一、Excel

1-14-1 操作技巧

1-14-2 数据收集与清洗（1）、自定义格式

1-14-3 数据收集与清洗（2）

1-14-4 公式

1-14-5 常用函数（1）

1-15-1 常用函数（2）

1-15-2 数组（1）

1-15-3 数组（2）

1-15-4 查找与引用函数

1-15-5 图表展现数据

1-16-1 查找与引用函数

1-16-2 查找与引用函数、图表展现数据

1-16-3 图表展现数据、动态图

1-16-4 数据透视表

1-17-1 数据分析概述、Power BI插件介绍

1-17-2 表结构数据、Power Query介绍、导数

1-17-3 合并查询、Power Query数据处理

1-17-4 M函数

1-18-1 Power Pivot介绍、ER关系图、多维透视表

1-18-2 DAX函数

1-18-3 KPI报表

1-18-4 零售业销售情况分析仪

二、MySQL

1-21-1 数据库概述、数据库创建、基本语法

1-21-2 数据类型、约束条件

1-21-3 创建数据表及插入数据、聚合函数

1-21-4 查询操作符、子查询

1-21-5 查询常用函数、excel作业讲解

1-22-1 常用函数（as、limit、concat）、修改、查找；彩票数据练习（一）

1-22-2 彩票数据练习（二）

1-22-3 彩票数据练习（三）

1-22-4 彩票数据练习（四）；电商案例练习（一）

1-22-5 电商案例练习（二）

1-23-1 电商案例练习（三）

1-23-2 电商案例练习（四）

1-23-3 电商案例练习（五）

1-23-4 电商案例练习（六）

1-24-1 图表制作

1-24-2 分析方法论（一）

1-24-3 分析方法论、Power Map

1-24-4 Power Map、Power View

1-25-1 小组分享；餐饮业销售分析仪（一）

1-25-2 餐饮业销售分析仪（二）

1-25-3 餐饮业销售分析仪（二）

三、统计

2-18-1 微积分框架、初等函数

2-18-2 微分和极限、导数

2-18-3 偏导数、极值与拐点

2-18-4 泰勒中值定理、麦克劳林公式、定积分

2-18-5 定积分中值定理、牛顿-莱布尼茨公式、级数

2-19-1 数学与统计学在数据分析中的应用

2-19-2 幂级数、泰勒级数、向量

2-19-3 矩阵、行列式、逆矩阵与矩阵的秩

2-19-4 特征值与特征向量、奇异值分解

2-19-5

2-20-1 数据的来源与抽样调查

2-20-2 数据预处理、数据的概括性度量（一）

2-20-3 数据的概括性度量（二）

2-20-4 统计量及抽样分布、参数估计（一）

2-20-5 参数估计（二）

2-20-6 参数估计（三）

2-20-7 假设检验（一）

2-21-1 假设检验（二）

2-21-2 分类数据分析

2-21-3 方差分析

2-21-4 构造检验的统计量

2-21-5 关系强度的测量、多重比较的步骤

四、SPSS

3-4-1 课程介绍及数据准备

3-4-2 数据类型的认识

3-4-3 SPSS菜单介绍及图形

3-4-4 单样本T检验，变量的选择

3-4-5 抽样技术及指标

3-5-1 一元线性回归

3-5-2 残差分析最小二乘估计

3-5-3 中介效应和调节效应模型

3-5-4 线性回归与方差

3-5-5 数据分析流程

3-6-1 回归分析流程(一)

3-6-2 回归分析流程(二)

3-6-3 正态型，异方差处理

3-6-4 异常值，共线性问题及处理

3-6-5 各类型算法介绍

3-7-1 逻辑回归

3-7-2 逻辑回归与线性回归的区别

3-7-3 逻辑回归系数

3-7-4 变量分箱处理

3-7-5 逻辑回归模型和书籍推荐

3-8-1 逻辑回归与修正(哑变量处理)

