一、Excel

7-2-1数据分析概述、Excel基本认识

7-2-2导入数据、自定义数据格式

7-2-3.定位条件和选择性粘贴

7-2-4.公式

7-3-1.统计函数

7-3-2.日期函数和文本函数

7-3-3.数组

7-3-4.查找引用函数

7-4-1.基本图表

7-4-2.组合图表

7-4-3.动态图表

7-4-4.数据透视表

7-4-5.动态透视表

7-5-1.Excel与数据分析概述

7-5-2.Power View

7-5-3.Power Query

7-5-4.Power pivot

7-6-1.Power Pivot导入数据

7-6-2.Power Pivot层次结构

7-6-3.DAX表达式、度量值和KPI

7-6-4.零售数据分析仪制作

二、MySQL

7-9-1.数据库概述

7-9-2.数据类型和约束条件

7-9-3.数据表基本操作

7-9-4.单表查询

7-10-1.子查询

7-10-2.常用函数

7-10-3.彩票数据案例

7-10-4.电商数据案例

7-11-1.电商数据处理练习1

7-11-2.电商数据处理练习2

7-11-3.电商数据处理练习3

7-12-1.图表制作

7-12-2.分析方法论

7-12-3.Power Povit数据透视表

7-13-1.电商分析仪小组分享1

7-13-2.电商分析仪小组分享2

7-13-3.餐饮业销售分析仪

三、统计

7-25-1.数学概述

7-25-2.向量

7-25-3.矩阵运算

7-25-4.矩阵的秩

7-25-5.函数

7-26-1.极限

7-26-2.微分

7-26-3.导数

7-26-4.偏导数

7-26-5.微分和导数的应用

7-26-6.定积分

7-27-1.数据的概括性度量

7-27--2.标准分数、离散系数、偏态和峰态

7-27-3.抽样分布

7-27-4.区间估计

7-27-5.一个总体参数的区间估计

7-27-6.假设检验

7-27-7.T检验和F检验

7-28-1.拟合优度检验、列联分析、相关分析

7-28-2.相关系数 、回归分析

7-28-3.假设检验、线性回归

7-28-4.回归分析

7-28-5.回归模型的建立步骤

四、SPSS

7-30-1.数据认识与准备

7-30-2.分析方法的判断

7-30-3.描述数据

7-30-4.样本量抽取

7-30-5.数据的存储和提取

7-31-1.一元线性回归

7-31-2.相关性、检验模型

7-31-3.方差和回归的关系

7-31-4.模型检验

7-31-5.数据分析流程

8-1-1.残差分析

8-1-2.回归系数、偏回归图的解释

8-1-3.多元线性回归模型的使用

8-1-4.建模分析

8-1-5.共线性诊断、岭回归

8-2-1.logistic回归与卡方

8-2-2.卡方检验、logistic回归模型解释

8-2-3.分类表的解释

8-2-4.spss的语言简单介绍

8-2-5.logistic回归预测

8-3-1.分类比例平衡

8-3-2.工具变量的使用

8-3-3.哑变量处理

8-3-4.变量筛选

8-3-5.缺失值处理

8-4-1.数据分析流程

8-4-2.相关分析

8-4-3.因子分析

8-4-4.主成分分析

8-4-5.模型展示、对数据分析过程进行总结

五、中期交流

8-15-1

8-15-2

8-15-3

8-15-4

8-15-5

8-15-6

六、视频（加）

3-30-1.统计语言模型

3-30-2.词向量

3-30-3.中文分词

3-30-4.R语言实现分词和词向量

3-30-5.R语言实现词云图

3-31-1.文本分析引言和Logistic回归及KNN

3-31-2.贝叶斯和SVM

3-31-3.Python实现文本分类

3-31-4.文本聚类和主题模型

3-31-5.情感分析和CNN

4-3-1.推荐系统概述

4-3-2.冷启动问题

4-3-3.EE问题和基于近邻的协同过滤

4-3-4.基于用户和基于物品的协同过滤

4-3-5.Python实现协同过滤

4-4-1.基于内容的推荐和用户画像

4-4-2.文本挖掘算法

4-4-3.基于矩阵分解的推荐

4-4-4.基于深度学习的算法

4-4-5.视频推荐架构

七、Python

7-16-1.Python安装和使用

7-16-2.Python路径配置

7-16-3.Python基本概念

7-16-4.标准数据类型1

7-16-5.标准数据类型2

7-17-1.顺序结构和分支结构

7-17-2.循环语句

7-17-3.for循环练习

7-17-4.自定义函数

7-17-5.常用内置函数

7-18-1.知识点回顾练习

7-18-2.模块

7-18-3.错误和异常

7-18-4.文件读写、日期和时间、面向对象

7-18-5.汉诺塔

7-19-1.课后作业讲解

7-19-2.正则表达式

7-19-3.Python中调用数据库

7-19-4.赌博和涂棋盘

7-20-1.爬虫基本原理

7-20-2.网页抓取

