我们每秒生成
1.7MB的数据量
普通互联网用户每天
产生1.GB的数据量
Facebook每天产生4PBPB的数据量
(包含100亿条消息、3.5亿张照
片以及1亿小时的视频浏览)
自动驾驶汽车每天
产生4TB的数据量
智慧工厂每天
产生1PB的数据量
“ 每时每刻,我们都在产生大量的数据:微信聊天、地铁刷卡、 银行存储…据IDC发布的《数据时代2025》报告显示, 全球每年产生的数据量将从2018年的33ZB增长到175ZB, 以数据为中心的数字经济时代已经来临, 如何掘金堪比石油的数据是所有个人、企业和国家的机遇和挑战。 ”
根据相关数据显示,预计2023年中国大数据行业的人才需求规模将达到250万,2025年前大数据人才需求仍将保持30%-40%的增速,需求总量在3000万人左右。
来源:https://baijiahao.baidu.com/s?id=1767278264738594566&wfr=spider&for=pc
零经验小白也可以学,大专及以上学历即可,专业经验不限
几乎所有的行业都会应用到数据,数据分析师可以在各个领域就业
受外部业务影响相对较小,职位相对稳定,经验越丰富,越受用人企业青睐
数据分析工作必须报以认真严谨的态度,女生的性格从事数据分析是非常适宜的
职友集数据:2023年全国数据分析师平均工资超过¥19.8K,其中20K-30K工资的占比最多,达20.7%
数据来源:人社部发布的《新职业一大数据工程技术人员就业景气现状分析报告》
人才缺口大
入学门槛低
跨领域发展不受限
职业寿命长
性别无歧视
薪资较高
结合互联网、金融、科技、城市管理等方向数据业务,成为业务数据分析师
数据挖掘工程师、Python数据分析师、大数据分析师、数据工程师、数据科学家、AI工程师
传统数据分析 + 商业智能BI + 可视化数据分析 + Python数据分析 + Hive大数分析+人工智能
30+项目案例全程贯穿 + 五大企业级商业数据分析案例剖析精讲
BI商业分析—>数据分析—>大数据分析—>数据挖掘—>机器学习—>推荐系统—>机器视觉(选修)
直播+录播(赠送) + 企业导师周末加餐 + 入学即送价值12800元人工智能专业课程 = 物超所值
就业面广,即可以从事BI、业务数据分析相关的管理线,也可以从事Python数据分析相关的技术线
科学的人才培养体系
助你晋升职场“薪”贵
复合场景学习方式
全方位辅助学习
多阶段性职业规划
未来由你掌控
直播必修+录播辅修
讲师精讲答疑
企业实现
虚拟仿真实训平台
业务驱动项目实战
定期评测
课程测试+阶段测试
结业考试+毕业答辩
全程伴学
N对1专属答辩群
日作业讲解点评
独家资料
闪卡工具书+电子小抄书
项目手册+面试集锦
面试模拟
直击面试重难点
专项突击式训练
想从事数据分析行业,获得高薪Offer
1 专业不受限,岗位薪资高
2 0基础就能学,学完就能用
3 能写在简历上的真实项目经验
构建完善的数据分析知识体系,提升业务实战能力
1 摆脱“人肉取数机器”,突破薪资瓶颈
2 拥有更开阔的业务视角,提升职场竞争力
3 满足大厂数据分析能力模型,斩获高薪Offer
想要拿到大厂高薪Offer,成为业务操盘手
1 不拍脑门,用数据驱动业务决策
2 搭建核心指标体系,抓住业务核心体系
3 自动化办公,用数据提升找工作效率
想要往人工智领域发展,成为AI专业数据人才
1 不拘泥于现况,挤进人工智能领域
2 成功转型AI行业数据高端人才
3 站在数据顶端,薪资不可估量
全日制3个月学习周期
自主时间24周必修2周选修
机构实力
高新技术企业
股票代码:836392
师资团队
集教研与教学为一体总监级讲师
领衔授课
就业情况
每年可输送10000+职业IT人才学员入职
众多招聘合作企业
培训经验
专注IT职业培训
二十年(2004-2024)
课程优势
涵盖主流数据分析技术、工具搭配更多
的热门实战项目
合作企业
为腾讯、阿里、HP等公司培养了上百个
IT技术团队
阶段1-数据分析基础 | ||||
培训目标 |
· 了解数据分析师的工作职责并为自己树立职业目标。 · 掌握数据分析思维、了解基础的数据分析方法,为后继商业数据分析打下基础。 · 掌握基础的Excel操作,为后继更加高级的Excel分析打下基础 |
|||
数据分析师先导篇 | 1.数据分析的概念 | 4.数据分析的三大误区 | ||
2.数据分析的作用 | 5.数据分析师的发展和职业要求 | |||
3.数据分析六部曲 | 6.数据分析师的职业素质 | |||
商业数据分析与数据思维 | 1.商业数据分析与数据分析的区别 | 4.数据分析师必备技能 | ||
2.从数据治理看数据分析师的职责 | 5.为什么数据思维很重要? | |||
3.数据分析师职位画像 | 6.数据思维到底是什么? | |||
数据分析思维 | 1.数据思维基本功01-目标导向 | 5.数据思维基本功05-系统思维 | ||
2.数据思维基本功02-客观严谨 | 6.数据思维基本功06-业务思维 | |||
3.数据思维基本功03-指标思维 | 7.数据思维基本功07-用户思维 | |||
4.数据思维基本功04-逻辑思维 | 8.数据思维基本功08-如何培养数据分析思维 | |||
Excel数据分析基础课 | 1.Excel行列操作 | 4.Excel中的数据验证 | ||
