12.谓词逻辑的归结原理及其应用 13.非经典逻辑的推理 14.次协调逻辑推理 |
欢迎光临 168大数据 (http://www.bi168.cn/) | Powered by Discuz! X3.2 |