搜索
询价
200人看过
丰富的教学特色抢先看
着重讲授大数据系统技术，包括大数据系统的组成、数据存储、数据处理、数据分析、数据可视化等方面。
课程设置了大量的实践操作环节，帮助学员掌握大数据系统管理、操作技能。
我们聘请了一批经验丰富的大数据系统工程师作为课程讲师，能够为学员提供专业的指导。
大量。大数据的特征首先就体现为“大”随着信息技术的高速发展，数据开始爆发性增长。社交网络、移动网络、各种智能工具等，都成为数据的来源。淘宝网近4亿的会员每天产生的商品交易数据约20TB。迫切需要智能的算法、强大的数据处理平台和新的数据处理技术，来统计、分析、预测和实时处理如此大规模的数据。
价值。大数据的核心特征是价值。际上，值密度与数据总量成反比，即数据的值密度越高，数据总量越小，而数据的值密度越低，数据总量越大。任何有价值信息的提取都依赖于海量的基础数据。当然，在大数据背景下，还有一个未解决的问题，如何通过强大的机器算法快速完成海量数据中数据的价值净化。
武汉博为峰大数据课程
| 课程大纲 | 课题名称 | 课程内容 |
| 前导基础 | 数据分析入门 |
数据分析入门 ；数据分析的意义；数据分析的流程控制 ；数据分析的思路与方法 |
| 逻辑为先—XMIND |
xmind简介与基本使用；学习方法课堂案例；滴答拼车实战演练；其他思维导图介绍 |
|
| 专业展现—PPT |
专业展现——PPT；基本简介；几个不得不说的真相；经验分享；实战动画 |
|
| 数据分析工具安装与环璄配置 |
Excel工具的安装、配置与环璄测试；Power BI工具的安装、配置与环璄测试；Tableau工具的安装、配置与环璄测试；MySQL数据库的安装、配置与环璄测试；SPSS数据挖掘工具安装、配置与环璄测试；SAS数据挖掘工具安装、配置与环璄测试；Python开发工具的安装、配置与开发环璄测试 |
|
| Linux基础应用之大数据必知必会 |
虚拟机的安装配置；虚拟机网络配置；安装Linux；利用SSH连结Linux；Linux基础命令；Linux系统管理 |
|
| 数据分析的Python语言基础 |
python课程的目的；使用JupyterLab；python数据类型 ；元组、列表、字典；python分支结构 ；python字符串处理+随机函数；pthon循环结构；python面向过程函数操作；python面向对象 |
|
| 问题定义与数据获取 | 数据分析项目流程 |
问题界定；问题拆分 ；指标确定；数据收集；报告方案 ；趋势预测；数据分析；趋势预测；报告方案 |
| 问题的定义 |
边界：明确问题的边界；逻辑：确定业务的关键指标和逻辑；定性分析与定量分析 |
|
| 分析问题的模型 |
基于经典的模型：5W2H；SWORT；4P管理模型；CATWOE；STAR原则、波士顿5力模型。 基于业务的模型：用户画像；销售影响因素；市场变化因素；AARRR流量模型；金定塔思考方法 |
|
| 数据清洗与处理 |
数据科学过程 ；数据清洗定义；数据清洗任务；数据清洗流程；数据清洗环境；数据清洗实例说明；数据标准化；数据格式与编码；数据清洗常用工具；数据清洗基本技术方法；数据抽取；数据转换与加载 |
|
| 内部数据的获取 |
产品数据；用户数据；行为数据 ；订单数据 |
|
| 外部公开数据 |
开放网站；政务公开数据；数据科学竞赛；数据交易平台；行业报告；指数平台 |
|
| Web网站数据抓取 |
财经数据抓取；投资数据抓取；房产数据抓取；舆情数据抓取；娱乐数据抓取；新媒体数据抓取 |
|
| 数据查询与提取 | SQL基础操作 |
建库 ；建表；建约束 ；创建索引；添加、删除、修改数据 |
| 利用SQL完成数据的预处理 |