2.Excel 基本筛选 | 5.Excel中的合并计算 | |||
3.Excel的常用函数 | 6.Excel的函数进阶 | |||
GPT(专题一)GPT扫盲课程 | 1.GPT简介、行业应用、环境搭建与上手体验 | GPT实操:如何不被马斯克少掉? | ||
2.GPT为什么这么火 | GPT实操:让GPT帮你写求职信 | |||
3.GPT的国外的发展与应用及未来趋势 | 如何自己动手注册GPT帐号 | |||
4.GPT国内的发展与应用及未来趋势 | GPT使用中的高频报错警告及解决办法 | |||
5.GPT究竟替代了哪些人的工作? | 如何防止帐号被OpenAI禁用,坑与经验 | |||
阶段2-商业数据分析 | ||||
培训目标 |
· Excel、Power BI, My SQL、Tableau等可视化工具进行对数据的预处理 · 针对初级数据分析师的职位发展要求来培训 |
|||
Excel数据处理与分析实战 | 1.用Excel实现数据清洗和转化 | 6.数据展现之利用Power View实现高级透视表 | ||
2.用Excel之Power Query实现数据转换和清洗 | 7.数据展现之利用Power Map实现bing地图 | |||
3数据分析和建模(power query/power pivot) | 8.宏与VBA | |||
4.数据展现之基本统计固介绍及简单制作 | 9.Excel解决某公司财务报表动态生成 | |||
5.数据展现之利用Excel实现基本数据透视表 | ||||
GPT(专题二)Excel+GPT项目实战 | 简介GPT技术 | 解释如何使用GPT结合Excel进行数据预处理和文本生成 | ||
数据预处理 | Excel中数据的导入和酒洗/描述如何使用GPT进行自动化数据清洗和处理 | |||
文本生成 | 描述如何使用GPT进行自然语言生成、展示如何将GPT涩会给你成的文本嵌入到Excel中 | |||
应用场景 |
探索GPT:在数据预处理和文本生成方面的应用场景 分析GPT与Excel结合的优势和局限 |
|||
最佳实践和案例分析 |
分享一些GPT与Excel结合的最佳实践和成功案例 介绍如何评估GPT与Excel的效果,并提出改进意见 |
|||
应用展示 |
展示一个GPT与Excel结合的实际应用场景, 并分析其关键步骤和注意事项 |
|||
总结与展望 |
总结GPT与Excel结合的优势和局限性 展望未来GPT与Excel结合应用的更多机会 |
|||
Excel高手修炼之酪 | 1.Excel VBE环境配套及宏代码 | 4.Excel VBA 高手进阶 | ||
2.Excel VBA小试牛刀 | 5.Excel VBA 案例实战 | |||
3.Excel VBA 快速上手 | ||||
Power BI商业数据可视化分析 | 1.微软Power BI简介 | 7.power bi和Excel的配合 | ||
2.通过power pivot报告快速上手power bi | 8.数据的刷新 | |||
3.Power BI Desktop 界面介绍和数据导入整理 | 9.仪表板的制作原则 | |||
4.Power BI Desktop建立数据分析模型 | 10.常用可视化图表介绍 | |||
5.Power BI Online Service (在线版)特有功能 | 11.Power BI 之巧用地图 | |||
6.Power BI Online Service 报告的分享与写作 | ||||
GPT(专题三)如何训练GPT 专业提示词绸写 技巧方法与实战 |
GPT提示词是什么 | 定义GPT提示词、GPT提示词的用途 | ||
如何编写好的GPT提示词 |
确定目标受众、使用合适的语言风格、遵循文本生成的最佳实践 小心使用敏感话题和表述、考虑多样性和包容性、对提示词进行精细修改 |
|||
编写时需要注意的问题 |
坚持一致性和连贯性、减少重复和歧义、避免过度拟合数据 处理特殊情况,如意外输入、测试和优化提示词 |
|||
最佳实践实例 |
展示一些好的GPT提示词的例子、分析为什么这些提示词效果好 提供可供参考的模板和指导 |
|||
深入了解GPT提示词技术 |
探索更高级的技术和方法 分析GPT提示词技术未来的发展方向 |
|||
项目实战:基千Power BI实现抖音达人新媒体分析 | 日热分析 |
不同热词在不同时期内的上榜次数、 点赞数等/上榜次数较多的热词 /上榜数量较多的标题/视频详清/博主活跃度清况及评论转化情况等 |
||
博主分析 |
博主所在排行榜清况分析/博主表现形式领域数量清况分析 /博主所拥有的粉丝情况及星座清况分析/博主所在地域分析等 |
|||
涉及知识点 |
1理论+业务+数据分析思维+数据分析工具 2. 本项目大量的使用到了Power BI专业的M函数,包括但不限千: 逆透视、自定义函数、切片器、地图及各种热门图表报表。 |
|||
GPT(专题四)如何训练GPT辅助你完成数据分析报告撰写 | 概述GPT技术及预备知识 |
分享如何使用X-GP甘甫助数据分析报告的撰写 数据清理和文本预处理的基本方法、数据分析报告的组成结构和要素 |
||
数据清洗和文本预处理文本生成和报告撰写 |
描述数据清理和文本预处理的基本方法, 如何使用GPT数据清洗和预处理 使用GPT生成自然语言文本如何将生成的文本应用于数据分析报告的撰写和呈现 |
