询价
124人看过
丰富的教学特色抢先看
动态性。人们借助计算机通过互联网进入大数据时代,充分体现了大数据是基于互联网的及时动态数据,而不是历史的或严格控制环境下产生的内容。由于数据资料可以随时随地产生,所以大数据并不是一成不变的,大数据是具有动态性的。
更新变化速度比较快。过去结构化的数据常常是半年甚至一两年才更新一次,可是现在我们进入了大数据的阶段,我们更新的频次、频率可能是每秒钟数据都在变化,都在更新。这些更新变化的数据每时每刻都要追加到我们的大数据当中来,对它的管理、对它的其他的要求比过去要高得多。
石家庄博为峰大数据课程
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
大数据到底是什么?我们为什么需要大数据技术?
大数据处理中数据质量监控从哪几个方面进行?
为什么大数据工程师被称为IT薪资一哥?
大数据分析的未来发展趋势是什么?
机器学习工程师。机器学习工程师结合大数据和机器学习算法,开发和部署用于自动化决策和预测的模型。他们需要有扎实的数学和统计学基础,熟悉常见的机器学习框架和算法,如TensorFlow和Scikit-learn。机器学习工程师通常与数据科学家紧密合作,共同解决实际问题。
数据治理专员。数据治理专员负责确保组织内部的数据管理和合规性。他们制定数据管理策略、制定数据安全政策,并监督数据质量和数据隐私保护。数据治理专员需要了解相关的法规和标准,如GDPR和CCPA,并与不同部门合作,确保数据的一致性和合规性。
好机构,师资说话
计算机科学与技术专业
BI可视化分析讲师
多年职业IT技术培训背景,多年BI商业智能教学经验
擅长数据的获取、预处理及Python的编程教学工作。课堂上热衷于运用现实生活中的例子与社会真实需求,去分析教学需求以及所需技术和技能。
成立:2004年
石家庄大数据技术培训中心
课程背景
我们是一家位于石家庄的大数据技术培训中心,致力于为学员提供专业的大数据技术培训服务。随着信息化时代的到来,大数据技术已成为各行各业的热门技能,我们的课程旨在帮助学员掌握这一领域的核心知识和技能,提升其在就业市场的竞争力。
课程特色
1. 实战项目实践,提升学习效果。
2. 个性化指导,针对学员需求量身定制课程。
3. 专业师资团队,教学经验丰富,深耕大数据领域。
课程目标
1. 掌握大数据技术的基本理论和实践应用。
2. 能够独立开发和部署大数据项目。
3. 提升大数据处理和分析能力,为未来就业打下坚实基础。
学习对象
1. 对大数据技术感兴趣的学生和从业人员。
2. 希望提升自身技能,拓宽就业范围的个人。
3. 想要深入了解大数据领域,实现职业发展的人士。
课程内容
1. 大数据概念及原理介绍。
2. Hadoop、Spark等大数据开源工具的详细讲解。
3. 数据处理与分析实战项目实践。
4. 大数据可视化与应用案例分享。
师资力量
我们拥有一支由大数据领域专业人士组成的师资团队,教学经验丰富,能够为学员提供高质量的指导和服务。
教学质量
我们秉承严谨务实的教学态度,注重培养学员的实际操作能力和解决问题的能力,确保教学质量达到行业标准。
服务水平
我们提供全程跟踪指导服务,维护学员学习中的任何问题都能及时得到解决,为学员提供较大的学习支持。
学习时长
课程学习时长为3个月至6个月。学员可根据实际情况选择适合自己的学习时长。
收费范围
课程收费范围为4000元至15000元,具体收费标准可根据课程内容和时长进行调整。
学习收获
通过我们的课程学习,学员将获得扎实的大数据技术知识和实战经验,提升自身竞争力,为未来的就业和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。我们期待与您共同探索大数据技术的无限可能!
学员评论
来自第三方
来自第三方
来自第三方