☆ 1、如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
      ☆ 2、在课程结束之后,授课老师会留给学员手机和E-mail,免费提供半年的课程技术支持，以便保证培训后的继续消化；
      ☆3、合格的学员可享受免费推荐就业机会。
      ☆4、合格学员免费颁发相关工程师等资格证书，提升您的职业资质。

01章Python编程基础知识
01-01成为Python高手之前必备基础知识
01-02数据分析的武器库与分析工具Python介绍
01-03Python的基本数据类型和数据结构
01-04Python的程序控制
01-05Python的函数与模块
01-06Python日期和时间处理
01-07Python字符串处理与正则表达式
01-08Python异常处理和文件操作
01-09实战：基于Python的函数创建与商业实操文件操作
02章Python进行数据整理和数据清洗
01-01Numpy中的数据类型--ndarray数组的创建
01-02Numpy数组基础：索引、切片、变形、分裂
01-03Numpy数组运算：通用函数
01-04Numpy数组变形、拼接
01-05Numpy数组计算：广播、聚合、比较和掩码、数组排序
01-06Pandas对象简介：Series、Dataframe、Index
01-07Pandas数据加载与存储
01-08Pandas数值运算方法：通用函数、聚合函数、遍历
01-09Panda层次化索引
01-10Pandas数据处理：数据类型转换、缺失值处理、字符串转换
01-11Pandas数据表的合并与连接
01-12Pandas数据的累计与分组
01-13高性能Pandas：query（）、eval（）实现高性能运算
01-14Pandas数据规整化：清理、转换、合并、重塑
01-15Pandas时间序列&金融数据处理
01-16实战案例1：泰坦尼克幸存者数据清洗
01-17实战案例2：USDA食品数据清洗
03章Python进行数据可视化技术-线上
01-01绘图思想的基本原理
01-02Python数据可视化包-Matplotlib介绍
01-03使用Matplotlib进行基本的图形绘制
01-04使用Python数据处理包Pandas做可视化
01-05Python数据可视化包-Seaborn介绍与图形绘制
01-06Python数据可视化包-Pyecharts介绍与图形绘制
01-07使用Python进行地图绘制-Pyecharts
01-08数据可视化技巧
04章Python进行网络爬虫
01-01网络爬虫基础知识
01-02网络请求及响应-Requests库
01-03HTML文档解析-BeautifulSoup库
01-04常见反爬虫机制及应对
01-05网络爬虫 VS 网络数据抓取
01-06实战1：新东方批量下载头像
01-07实战2：抓取豆瓣书籍简介
01-08实战3：模拟浏览器selenium抓取电商商品信息及评论
05章Python数据清洗高级操作及案例实战
01-01如何成为一名优秀的数据分析师
01-02P供Python读取的数据：CSV文件、JSON数据、XML数据
01-03数据的获取与存储：数据的不平等性、真实性、可读性、清洁度等
01-04对获取到的数据进行探索：埃博拉病毒危机、列车安全数据、童工数据
01-05数据清洗探索：找出要清洗的数据、数据格式化、找出离群值和不良数据、找出重复数据、模糊匹配、正则匹配等
01-06数据清洗探索：标准化和脚本化（数据归一化和标准化、找到适合项目的数据清洗方法、数据清洗脚本化、用新数据测试）
01-07数据探索和分析：数据探索（表函数探索、连接多个数据集、找出离群值、创建分组）
01-08数据探索与分析：分离和聚焦数据、描述结论、书写报告文档
01-09Pandas时间序列&金融数据处理
01-10数据清洗实战案例：泰坦尼克幸存者数据清洗&USDA食品数据清洗
01-11数据探索实例：为什么非洲童工雇佣的概率更高？腐败感和童工雇佣有什么关系？
01-12数据探索实例：国外电商用户购买信息的数据处理与探索：通过购物篮商品信息探索出客户来源、流失、留存率、消费水平及消费倾向。
06章机器学习和数据挖掘概述-线上
01-01数据挖掘概念
01-02数据挖掘算法分类
01-03数理统计vs机器学习一般流程
01-04有监督学习算法
01-05无监督学习算法
01-06机器学习学习路线图和推荐书籍
07章Python进行机器学习和sklearn实战-Part1
01-01机器学习入门介绍：机器学习基本思想、常用算法分类、算法库等
01-02Scikit-Learn入门介绍：特征矩阵、标签数组、评估器及常用函数
01-03Scikit-Learn特征工程：分类特征、文本特征、图像特征、特征衍生、缺失值填充、特征管道
01-04KNN-近邻分类器、KD-Tree和KNN回归
01-05KNN算法示例：改进约会网站配对效果
01-06梯度下降算法：梯度下降、随机梯度下降和微批梯度下降
01-07原理补充：条件概率计算、全概率公式、K-S曲线、受试者特征曲线（ROC）等
01-08贝叶斯分类器：朴素贝叶斯、贝叶斯网络
01-09朴素贝叶斯算法示例：垃圾邮件过滤
01-10原理补充：梯度下降算法，包括梯度下降、随机梯度下降和微批梯度下降
01-11回归分析：线性回归、岭回归、LASSO和弹性网
01-12回归分析算法示例：预测海洋生物鲍鱼的年龄
01-13广义线性回归：Logistic回归和泊松回归
01-14Logistic回归算法示例：构建信用卡反欺诈模型
08章Python进行机器学习和sklearn实战-Part2
01-01树模型：C4.5、C5.0和CART树
01-02树模型算法示例：红酒分类
01-03SVM支持向量机分类和支持向量机回归
01-04SVM算法示例：手写数字识别
01-05集成算法之Bagging类算法：Bagging、随机森林等
01-06集成算法之Boosting类算法：Boosting、GBDT梯度提升树、XgBoost等
01-07集成算法示例：泰坦尼克号幸存者预测
01-08神经网络算法：反向传播神经网路、卷积神经网络、LSTM等
09章Python进行机器学习和sklearn实战-Part3
01-01聚类分析：K-means快速聚类、DBSCAN密度聚类、层次聚类等
01-02关联规则：Apriori、FP-Growth、PrefixSpan等
01-03无监督学习：LDA、LSI
01-04数据降维方法：PCA主成分分析和SVD奇异值分解
01-05Scikit-Learn常用功能介绍与使用：网格搜索、Pipline
01-06大型综合案例：利用Pipline选择模型构建机器学习流，并利用网格搜索完成模型调优
10章电商行业综合案例
01-01电商行业和算法应用场景介绍
01-02案例1：基于电商销售数据的营销分析
01-03step1：数据的读取及数据清洗
01-04step2：数据整并和字段扩充、数据编码工作
01-05step3：聚类分析模型建置
01-06step4：模型的应用：精准营销和推荐
01-07案例2：基于关联规则的电商推荐案例
01-08案例3：基于物品的协同过滤的推荐
01-09案例4：基于用户的协同过滤的推荐
11章金融行业综合案例
01-01金融行业和算法应用场景概述
01-02信用评分卡的设计流程
01-03案例：使用Python进行申请信用评分卡建置
01-04step1：数据读取和数据分析相关库加载
01-05step2：数据的预处理
01-06step3：数据探索：描述性分析和可视化
01-07step4：数据转换-WOE(Weight Of Evidence)转换
01-08step5：使用逻辑回归进行建模
01-09step6：模型评估和评分卡输出
01-10神经网络基础和案例
01-11机器学习调参方法
01-12非对称样本处理问题
01-13特征选择概述方法