|||
实际案例分析 |
分享一些使用GPT辅助数据分析报告撰写的实际案例 探讨如何使用GPT改善数据分析报告的质量和效率 |
|||
最佳实践和注意事项 | 总结GPT在数据分析报告中的应用优势和不足,提供一些最佳实践和注意事项,帮助学员更好地应用GPT完成数据分析报告撰写 | |||
利用 Tableau进行自助式商业分析 | 1.tableau安装 | 6.tableau数据可视化案例 | ||
2.数据字段管理 | 实战:利用Tableau进行电商产品分析 | |||
3.函数与公式计算 | 实战:利用Tableau进行客户分析 | |||
4.图表制作 | 实战:利用Tableau进行营销效果分析 | |||
5.仪表盘制作 | 实战:利用Tableau进行商品评论分析 | |||
GPT(专题五) GPT项目实战 BI+GPT项目实战 |
GPT与BI的初步操作 | 讲解如何使用GPT结合BI工具进行数据预处理和文本生成 | ||
GPT与BI的应用场景 | 探索X-GP罚£BI数据分析中的应用场景/分析GPT与BI工具结合的优势和不足 | |||
借助GPT改善BI数据分析报告 |
描述如何使用GPT生成自然语言报告 如何将生成的文本应用千BI数据分析报告的撰写和呈现 |
|||
应用案例 |
分享一些GPT辅助BI数据分析的实际案例 探讨如何使用GPT改善BI数据分析的效率和质量 |
|||
总结与展望 |
总结GPT在BI数据分析中的应用优势和局限性 展望未来GPT在BI数据分析领域的更多机会和挑战 |
|||
利用SQL进行复杂数据分析 | 1.初识My Sql (安装My Sql、 使用CMD登录等) | 10.行列转换、试图与存储过程、应用子查询处理业务 | ||
2.缺失值处理:对缺失数据行进行删除或填充 | 11.业务数据表关联查询及查询 | |||
3.重复值处理:重复值的判断与删除 | 12.结果纵向融合、日常业务需求数据宽表构建 | |||
4.异常值处理:清除多余的空格和极端、异常数据 | 13.窗口分析函数及案例实战 | |||
5.利用SQL进行简单的业务数据查询 | 14.SQL中利用正则表达式进行数据抽取 | |||
6.利用SQL完成复杂条件查询 | 15.利用SQL解析Json格式的数据 | |||
7.利用多表关联完成复杂业务查询 | 16.MySQL8新语法特性 (CTE表达式/ON/USING) | |||
8.利用嵌套子查询完成复杂业务数据分析 | 17.跨表更新 | |||
9.聚合、分组、排序函数 | 18.MySQL企业面试题讲解 | |||
GPT(专题六)如何让GPT成为你的贴身学习助理 | 训练GPT成为你的AI学习助手 | 查找资料,解释代码,提供解题思路与方法……不懂就问, 有问必答,24小时不知疲惫,贴心陪伴 | ||
训练GPT成为你的学习陪练 | 利用GPT自练、自测。它出题你来答,你出题它来答。你回答 它评判,科学评估,让你随时了解自己的学习状况与学习效果 | |||
训练GPT成为你的学习倾向+AI学习教练 | 私人定制学习计划,科学指导训练、纠错、评估与总结 | |||
SQL项目实战:亿级电商网站流量指标SQL数据分析 | 项目简介 |
项目借分析 “淘宝用户行为数据集” 为案例,梳理一遍的数据分析技能。 本项目通过对 “淘宝用户行为数据集“ 全过程的分析展示数据分析的全过程 -使用工具 MySQL, Excel, Navicat, PowerBI -数据来源:阿里天池实验室淘宝用户行为数据集 -数据量级:百万级 |
||
涉及知识点 |
1.SQL统计分析函数、 SQL关联多表查询 2.SQL自定义函数与视图 3.分析类型:描述分析,诊断分析 4.分析方法:漏斗分析,用户路径分析 5.RFM用户价值分析,活跃/存留分析 6.帕累托分析,假设验证分析 |
|||
SQL性能优化精讲(选修) | 1.为什么需要进行SQL优化? | 5.SQL多表关联的优化 | ||
2.mysql的编写过程和解析过程 | 6.SQL查询的优化 | |||
3.SQL引擎的运行原理 | 7.SQL的其他优化注意事项 | |||
4.索引的原理与索引优化 | ||||
FineBI国产商业智能 & FineReport报表开发 | 1.FineBI国产商业智能概述 | -FineBI与FineReport的整合应用及整合案例分享 | ||
2.FineBI国产商业智能高级技巧 | -FineBI和FineReport的整合应用场景与优势 | |||
3.FineBI综合项目实战(旅游/物流可视化大屏制作) | -FineBI和FineReport的数据互通技巧与实例 | |||
4.FineReport报表开发概述 | 综合实战01:某科室医护患比月度趋势分析 | |||
5.FineReport数据决策分析 | 综合实战02:国家标配与现状对比分析 | |||
-初识FineReport/ FineReport多报表设计&数据 | 综合实战03:病床利用率达标及某科室月度趋势分析 | |||
分析计算/FineReport可视化制作&大屏概述及制作 | 综合实战04:住院收入月度趋势分析 | |||
项目实战:基于FineBI的金融数据分析 | 任务一、风险分析 | 任务三、资产负债分析 | ||