缺失值处理：对缺失数据行进行删除或填充；重复值处理：重复值的判断与删除；异常值处理：清除不必要的空格和异常数据 |
|
| 利用SQL进行业务数据查询 |
利用SQL进行简单的业务数据查询；利用SQL完成复杂条件查询；利用多表关联完成复杂业务查询；利用嵌套子查询完成复杂业务数据分析 |
|
| 高级SQL分析 |
聚合、分组、排序；函数；行列转换；视图与存储过程 |
|
| 业务指标统计分析 |
业务数据表关联查询及查询；结果纵向融合；常业务需求数据宽表构建；查询处理复杂业务 |
|
| 数理统计基础 | 数据分析的数学基础 |
计算和连续函数的性质；导数/微分的概念和运算法则；积分的概念和运算法则；幂级数、泰勒级数、傅里叶级数、傅里叶变换；向量的概念和运算；矩阵的转置、乘法、逆矩阵、正交矩阵、SVD奇异值分解、特征值；行列式的计算和性质；凸优化 |
| Python数据分析 | 基于Numpy库的Python数据科学计算 |
创建数组；切片索引；数组操作；字符串函数；数学函数；统计函数 |
| 基于Pandas库的Python数据处理与分析 |
直方图：探索变量的分布规律；条形图：展示数值变量的集中趋势；散点图：表示整体数据的分布规律；箱线图：表示数据分散性，中位数；提琴图：分位数的位置及数据密度；回归图：寻找数据之间的线性关系；热力图：表未数值的大小或者相关性的高低 |
|
| 大数据分析 | HIVE大数据查询平台搭建 |
大数据概述；数据集群； Hadoop 架构；Hive开发环璄搭建 |
| HIVE与MySQL进行数据交换 |
从MySQL中导入数据到Hive；从Hive导出数据到MySQL |
|
| HQL海量业务数据需求查询 |
Hive数仓；HQL 数据查询基础语法 |
|
| HQL海量业务数据需求查询 |
从MySQL中导入数据到Hive；从Hive导出数据到MySQL |
|
| HQL业务数据指标统计分析 |
分区表；分桶表；关联表；数据查询 |
|
| HQL海量数据查询优化 |
内置函数及开窗函数；特殊类型数组查询方式；HQL 查询语句优化技巧 |
|
| 建模与数据挖掘 | 数据挖掘与分析算法 |
描述统计；相关分析；判别分析；方差分析；时间序列分析；主成分分析；信度分析 ；因子分析；回归分析；对应分析；列联表分析；聚类分析 |
| 数据挖掘工具SPSS |
从MySQL中导入数据到Hive；从Hive导出数据到MySQL |
|
| HQL海量业务数据需求查询 |
课程规划与简介；数据挖掘项目生命周期；简单的统计学基础 ；用Modeler试手挖掘流程；数据挖掘的知识类型 6、商业分析基础简介；信度分析；因子分析；回归分析 ；对应分析；列联表分析 ；聚类分析 |
|
| 数据挖掘工具SAS |
SAS概述：SAS简介与教育版安装；SAS概述：教育版基本使用；SAS编程基础 ；SAS编程基础-循环；SAS数据集操作1-合并；SAS数据集操作72-排序与对比；SAS数据集操作3-查重与筛选；练习-斐波那契数列；练习-百元百鸡问题 |
|
| 人工智能预测算法 | 人工智能实战十大预测数据算法 |
机器学习入门；sk-learn机器学习库；十大预测算法原理与使用场景；算法调用、参数设置；特征选择、特征工程；回归预测模型实战；分类预测试模型实战 ；聚类模型实战；集成学习 ；模型优化 |
| 可视化商业报告撰写 | 商业智能与可视化分析实战 |
案例-1：BI电商数据市场分析项目实战 案例-2：BI电商数据客户分析项目实战 案例-3：BI可视化关于公司运营情况的相关分析 案例-4：基于Tableau的客户主题对客户进行合理分群 案例-5：基于Tableau的营销主题分析如何衡量媒体的营销价值 案例-6：基于Tableau的保公司索赔情况分析 |
