☆ 1、如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
      ☆ 2、在課程結束之后,授課老師會留給學員手機和E-mail,免費提供半年的課程技術支持，以便保證培訓后的繼續消化；
      ☆3、合格的學員可享受免費推薦就業機會。
      ☆4、合格學員免費頒發相關工程師等資格證書，提升您的職業資質。

01章Python編程基礎知識
01-01成為Python高手之前必備基礎知識
01-02數據分析的武器庫與分析工具Python介紹
01-03Python的基本數據類型和數據結構
01-04Python的程序控制
01-05Python的函數與模塊
01-06Python日期和時間處理
01-07Python字符串處理與正則表達式
01-08Python異常處理和文件操作
01-09實戰：基于Python的函數創建與商業實操文件操作
02章Python進行數據整理和數據清洗
01-01Numpy中的數據類型--ndarray數組的創建
01-02Numpy數組基礎：索引、切片、變形、分裂
01-03Numpy數組運算：通用函數
01-04Numpy數組變形、拼接
01-05Numpy數組計算：廣播、聚合、比較和掩碼、數組排序
01-06Pandas對象簡介：Series、Dataframe、Index
01-07Pandas數據加載與存儲
01-08Pandas數值運算方法：通用函數、聚合函數、遍歷
01-09Panda層次化索引
01-10Pandas數據處理：數據類型轉換、缺失值處理、字符串轉換
01-11Pandas數據表的合并與連接
01-12Pandas數據的累計與分組
01-13高性能Pandas：query（）、eval（）實現高性能運算
01-14Pandas數據規整化：清理、轉換、合并、重塑
01-15Pandas時間序列&金融數據處理
01-16實戰案例1：泰坦尼克幸存者數據清洗
01-17實戰案例2：USDA食品數據清洗
03章Python進行數據可視化技術-線上
01-01繪圖思想的基本原理
01-02Python數據可視化包-Matplotlib介紹
01-03使用Matplotlib進行基本的圖形繪制
01-04使用Python數據處理包Pandas做可視化
01-05Python數據可視化包-Seaborn介紹與圖形繪制
01-06Python數據可視化包-Pyecharts介紹與圖形繪制
01-07使用Python進行地圖繪制-Pyecharts
01-08數據可視化技巧
04章Python進行網絡爬蟲
01-01網絡爬蟲基礎知識
01-02網絡請求及響應-Requests庫
01-03HTML文檔解析-BeautifulSoup庫
01-04常見反爬蟲機制及應對
01-05網絡爬蟲 VS 網絡數據抓取
01-06實戰1：新東方批量下載頭像
01-07實戰2：抓取豆瓣書籍簡介
01-08實戰3：模擬瀏覽器selenium抓取電商商品信息及評論
05章Python數據清洗高級操作及案例實戰
01-01如何成為一名優秀的數據分析師
01-02P供Python讀取的數據：CSV文件、JSON數據、XML數據
01-03數據的獲取與存儲：數據的不平等性、真實性、可讀性、清潔度等
01-04對獲取到的數據進行探索：埃博拉病毒危機、列車安全數據、童工數據
01-05數據清洗探索：找出要清洗的數據、數據格式化、找出離群值和不良數據、找出重復數據、模糊匹配、正則匹配等
01-06數據清洗探索：標準化和腳本化（數據歸一化和標準化、找到適合項目的數據清洗方法、數據清洗腳本化、用新數據測試）
01-07數據探索和分析：數據探索（表函數探索、連接多個數據集、找出離群值、創建分組）
01-08數據探索與分析：分離和聚焦數據、描述結論、書寫報告文檔
01-09Pandas時間序列&金融數據處理
01-10數據清洗實戰案例：泰坦尼克幸存者數據清洗&USDA食品數據清洗