1.1风险指标分析 1.2贷款不良率分析 1.3贷款五级分类清况分析 1.4.项目小结 |
3.1资产结构分析 3.2 负债及所有者权益分析 3.3项目小结 |
|||
任务二、效益分析 | 任务四、股票走势分析 | |||
2.2企业营业收入分析 2.3企业营业支出分析 2.4 项目小结 |
4.1股票走势分析:市值规模 4.2 未来趋势分析 4.3项目小结 |
|||
GPT(专题七)SQL+GPT项目实战 | GPT和SQL简介 | GPT和SQL的定义 GPT和SQL的主要应用领域 | ||
GPT在ETL数据中的应用 | ETL数据工程的流程\引入GPT解决编写SQL语句的挑战\使用GPT的优势和局限性 | |||
如何训练GPT生成SQL提示语 |
准备SQL语句数据集 对数据进行预处理和嵌入 训练GPT模型 微调模型以优化结果 |
|||
如何使用GPT辅助编写SQL语句 |
定义输入格式、输入样例并从模型中获取输出 解释输出井将其转换为相应的SQL语句、消除起义和错误 |
|||
实例演示 |
演示一个使用GPT编写SQL语句的实例 分析该实例的关键步骤和注意事项 |
|||
阶段3-业务数据分析 | ||||
培训目标 |
· 通过对主流的数据思维、数据分析方法数据分析体系及主流行业的商业运行指标等 · 训练学员即居思维能力,发现问题、分析问题及解决问题的能力 |
|||
学完后胜任的岗位 | 业务数据分析师 电商数据分析师 运营数据分析师 | |||
从产品思维到-数据思维数据分析转变篇 | 1.中小企业的决策常态 | 11.数据分析的场景 | ||
2.中小企业的数据困顿 | 12.数据分析的能力模型 | |||
3.数据分析的目的 | 13.依据时间维度 | |||
4.是什么在支撑产品设计 | 14.依据空间维度 | |||
5.是什么在支撑产品运营 | 15.依据综合维度 | |||
6.是什么在支撑产品迭代 | 16.对比分析法 | |||
7.企业想要的数据分析师 | 17.分类分析法 | |||
8.解决方案的梯度 | 18.分布分析法 | |||
9.DMAIC的概念 | 19.相关分析法 | |||
10.DMAIC的流程展开 | ||||
数据人必须了解的数据埋点技术 | 1.数据人必须了解的数据埋点技术概述 | 5.数据埋点技术 | ||
2.数据埋点简介 | 6.数据埋点流程 | |||
3.数据埋点分类 | 7.数据埋点方案设计 | |||
4.主流的数据上报技术 | 8.数据埋点案例 | |||
干货:神策数据埋点体系搭建方法与实践经验分享 | 1.课程背景简介 | 4.如何规范埋点业务 | ||
2.理解埋点采集对数据分析的重要性 | -确认埋点业务的组织架构和关键决策人 | |||
3.如何高效准确地实现埋点设计 | -埋点业务职能角色以及工作流程 | |||
4.如何规范埋点业务 | -埋点采集全流程总览 | |||
数据人必须了解的数据埋点技术 | 1.指标与指标体系 | 5.如何搭建指标体系 | ||
2.为什么需要指标与指标体系 | 1)OSM 模型 | |||
3.如何读懂数据指标 | 2)AARRR 模型 3)UJM 模型 | |||
4.数据指标体系搭建实例 | 4)MECE原则 5)北极星法 | |||
用户画像与数据分析经典指标、模型剖析 | 1.SW2H模型 | 9.什么是标签体系 | ||
2.PEST模型 | 10.数据类型的场景 | |||
3.SWOT模型 | 11.如何定义标签 | |||
4.PSM模型 | 12.四阶用户画像 | |||
5.产品运营类指标 | 13.用户画像的意义 | |||
6.产品会员类指标 | 14.用户画像的微观示例 | |||
7.成本控制类指标 | 15.用户画像的标签建设 | |||
8.收益控制类指标 | ||||
数据分析师必须了解的电商运营分析工具“生意参谋” | 生意参谋是什么? 1) 提升店铺、分析目标、寻找机会 | 5)服务视窗:服务体验、咨询看板、退款看板 | ||
生意参谋怎么用? | 6)实时:实时榜单 | |||
1)主页-实时概况 2) 主页-店铺排名 | 7)流量:看板、访客人数、咨询看板、特征分布 | |||
3)运营视窗 (1) -整体 流量 看板 转化看板 | 8)品类-宏观监控 9)服务-体验诊断、售后评价 | |||
4)运营视窗 (2) -内容看板、竞争情报 | 总结数据分析面试时面试官喜欢问的数据参谋问题 | |||
数据化运营 | 1.运营的江湖地位 | 6.规避运营黑天鹅 | ||
2.内容运营基础 | 7.数据沿运营的探索创新 | |||
3.活动运营基础 | 8.互联网运营的进阶之路 | |||
4.用户运营基础 | 9.如何创建一支运营团队 | |||
5.数据化运营本质 | ||||
行业竞品分析与数据可视化报告撰写 | 1.什么是竞品分析 | 7.数据可视化的对比与分类 | ||
2.为什么要做竞品分析 | 8.数据可视化图表举例 | |||
3.无目的有目的的竞品分析 | 9.数据可视化应用领域 | |||
4.结论的呈现 | 10.数据可视化步骤&工具梯度 | |||
5.数据可视化的概念 | 11.图表呈现流程 | |||
6.数据可视化的意义 | 12.数据服告撰写 | |||