| 数据可视化报告撰写 |
数据可视化的概念；数据可视化的意义；数据可视化的对比；数据可视化的分类；数据可视化图表举例 ；数据可视化应用领域；数据可视化步骤；数据可视化工具梯度；图表呈现流程；数据报告撰写 |
|
| 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 |
了解电商业务背景；、以客户分析为应用场景，对数据进行加载、清洗、分析及模型建立；以货品分析为应用场景，针对品类销售及商品销售进行分析；以流量分析为应用场景，针对流量渠道及关键词做有效分析；根据业务实际背景做舆情分析；将分析结果及建议制成报告进行发布 |
|
| 商业分析项目实战 | 五大商业项目实战 |
商业项目实战01：电商数据分析——分析方式之漏斗模型及数据量化 商业项目实战02：电商用户行为与营销模型实战 商业项目实战03：金融风控模型的构建与分析实战 商业项目实战04：展会电话邀约项目数据分析实战 商业项目实战05：零售行业数据分析 |
你可能关心的大数据问题
大数据、数据分析和数据挖掘有什么区别？
如何提高大数据分析的效果和价值？
大数据行业的从业者是从哪获得数据的？
1、数据分析师。数据分析师是大数据行业中常见的职位之一。他们负责收集、整理和分析大量的数据，提供有关市场趋势、用户行为、销售统计等方面的洞察和建议。数据分析师需要熟练运用数据分析工具和编程语言，如SQL、Python和R，以便能够处理和解释大规模数据集。
2、数据工程师。数据工程师主要负责构建和维护数据基础设施，包括数据管道、数据仓库和ETL（抽取、转换和加载）流程。他们需要具备深入的数据库知识和编程技能，并熟悉大数据技术栈，如Hadoop、Spark和NoSQL数据库。数据工程师还需要解决数据质量和性能问题，确保数据的准确性和可靠性。
好机构，师资说话
成立：2004年
课程背景
武汉大数据班是我们举办的一门面向广大学生的专业课程，旨在培养学生在大数据领域的专业知识和实践能力。通过系统的理论学习和实践操作，帮助学生全面掌握大数据技术和应用。
课程特色
1、国内优秀的师资团队，由业内专业讲师和学者组成；
2、注重理论与实践相结合，实际案例分析丰富多样；
3、定期举办行业交流和实践活动，助力学生拓展人脉。
课程目标
1、深入了解大数据基础知识和技术应用；
2、掌握大数据处理和分析的方法和工具；
3、具备在大数据领域中进行独立研究和应用的能力。
学习对象
1、对大数据领域感兴趣的在校学生；
2、希望进入大数据行业或深造研究的社会人士。
课程内容
1、大数据概念与原理；
2、大数据采集和清洗；
3、大数据存储和计算；
4、大数据分析与挖掘；
5、大数据应用与实践。
师资力量
我们拥有一支经验丰富、教学水平高超的师资团队，他们不仅具备深厚的学术背景，还在大数据领域拥有丰富的实践经验，能够为学生提供全面的指导与支持。
教学质量
我们注重教学质量，采用小班教学模式，注重与学生的互动与交流，确保每位学生都能够获得个性化的学习体验，提高学习效果。
服务水平
我们提供完善的课程服务，包括学习辅导、就业指导等一系列服务，帮助学生顺利完成学业并实现就业目标。
学习时长
根据课程设置和学习进度，学习时长为3个月至6个月不等。
收费范围
课程收费范围为4000-15000元，具体收费标准根据课程设置和服务内容而定。
学习收获
通过学习武汉大数据班，学生将深入了解大数据领域的理论知识和实践技能，掌握大数据的应用方法和工具，为未来在大数据行业的发展打下坚实的基础。
总结
以上信息仅供参考，实际情况以到校咨询为准。可联系在线客服，预约免费体验课。希望广大学生能够抓住这个难得的学习机会，开启大数据领域的学习之旅。
学员评论
来自第三方
来自第三方
来自第三方