01-11數據探索實例：為什么非洲童工雇傭的概率更高？腐敗感和童工雇傭有什么關系？
01-12數據探索實例：國外電商用戶購買信息的數據處理與探索：通過購物籃商品信息探索出客戶來源、流失、留存率、消費水平及消費傾向。
06章機器學習和數據挖掘概述-線上
01-01數據挖掘概念
01-02數據挖掘算法分類
01-03數理統計vs機器學習一般流程
01-04有監督學習算法
01-05無監督學習算法
01-06機器學習學習路線圖和推薦書籍
07章Python進行機器學習和sklearn實戰-Part1
01-01機器學習入門介紹：機器學習基本思想、常用算法分類、算法庫等
01-02Scikit-Learn入門介紹：特征矩陣、標簽數組、評估器及常用函數
01-03Scikit-Learn特征工程：分類特征、文本特征、圖像特征、特征衍生、缺失值填充、特征管道
01-04KNN-最近鄰分類器、KD-Tree和KNN回歸
01-05KNN算法示例：改進約會網站配對效果
01-06梯度下降算法：梯度下降、隨機梯度下降和微批梯度下降
01-07原理補充：條件概率計算、全概率公式、K-S曲線、受試者特征曲線（ROC）等
01-08貝葉斯分類器：樸素貝葉斯、貝葉斯網絡
01-09樸素貝葉斯算法示例：垃圾郵件過濾
01-10原理補充：梯度下降算法，包括梯度下降、隨機梯度下降和微批梯度下降
01-11回歸分析：線性回歸、嶺回歸、LASSO和彈性網
01-12回歸分析算法示例：預測海洋生物鮑魚的年齡
01-13廣義線性回歸：Logistic回歸和泊松回歸
01-14Logistic回歸算法示例：構建信用卡反欺詐模型
08章Python進行機器學習和sklearn實戰-Part2
01-01樹模型：C4.5、C5.0和CART樹
01-02樹模型算法示例：紅酒分類
01-03SVM支持向量機分類和支持向量機回歸
01-04SVM算法示例：手寫數字識別
01-05集成算法之Bagging類算法：Bagging、隨機森林等
01-06集成算法之Boosting類算法：Boosting、GBDT梯度提升樹、XgBoost等
01-07集成算法示例：泰坦尼克號幸存者預測
01-08神經網絡算法：反向傳播神經網路、卷積神經網絡、LSTM等
09章Python進行機器學習和sklearn實戰-Part3
01-01聚類分析：K-means快速聚類、DBSCAN密度聚類、層次聚類等
01-02關聯規則：Apriori、FP-Growth、PrefixSpan等
01-03無監督學習：LDA、LSI
01-04數據降維方法：PCA主成分分析和SVD奇異值分解
01-05Scikit-Learn常用功能介紹與使用：網格搜索、Pipline
01-06大型綜合案例：利用Pipline選擇模型構建機器學習流，并利用網格搜索完成模型調優
10章電商行業綜合案例
01-01電商行業和算法應用場景介紹
01-02案例1：基于電商銷售數據的營銷分析
01-03step1：數據的讀取及數據清洗
01-04step2：數據整并和字段擴充、數據編碼工作
01-05step3：聚類分析模型建置
01-06step4：模型的應用：精準營銷和推薦
01-07案例2：基于關聯規則的電商推薦案例
01-08案例3：基于物品的協同過濾的推薦
01-09案例4：基于用戶的協同過濾的推薦
11章金融行業綜合案例
01-01金融行業和算法應用場景概述
01-02信用評分卡的設計流程
01-03案例：使用Python進行申請信用評分卡建置
01-04step1：數據讀取和數據分析相關庫加載
01-05step2：數據的預處理
01-06step3：數據探索：描述性分析和可視化
01-07step4：數據轉換-WOE(Weight Of Evidence)轉換
01-08step5：使用邏輯回歸進行建模
01-09step6：模型評估和評分卡輸出
01-10神經網絡基礎和案例
01-11機器學習調參方法
01-12非對稱樣本處理問題
01-13特征選擇概述方法