实战:O2O电商平台功能优化效果评估及可视化数据分析报告撰写 | 1.了解电商分析的业务背景 | |||
2.学会将理论与实际相结合找到合适的分析方法 | ||||
3.运用相关分析工具对获取到的数据进行分析 | ||||
4.结合前面所学内容,将最终结果制成数据分析报告 | ||||
阶段4-Python数据分析 | ||||
课程介绍 | Python数据今析。将主要侧重Python语言及数据分析包的学习。 通过对Python语言、Python数据处理、分析包及可视化包的学习,训练学员掌握必备的基本编码能力。 | |||
可胜任的岗位 | Python数据分析师 | |||
数据分析编程基础--Python | 1.从零开始学会搭建Python开发环境 | 3.对Python的集合,泛型、元组深入理解与棠握 | ||
2.掌握Python基础语法、理解基本编程思想与方法 | 4.掌握Python面向对象编程 | |||
GPT(专题八)如何和GPT联合编程,提升 | 利用GPT可以帮助您在学习Python的入门阶段时,训练GPT担当如下角色 | |||
1.教你学习Python语法和基础知识。GPT可作为您的语言学习伙伴,帮您理解Python编程的基础知识。 | ||||
2.GPT可为你提供适当难度的变成项目,并通过对话来指导您如何设计和实现程序,以及如何调试代码。 | ||||
3.如何训练GPT辅助你学习Python数据类型和数据结构,帮助您了解Python中常用数据类型和数据结构。 | ||||
4.掌握如何利用GPT辅助你使用Python进行简单任务,可使用GPT与Python交互式进行—些简单任务。 | ||||
数据收集-Python爬虫技术 | 1.了解Python爬虫的基本工作原理 | |||
2.掌握Python爬虫的基本类库:urllib2、beautifulsoup的使用 | ||||
3.熟练使用Scrapy框架进行数据的抓取 | ||||
GPT(专题九)项目实战Python+GPT项目实战 | 1.训练GPT协助你学习Python爬虫职曲知识。与GPT交谈获取Python爬虫基础知识和最佳实践的帮助。 | |||
2.掌握如何利用GPT协助你进行网站数据提取。当您需要从多个网站中提取数据时可以向GPT寻求帮助。 | ||||
3.训练让GPT模拟登录和表单提交。当您需要模拟用户登录并提交表单时可以向GPT询问如何编写代码。 | ||||
4.如何训练GPT辅助你学习Python数据类型和数据结构,帮助您了解Python中常用数据类型和数据结构。 | ||||
5.有些网站会采取反爬措施来防止爬虫访问它们的内容,GPT为您提供一些实用技巧和示例代码。 | ||||
利用Python进行数据科学计算 | 1.能够利用Numpy包进行—些金融,电商等数据的量化分析工作 | |||
2.能够利用Numpy进行数据的科学计算 | ||||
3.能够用Numpy实现“人工智能/机器学习”各种经典算法 | ||||
利用Python进行实现数据分析 | 1.能够利用Pandas包进行人工智能/机器学习应用的数据分析工作 | |||
2.能够利用Pandas包简化人工智能/机器学习应用中的科学计算 | ||||
3.能够利用Pandas实现“人工智能/机器学习”各种经典算法” | ||||
Python可视化技术 | 1.能够使用 Python库进行可视化数据分析 | |||
2.能够利用对人工智能/机器学习处理后的数据进行可视化展示 | ||||
GPT(专题十)如何利用GPT进行Python数据分析 | 1.训练GPT协助你学习Python数据分析基础知识。它会提供—些示例代码来帮助您理解Python数据分析。 | |||
2.训练GPT协助你进行数据清洗和数据准备。当您需要对大量数据进行消洗和准备时可以向GPT求助。 | ||||
3.训练GPT协助你进行购居可视化。GPT会为您提供Python数据可视化库信息和—些示例代码和建议。 | ||||
4.让GPT为你提供数据分析算法原理与代码支持。可向GPT询间有关不同算法的信息、使用技巧及算法。 | ||||
总之,本专题即训练GPT协助您完成Python数据分析的学习和工作任务。 | ||||
项目实战:Python电商 全流程分析实战 | 1.分析各品牌SKU数 | 4.各品牌热度和价格 | ||
2.品牌总销温和总销售额 | 5.男性护肤品销量清况 | |||
3.各类别的销售量、销售额情况 | 6.分析时间与销量的关系,体现购买离峰期 | |||
专为数据分析定制的Python办公自动化教程(精讲) | 1.教会你基础的Python办公自动化技能 | 2.Python办公自动化的思路与常用解决方案 | ||
o Python自动化操作Excel(复杂情况下的) | 3.能够拥有运用Python, SQL, Excel等技术 | |||
o 强大Excel格式化处理+Python操作Word/PPT | 实现企业级复杂业务的能力 | |||
o Excel, Word, PPT之间的数即专输与转换 | ||||
GPT(专题十一)数据分析+GPT项目实战 | 1.学习如何利用GPT完成数据预处理:使用GPT实现文本清洗,例如删除无用符号、转换大小写等。 | |||
