一、Excel

4-9-14-9-1.Excel简介

4-9-2.Excel基本操作

4-9-3.数据处理

4-9-4.单元格地址引用

4-10-1常用函数

4-10-2.数组

4-10-3.数组函数和查找引用函数

4-10-4.高级函数和基本图表

4-11-1.课后练习

4-11-2.常用图表

4-11-3.动态图表

4-11-4.数据透视表

4-11-5.动态透视表

4-12-1.数据分析方法和流程

4-12-2.杜邦分析仪

4-12-3.空气质量和餐饮销量分析

4-12-4.表数据结构

4-13-1.Power Query获取数据

4-13-2.Power Povit搭建多维数据集

4-13-3.Power Povit层次结构

二、MySQL

4-14-1.初识MySQL

4-14-2.字段的约束和属性

4-14-3.修改表结构和插入数据

4-14-4.DML增删查改

4-15-1.常用函数和子查询

4-15-2.事务和视图

4-15-3.索引和备份

4-17-1.电商案例数据准备

4-17-2.数据预处理

4-17-3.select练习

4-18-1.图表制作

4-18-2.分析方法论

4-18-3.Power Povit数据透视表

4-19-1.小组分享

4-19-2.分析仪制作方法

4-19-3.餐饮分析仪制作

三、统计

4-22-1.数学概况

4-22-2.数学模型

4-22-3.向量和矩阵变换

4-22-4.向量和矩阵运算

4-22-5.微积分函数

4-23-1.极限

4-23-2.微分

4-23-3.微分和导数的应用

4-23-4.中值定理

4-23-5.定积分

4-24-1.基本度量值

4-24-2.抽样分布

4-24-3.参数估计

4-24-4.区间估计

4-24-5.假设检验

4-25-1.分类数据分析

4-25-2.相关分析和回归分析

4-25-3.简单线性回归

4-25-4.多元线性回归

4-25-5.线性回归建模流程

四、SPSS

4-26-1.综合绩效案例-数据分析过程

4-26-2.SPSS软件综合特征

4-26-3.访问数据源

4-26-4.统计量与图形

4-27-1.员工绩效管理-一般线性模型

4-27-2.相关性分析

4-27-3.显著性检验

4-27-4.残差分析

4-27-5.模型预测

5-2-1.交叉表

5-2-2.逻辑回归

5-2-3.系数解释和哑变量

5-2-4.混淆矩阵

5-2-5.逻辑回归建模流程

5-3-1.变量筛选

5-3-2.主成分分析

5-3-3.聚类距离度量

5-3-4.二阶聚类比较

5-3-5.RFM简介

5-4-1.RFM可视分箱

5-4-2.客户价值细分

5-4-3.联合分析步骤

5-4-4.评分建模和预测

5-4-5.数据分析在不同数据量级下的应用

五、R

5-7-1.R语言介绍

5-7-2.R数据类型

5-7-3列表和矩阵

5-7-4.数组和因子

5-8-1.读写数据和R对象

5-8-2.数据框

5-8-3.向量化运算和常用运算函数

5-9-1.随机函数

5-9-2.时间和日期函数

5-9-3.字符处理函数

5-9-4.控制结构和循环函数

5-10-1.循环

5-10-2.自定义函数

5-10-3.分组循环函数

5-10-4.排序和切割

5-10-5.重塑数据

5-11-1.箱线图

5-11-2.直方图和柱形图

5-11-3.散点图

5-11-4.基础绘图系统

5-12-1.样本均值的统计量

5-12-2.区间估计

5-12-3.假设检验

5-12-4.T检验和方差分析

5-12-5.相关分析

5-14-1.简单线性回归

5-14-2.R代码实现简单线性回归

5-14-3.多元线性回归

5-14-4.变量选择

5-14-5.模型评估

5-15-1.回归诊断

5-15-2.逻辑回归logit变换

5-15-3.逻辑回归参数估计

5-15-4.模型评估

5-19-1.关联规则基本概念

5-19-2.关联规则

5-19-3.Apriori算法1

5-19-4.Apriori算法2

5-19-5.R语言实现关联规则

5-19-6.数据分类简述

5-20-1.决策树CLS算法

5-20-2.决策树ID3算法

5-20-3.决策树C4.4算法

5-20-4.决策树剪枝

5-20-5.决策树CART算法

5-21-1.R语言实现决策树1

5-21-2.R语言实现决策树2

5-21-3.随机森林基本思想

5-21-4.随机森林算法

5-21-5.R语言实现随机森林

5-22-1.SVM简介

5-22-2.线性可分SVM

5-22-3.非线性SVM

5-22-4.软间隔SVM

