询价
121人看过
大数据的应用
大数据在金融行业主要是应用金融交易。高频交易(HFT)是大数据应用比较多的领域。其中大数据算法应用于交易决定。现在很多股权的交易都是利用大数据算法进行,这些算法现在越来越多的考虑了社交媒体和网站新闻来决定在未来几秒内是买进还是卖出。
大数据现在已经广泛应用到城市安全和执法的过程中。例如目前与我们息息相关防疫用的健康码、行程卡,企业则应用大数据技术进行防御网络攻击,警察应用大数据工具抓捕罪犯,银行应用大数据工具来防止欺诈性交易等等。
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 |
大数据是什么
大数据技术的战略意义不在于掌握庞大的数据信息,而在于对这些含有意义的数据进行专业化处理。换而言之,如果把大数据比作一种产业,那么这种产业实现盈利的关键,在于提高对数据的“加工能力”,通过“加工”实现数据的“增值”。随着云时代的来临,大数据(Big data)也吸引了越来越多的关注。分析师团队认为,大数据(Big data)通常用来形容一个公司创造的大量非结构化数据和半结构化数据,这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起,因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。
成立:2004年
课程背景
天津是一座具有悠久历史和文化底蕴的城市,近年来随着科技的发展,大数据技术在各个领域得到广泛应用。为了适应这一发展趋势,我们开设了天津大数据基础培训课程,旨在为有志于从事大数据行业的学员提供深入系统的知识学习和实践机会。
课程特色
1. 专业的课程设置,涵盖大数据技术的基础知识、应用案例分析等内容;
2. 实操性强,通过项目实战训练,提升学员解决问题的能力;
3. 专业导师指导,确保学员学习效果。
课程目标
1. 掌握大数据技术的基本原理和应用方法;
2. 能够运用大数据工具进行数据分析和挖掘;
3. 培养学员对于大数据行业的兴趣和热情。
学习对象
1. 对大数据技术有浓厚兴趣的在校大学生;
2. 工作中需要掌握大数据技能的职场人士;
3. 想要转行进入大数据行业的人员。
课程内容
1. 大数据概念及技术体系介绍;
2. 数据处理与分析工具的使用方法;
3. 大数据应用案例分析;
4. 项目实战训练。
师资力量
我们拥有一支经验丰富、知识渊博的教师团队,他们在大数据领域有着丰富的实践经验和教学经验,能够为学员提供专业的指导和帮助。
教学质量
我们注重教学质量,采用小班教学形式,保证每位学员都能得到充分的关注和指导。课程内容紧扣实际需求,注重理论与实践相结合。
服务水平
我们为学员提供多方位的服务支持,包括课程咨询、学习指导、就业推荐等方面的帮助,助力学员顺利完成学业并进入职场。
学习时长
本课程为期2个月,学员将在这期间系统学习大数据基础知识和技能,掌握相关工具和方法。
收费范围
课程收费范围为4000-15000元,具体费用根据课程安排和学员身份等因素而定。
学习收获
通过天津大数据基础培训课程的学习,学员将能够掌握大数据技术的基本原理和应用方法,提升自己在大数据行业中的竞争力,为自己的职业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。我们期待您的加入,一起探索大数据领域的无限可能!
学员评论
来自第三方
来自第三方
来自第三方