2.学习如何利用GPT分析数据分析指标,搭建数据分析指标体系 | ||||
3.学习如何利用GPT完成数据预处理的一些工作 | ||||
4.学习如何借助数据分析完成数据分析的工作 | ||||
5.学习如何利用GPT完成数据可视化方面的工作 | ||||
阶段5-大数据分析 | ||||
学完后胜任的工作岗位 |
1.ETL工程师 2.数据仓库工程师 3数据涽洗工程师 4.Python大数据分析师 5.Hive大数据分析师 |
|||
大数据分析篇--Linux | 1.Linux发展及介绍 | 5.Linux网络管理与系统管理 | ||
2.Vmvare与Centos7.x的安装部署 | 6.Linux软件管理与正则表达式 | |||
3.Linux文件管理及用户管理 | 7.Shell编程应用 | |||
4.Linux权限管理与常用工具命令 | 8.Linux定时任务Crontab | |||
Hadoop MapReduce & HDFS光速入门 | 1.Hadoop简介:介绍Hadoop的概念、架构、特点和应用场景。 | |||
2.HDFS入门:介绍HDFS的基本概念和原理,包括文件读写、数据流复制、数据块管理和故障恢复等。 | ||||
3.MapReduce入门:MapReduce的基本概念和原理,如何使用MapReduce进行数据分析等。 | ||||
4.Hadoop生态系统:介绍Hadoop生态系统中其他重要的组件和工具,如Hive、Pig、HBase等。 | ||||
Hive大数据分析 | 1.了解Hive的基本架构及实现原理 | 3.熟练使用Hive解决业务需求 | ||
2.熟练使用SQL语句管理Hive中的数据库、表等 | 4.熟练使用Hive提供接口开发应用 | |||
GPT(专题十二)Hive大数据分析+GPT项目实战 |
简介Hive和GPT技术 Hive和HQL的基础 |
解释为什么需要将它们集成在一起 定义Hive和HQL的基本概念、回顾Hive中常见的数据处理技术、Hive环境中的典型工作流程 |
||
GPT在Hive数据分析中的应用 |
如何使用GPT生成HQL查询代码 如何使用GPT处理HQL查询中的自然语言任务例如解析和生成SQL查询 |
|||
在Hive中使用窗口函数进行数据分析 |
讨论Hive中窗口函数的概念和应用场景/如何在Hive中使用窗口函数分析数据 探索如何使用GPT优化窗口函数的设计和实现 |
|||
GPT和Hive集成的最佳实践和案例 |
如何使用GPT生成HQL查询代码 如何使用GPT处理HQL查询中的自然语言任务例如解析和生成SQL查询 |
|||
GPT+HQL的实例演示 |
演示一个使用GPT生成HQL查询代码的实例 分析该实例的关键步骤和注意事项 |
|||
总结与展望 | 总结X-GP面Hive的优势和局限性展望未来GPT在Hive数据分析中的应用 | |||
项目实战:基于Hive实现的>二手房交易分析 | 一、项目简介 | 2)熟练掌握在企业中如何使用Hive进行大数据分析 | ||
实训目的是通过对链家网站的真实交易数据进行分析 | 3)掌握数据分析结果文件存储及导入导出ETL处理 | |||
二、项目目标 | 三、涉及技术 | |||
1)了解企业网站运营常用指标概念、作用及计算方式 |
1)Linux 2)Hadoop、HDFS 3)Hive、HQL |
|||
项目实战:基于Hive的电影大数据分析实战 | 一、项目简介 | |||
1)如何在Hive中导入数据并利用Hive进行数据清洗 | 3)企业中如何用Hive利用HQL进行复杂数据分析 | |||
2)了解商品评论类分析的常见业务需求与分析指标 | 4)掌握如何将Hive中的数据导出至HDFS中 | |||
Hive大数据分析-企业级调优&面试特别篇 | 优化-1:执行计划 | 优化-6:Count(Distinct)去重统计 | ||
优化-2:Fetch抓取 | 优化-7:行列过滤 | |||
优化-3:本地模式 | 优化-8:合理设置Map及Reduce | |||
优化-4:表的优化 | 优化-9:并行执行 | |||
优化-5:Group By数据倾斜问题 | 优化-10:严格模式/JVM重用 | |||
数据仓库基础课程 | 认识数据仓库 | Part-02: 认识数仓 | ||
Part-01: 数仓扫盲 | 1)从一个典型的数据工作流程看数仓工作内容与地位 | |||
1)什么是数据仓库 | 2)数仓经典架构 | |||
2)数仓的用途--数仓要解决的问题 | 3)数仓发展历史 | |||
3)数仓涉及的技术 | ||||
4)数仓涉及的职位 | 4)数仓分层设计 | |||
5)消除几个对数仓的误解 | 1)数据湖 2)数据中台 3)湖仓一体 | |||
ETL--利用Kettle进行数据转换与处理 | Part-01 : ETL扫盲 | Part-03: 使用Kettle对数据进行处理 | ||
1)什么是 ETL? 2)为什么需要ETL | 1)Kettle处理csv格式的数据 | |||
3)ETL的主要的工作内容 | 2)Kettle处理Excel格式的数据 | |||
4)ETL工程师的技术与能力要求 | 3)Kettle处理关系型数据库数据 | |||
5)如何去做ETL:工具、内容、方法、技术 | 4)利用Kettle进行数据清洗 | |||