5-22-5.R语言实现SVM

5-24-1.R代码实现模型评估

5-24-2.层次聚类

5-24-3.R代码实现层次聚类

5-25-1.K-Means聚类

5-25-2.聚类结果检验

5-25-3.主成分分析

5-25-4.R语言实现主成分

5-28-1.条件概率

5-28-2.全概公式

5-28-3.朴素贝叶斯建模

5-28-4.贝叶斯分类手算模型

5-28-5.R语言实现朴素贝叶斯

5-29-1.神经元模型

5-29-2.神经网络模型

5-29-3.感知器

5-29-4.BP和RBP神经网络

5-30-1.数据挖掘一般流程

5-30-2.电影票房预测

5-31-1.个人征信预测

5-31-2.建模流程和统计量

5-31-3.评分卡模型

6-1-1.客户分群简介和层次聚类

6-1-2.K-Means聚类

6-1-3.R语言实现客户分群

6-1-4.分群结果展示

6-4-1.预测性模型概念

6-4-2.通用建模流程

6-4-3.保险案例背景介绍

6-4-4.数据探索

6-4-5.数据清洗和建模

6-5-1.逻辑回归模型评估

6-5-2.线性回归数据探索

6-5-3.数据清洗和相关分析

6-5-4.两阶段模型商业应用

6-6-1.推荐系统简介

6-6-2.关联规则算法

6-6-3.相似度计算

6-6-4.协同过滤算法

6-6-5.基于内容的推荐和基于矩阵分解的推荐

6-7-1.白噪声序列

6-7-2.自回归和移动平均模型

6-7-3.ARIMA模型

6-7-4.Box-Jenkins建模流程

6-7-5.R语言实现时间序列

6-8-1.决策树算法原理

6-8-2.rattle包实现决策树

6-8-3.决策树剪枝和模型检验

6-8-4.回归树应用及随机森林介绍

6-9-1.信用风险和评分卡模型的基本概念

6-9-2.非平衡样本问题的定义和解决方法

6-9-3.特征工程和模型构建与验证

6-9-4.Python实现申请评分卡

6-9-5.京东客户生命周期管理

6-10-1.绩效评价

6-10-2.认同度调查和人口监测

6-10-3.语音识别和自然语言处理

6-10-4.专家系统和图像识别

六、就业指导

6-13-1.简历技巧1

6-13-2.简历技巧2

6-13-3.面试技巧1

6-13-4.面试技巧2

七、Python

3-19-1.Python引言

3-19-2.Python基础语法

3-19-3.字符串和列表

3-19-4.列表和元组

3-20-1.字典和分支结构

3-20-2.for循环

3-20-3.循环和分支结构练习

3-20-4.自定义函数

3-21-1.回顾练习

3-21-2.递归函数

3-21-3.错误和异常

3-21-4.高级函数

3-22-1函数生成_模块_读写

3-22-2随机数_目录_时间

3-22-3棋盘_赌徒必输

3-22-4连接数据库

3-24-1.dnarry对象

3-24-2.dnarry对象的方法

3-24-3.数组运算

3-24-4.函数应用和映射

3-25-1函数

3-25-2排序和过滤

3-26-1RFM计算

3-26-2医疗数据处理

3-28-1爬虫简介

3-28-2网页解析

3-28-3网页爬虫淘宝

3-28-4网页爬虫有道翻译

3-28-5网页爬虫天气

3-29-1.post获取有道翻译结果和BeautifulSoup解析网页

3-29-2.BeautifulSoup解析网页并抓取数据

3-29-3.正则表达式

3-29-4.selenium定位爬取去哪网

3-29-5.selenium爬取去哪网

3-29-6.selenium动态爬取去哪网景点

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

八、（加视频31期）

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

7-22-2.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

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

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

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）

8-26-2.8-26-2.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

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