7-20-3.BeautifulSoup数据解析

7-20-4.BeautifulSoup抓取IT之家数据1

7-20-5.BeautifulSoup抓取IT之家数据2

7-21-1.XPath数据解析

7-21-2.抓取懂球帝数据

7-21-3.Selenium的使用

7-21-4.抓取链家网数据

7-22-3

7-22-4

7-22-1

7-22-2

7-22-2.抓取腾讯新闻数据1

7-22-3.抓取腾讯新闻数据2

7-22-4.抓取腾讯新闻数据3

7-22-5.抓取腾讯新闻数据4

8-6-1.数据清洗介绍、认识数据类型

8-6-2.创建数组

8-6-3.数组的切片、索引

8-6-4.数组的变换、运算

8-6-5.课堂练习：随机漫步

8-7-1.解决作业问题，pandas数据类型介绍

8-7-2.series的索引和切片

8-7-3.DataFrame的转换和运算

8-7-4.DataFrame的索引

8-8-1.数据抽取、合并

8-8-2.DataFrame合并

8-8-3.淘宝数据清洗练习

8-8-4.天气、旅游路线数据清洗练习

8-8-5.缺失值、异常值处理

8-9-1.数据清洗中可能碰到的问题及解决方法

8-9-2.数据计算、时许数据的处理

8-9-3.处理字符型数据

8-9-4.旅行路线实战演练

8-9-5.淘宝数据清洗案例

8-10-1.python可视化入门

8-10-2.绘图实例

8-10-3.饼图、箱线图、直方图、pyecharts安装

8-10-4.pyecharts绘制基本统计图

8-10-5.水滴图、词云图、仪表盘、组合图、3D图的绘制

8-19-1.机器学习介绍

8-19-2.KNN算法的基础原理

8-19-3.总结上午的KNN算法

8-19-4.KNN算法伪代码、演示

8-19-5.优化KNN算法

8-19-6.测试代码运行情况、进行类别判别

8-20-1.训练集和预测集的划分、测试KNN分类器、

8-20-2.模型完善：0-1标准化、Z-score标准化

8-20-3.模型评估指标、二分类问题

8-20-4.模型优化方法、K值学习曲线、交叉验证

8-20-5.KNN的Scikit-Learn实现、K-Means快速聚类

8-21-1.聚类分析、距离衡量方法

8-21-2.K-Means快速聚类算法编写

8-21-3.整合K-Means函数、算法验证

8-21-4.SSE计算、二分K均值法

8-21-5.轮廓系数

8-22-1.二分K均值法

8-22-2.线性回归

8-22-3.多元线性回归模型的Python实现

8-22-4.岭回归、Lasso回归

8-22-5.梯度下降

8-24-1.梯度下降算法详解

8-24-2.梯度下降算法种类

8-24-3.利用梯度下降求解逻辑回归

8-24-4.Scikit-Learn评估器

8-24-5.Scikit-Learn实践

8-25-1.算法总结、决策树

8-25-2.构建决策树（一）

8-26-1.构建决策树（二）

8-26-2.决策树的拟合度优化

8-26-3.决策树剪枝

8-26-4.决策树模型实现

8-26-5.关联规则（一）

8-27-1.Apriori算法原理

8-27-2.Apriori算法总结

8-27-3.关联规则算法python实现

8-27-4.关联规则（二）

8-27-5.朴素贝叶斯

8-28-1.朴素贝叶斯算法执行

8-28-2.概率分类模型评估指标

8-28-3.集成算法

8-28-4.集成算法调参

8-28-5.感知机原理

9-1-1.案例背景分析

9-1-2.业务模型分析

9-1-3.数据清洗（一）

9-1-4.数据清洗（二）

9-1-5.聚类分析之判断k值

9-2-1.基于聚类的推荐

9-2-2.K-means聚类、协同过滤原理

9-2-3.行业发展分享

9-2-4.行业发展分享

9-2-5.协调过滤算法实现

八、就业指导课

9-6-1 就业指导

9-6-2 就业指导

9-6-3 就业指导

9-6-4 就业指导

9-6-5 就业指导

9-8-1 为什么要做评分卡

9-8-2 数据清洗、业务场景定义

9-8-3 数据准备及数据预处理（一）

9-8-4 数据准备及数据预处理（二）

9-8-5 模型构建（一）

9-9-1 模型构建（二）

9-9-2 分箱过程、模型检验

9-9-3 信用评分

9-9-4 模型监控

9-9-5 经验分享

9-14-1 零售案例背景分享

9-14-2 购买行为分析以及profiling

9-14-3 推荐方法

9-14-4 购买倾向模型

9-15-1 模型建立

9-15-2 效果分析

9-15-3 输出模型规则打分

9-15-4 活动设计结果、经验分享

9-20-1 电商文本挖掘项目背景介绍

9-20-2 数据处理（一）

9-20-3 数据清洗、整合

9-20-4 数据处理（二）

9-20-5 经验指导

9-21-1 评论数据文本挖掘

9-21-2 提取关键词

9-21-3 情感分析

9-21-4 课外知识补充