Part-02: Kettle快速上手 | 4.1null值处j里 4.2重复值处理 | |||
1)什么是Kettle 2)Kettle的安装与配置 | 4.3异常值处理 4.4过滤与排序 | |||
3) Kettle快速上手体验 | 4.5分组排序 | |||
阶段6-数据挖掘 | ||||
课程介绍 | 侧重于数据的分析和建模。通过对基本的数理统计知识的学习,达到利用高级分析工具及方法对业务分析预测的目的。 | |||
可胜任的岗位 | 数据挖掘/ 分析师 | |||
数据分析--数理统计基础 | 1.概率 | 5.统计推断 | ||
2.样本与抽样 | 6.实验设计 | |||
3.描述数据(统计量) | 7.变量之间的关系 | |||
4.正太分布/统计推断 | 8.回归分析/聚类分析 | |||
SPSS建模分析 | 1.课程规划与简介 | 6.商业分析基础简介 | ||
2.数据挖掘项目生命周期 | 7.回归模型/决策树模型 | |||
3.简单必备的统计学基础 | 8.支持向量机 | |||
4.用Mode归进行数据挖掘 | 9.聚类模型 | |||
5.数据挖掘的知识定型 | 10.关联规则 | |||
SAS建模分析 | 1.SAS概述:SAS简介与教育版安装 | 5.AS数据集操作1-合并 | ||
2.SAS概述:教育版基本使用 | 6.AS数据集操作2-排序与对比 | |||
3.SAS编程基础 | 7.SAS数据集操作3-查重与筛选 | |||
4.SAS编程基础7-循环 | 项目案例:商品管理系统分析案例解析 | |||
数据挖掘项目实战银行客户信用评分卡建模分析 | 项目简介 | 银行客户信用评分卡建模分析是针对银行客户的信用状况开展的—种风险管理手段,通过对客户的基本全面的评估和分析,预测未来潜在的风险避免贷款风险的发生。 | ||
涉及技术 |
1)数据预处理 :数据审核缺失值处理特征变量构建、数据分箱 2)单因素分析:卡方检验、方差分析 3)预测建模:分类模型基本概念、Logistic回归模型决策树模型等常用模型 4)模型评估 :分类模型常用 评估指标、混淆矩阵正确率、召回率 5)金融行业相关指标:信用评分指标、WOE |
|||
GPT(专题十三)如何借助GPT高效完成毕业设计 | 如何借助GPT选择一个合适的主题 | GPT可以帮助您生成有关许多不同主题的文章或段落。如果您需要启发,您可以与GPT进行对话,以获取—些可能感兴趣的主题。 | ||
>如何借助GPT收集相关文献资料及找寻相关数据 | GPT也可以帮助您搜索和解析大量的文献资料。您可以通过与GPT交谈来获得有关所选主题的最新研究和发现,还能帮助您了解该主题背景信息。 | |||
如何借助GPT建立自己的模型 | 如果您的毕业设计涉及机器学习或自然语言处理等领域,则可以使用GPT作为基础,对其进行微调,以创建自己的模型。这将需要一些编程技能,但GPT会为您提供必要的API和示例代码。 | |||
借助GPT对毕业设计作品进行测试和评估 | 完成模型后,您需要对其进行测试和评估。这将需要一些数据集和度量标准。您可以与GPT交谈,以获取有关如何正确评估模型性能的建议和指导。 | |||
借助GPT撰写毕设 | 过程中如何向GPT询问技术难点,如何向GPT询问业务流程,如何向GPT询间编写数据分析报告 | |||
阶段7-人工智能/机器学习 | ||||
学完后胜任的工作岗位 | 人工智能应用开发工程师 | |||
机器学习入门 | 机器学习扫盲 | 预测模型的构建和应用流程 | ||
数据挖掘和机器学习概述 | 机器学习算法及分类 | |||
快速理解数据挖掘和机器学习 | 数据挖掘与数据仓库和OLAP | |||
数据挖掘的六大任务 | 数据挖掘和机器学习应用案例 | |||
数据挖掘方法论 (CRISP-DM) | 如何成为一名优秀的数据科学家 | |||
人工智能:实战十大预测数据算法 | 1.sk-learn机器学习库 | 5.回归预测模型实战 | ||
2.十大预测算法原理与使用场景 | 6.分类预测试模型实战 | |||
3.算法调用、参数设置 | 7.聚类模型实战 | |||
4.特征选择特征工程 | 8.集成学习、模型优化 | |||
GPT(专题十四)利用GPT+AI搭建人工智能预测模型 | 借助GPT学习机器学习基础知识 |
可以与GPT交谈,获取有关机器学习的基础知识和最佳实践的帮助。 GPT可以解释常见的错误为您提供一些示例代码来帮助您理解机器学习。 |
||
训练GPT帮你做数据预处理 | 当您需要对机器学习预测算法所需的大量数据进行预处理时,GPT可以为您提供Python代码示例和处理建议以更有效地预处理数据。 | |||
借助GPT选择和调整模型 | 在完成数据预处理后,您需要选择适当的机器学习模型并对其进行调整。GPT可以向您介绍不同类型的机器学习模型,例如线性回归、决策树、随机森林、支持向量机等,并指导您如何调整模型以获得更好的性能。 | |||
利用GPT进行模型 | 在选择和调整机器学习模型时,您需要对其进行评估和优化。 | |||
项目实战:基于RFM模型实现的零售精准营销响应预测系统 |
【项目背景】如何从中挖掘客户的消费特征和价值以及如何有针对性的对客户进行精准营销。 |
|||
【业务目标】如何评估客户价值、如何筛选最优质的客户进行精准营销、预测客户的营销响应度。 |
||||
【涉及算法】-逻辑回归、决策树、支持向量机、随机森林。 |
||||
GPT(专题十五)如何让GPT帮你美化简历 | 1.优秀简历的标准 | 7.如何使用GPT生或—份简历? | ||
2.GPT帮你挖掘经历的价值 | 8.GPT提示关键词(指令) | |||
3.GPT助您雕刻理想职业简历 | 9.利用GPT生成简历 | |||
4.使用GPT撰写简历:开始的几个步骤 | 10、利用GPT全面优化简历 | |||
5.确定您的需求 | 11.实例演示 | |||
6.了解GPT需要什么信息 | ||||
GPT(专题十六)如何让GPT成为你的专职AI面试官 | 简介GPT技术面试岗位和技能要求分析 |
分析当前Al相关岗位企业所需的技能和能力要求 描述如何准备和规划面试过程以满足企业的招聘要求 强调GPT如何协助实现这些目标 如何设计和实现模拟人类面试官的模型 |
||
GPT面试官的设计和实现、面试官的应用 |
讨论如何使用GPT面试官来测试和评估Al相关岗位的候选人的技能水平 探索如何使用GPT面试官来生成企业面试题 对候选人进行模拟面试,并给出针对性的评价和改进意见 |
|||
GPT面试官的最佳实践和案例 | 提供最佳实践,包括如何选择合适的GPT面试官模型、如何准备数据进行训练以及如何评估GPT面试官的效果,分享GPT面试官应用的成功案例 | |||
GPT面试官演示 |
演示一个使用GPT面试官对候选人进行实际模拟面试的场景 分析该演示的关键步骤和注意事项 |
|||
GPT(专题十七)GPT赋能面试让你成为“面霸” | 开篇词+GPT如何赋能 面试让你成为“面霸” |
2.1GPT在企业面试中能起到的作用和担当的角色 2.2如何让GPT给到你更准确的答案 2.3如何调教GPT(技巧与方法) |
||
实战:如何利用GPT帮你顺利搞定人面 |
3.1请问你的兴趣爱好是什么? 3.2请问你为何从上家辞职? 3.3请说出你三个优点与三个缺点? 3.4你期望的工资&接受加班和出差么? |
|||
实战:如何利用GPT帮你顺利搞定技面 |
4.1GPT赋能高效解决mysql面试题 4.2X-GP百5效解决数据分析业务题 4.3GPT赋能高效解决python面试题 4.4GPT高效解决机器学习面试题 |
|||
阶段8-精英项目实战 | ||||
课程介绍 | 课程借助六大商业级项目实战,让学员对数据分析、数据挖掘、人工智能应用有一个全面的理解与认识,让学员在工作中有机会冲击高级数据分析师工作岗位 | |||
可胜任的岗位 | Python高级数据分析师、数据挖掘工程师、人工智能机器学习开发工程师 | |||
毕业顼目实战基于猎聘网的职位分析与人才画像 | 1.能够根据业务需求完成网络数据的抓取 | |||
2.能够借助相关技术完成数据清洗转换处理操作 | ||||
3.能够从关系型数据库进行取数及复杂数据统计功能 | ||||
4.能够使用Bl工具完成可视化大屏看板需求 | ||||
5.能够独立完成数据分析可视化报告撰写 | ||||
电商数据分析分析方式之漏斗模型及数据量化 | 1.数据分析方法 | 4.AARRR 模型 | ||
2.电商行业视角 | 5.销售漏斗模型 | |||
3.电商通用指标体系 | ||||
用户行为与营销模型实战 | 1.数据分析思路的4W模式企业购彭今析流程、电商用户行为分析常见指标 | |||
2.营销推荐模型、CRISP数据挖掘流程、随机森林与决策树、Python代码实现 | ||||
金融风控模型的构建与分析实战 | 1.数据挖掘工具:SAS、modelbuilder | |||
2.常用模型:逻辑回归、随机森林、LGBM、GBDT、XGBOOST | ||||
3.编程语言:Python | ||||
展会电话邀约项目数据分析实战 | 1.电话邀约核心指标分析 | 3.ExcelBl数据转换 | ||
2.Excel数据处理 | 4.透视表、可视化图表分析 | |||
零售行业数据分析 | 1.数据分类、数据治理数据管理流程、数据清洗、数据分析与可视化 | |||
2.零售业的基本思维方式、零售业的常用分析指标、零售业指标 | ||||
GPT(专题十八)进入职场后GPT的“七十二”种玩法 | —、普通人利用GPT变现(赚钱)的10+场景与最佳实践 | |||
变现场景:卖号、代问答知识付费(卖资料)、文字创作、Al绘画短视频创作、客服、翻译等 | ||||
二、技术人利用GPT变现(赚钱)的10+场景与最佳实践 | ||||
GPT变现场景一:卖号 | ||||
GPT变现场景二:知识付费(卖视频、写技术文章) | ||||
GPT变现场景三:数据分析与预测 | ||||
GPT变现场景四:技术方案 | ||||
GPT变现场景五:搭建企业内部的GPT | ||||
GPT变现场景六:搭建微信小程序版GPT(企业公众研发) | ||||
GPT变现场景七:利用GPT飞实现的智能聊天机器人 | ||||
GPT变现场景八:开发嵌入GPT的PC端、App端、嵌入式端应用 | ||||
GPT变现场景九:行业GPT提示示词专家与培训工作者 | ||||
GPT变现场景十:成为GPT提示词工作者 |
在线学习如何保证效果?
学不会怎么办?
课程就业怎么样?