3-8-2 逻辑回归与修正演示

3-8-3 变量筛选

3-8-4 变量筛选演示

3-8-5 职业规划和建议

五、Python（补37）

10-8-1 python 及开发环境介绍

10-8-2 python语言基础语法介绍

10-8-3 python编码、关键字、注释、代码块

10-8-4 数字类型及其计算

10-8-5 字符串及其方法

10-10-1 字符串的格式化

10-10-2 条件控制语句

10-10-3 条件控制练习、while循环语句

10-10-4 for 循环

10-10-5 continue、break

10-11-1 前两天课程回顾

10-11-2 作业讲解

10-11-3 列表

10-11-4 元组、字典

10-11-5 集合

10-12-1 四种数据结构用法总结

10-12-2 作业讲解、文件读写操作

10-12-3 常用内置函数、函数定义

10-12-4 函数参数种类、模块

六、Python

2-22-1 软件安装

2-22-2 路径设置、基本概念

2-22-3 数值与数值运算

2-22-4 字符串

2-22-5 字符串运算

2-23-1 列表、列表生成式、元祖

2-23-2 字典

2-23-3 集合、条件分支

2-23-4 if语句嵌套

2-23-5 循环语句

2-24-1 常用内置函数、异常与错误

2-24-2 函数的定义与调用

2-24-3 内嵌函数、lambda表达式

2-24-4 递归

2-24-5 模块、OS文件

2-25-2 Numpy基本概念和数据类型

2-25-3 常用数组、ndarray常用属性

2-25-4 数组索引和切片、复制和视图

2-25-5 数组的变形、拼接、分裂

2-27-1 python爬虫

2-27-2 python爬虫

2-27-3 python爬虫

2-27-4 python爬虫

2-27-5 python爬虫

2-28-1 python爬虫

2-28-2 python爬虫

2-28-3 python爬虫

2-28-4 python爬虫

2-28-5 python爬虫

3-1-1 python爬虫

3-1-2 python爬虫

3-1-3 python爬虫

3-1-4 python爬虫

3-1-5 python爬虫

3-10-1 数据科学介绍

3-10-2 数据清洗和numpy简介

3-10-3 numpy数组的创建

3-10-4 ndarray运用

3-10-5 numpy计算和函数

3-11-1 numpy数组索引和切片

3-11-2 数组索引切片案例

3-11-3 pandas介绍--series运用

3-11-4 dataFrame操作

3-15-1 数据清洗案例(一)

3-15-2 数据清洗案例(二)

3-15-3 pivot_table介绍，NBA球队案例和mtcars案例

3-15-4 可视化初级

3-15-5 可视化图形介绍和NBA案例

3-16-1 NBA knicks队分析案例

3-16-2 星巴克数据案例

3-16-3 seaborn和pyecharts画图介绍

3-16-4 pyecharts画图运用

3-16-5 数据集分布型，分类型，线性型可视化

3-17-1 小消费数据集讲解

3-17-2 titanic案例分析(一)

3-17-3 titanic案例分析(二)

3-17-4 titanic案例分析(三)

3-17-5 titanic案例分析(四)

3-18-1 数据分析机器学习介绍

3-18-2 数据挖掘方法介绍

3-18-3 KNN算法

3-18-4 统计学习方法

3-18-5 KNN算法代码展示

3-19-1 基本统计学概念

3-19-2 中心极限定理

3-19-3 假设检验p值

3-19-4 T分布检验

3-19-5 相关性分析

3-20-1 线性回归

3-20-2 多元线性回归

3-20-3 变量选择和分类变量

3-20-4 非线性关系

3-20-5 Linear Regression

3-21-1 逻辑回归

3-21-2 压缩估计方法

3-21-3 混淆矩阵

3-21-4 ROC曲线和AUC面积

3-21-5 Nonlinear_Regression

3-22-1 关联规则

3-22-2 关联规则频繁项集的产生

3-22-3 关联规则的评估

3-22-4 Association_Rules代码和神经网络

3-24-1 SVM支持向量机

3-24-2 支持向量机原理(一)

3-24-3 支持向量机原理(二)

3-24-4 支持向量机原理(三)

3-24-5 支持向量机代码展示

3-25-1 决策树原理---信息熵

3-25-2 决策树原理---西瓜数据

3-25-3 缺失值处理以及预剪枝

3-25-4 悲观剪枝和cart树

3-25-5 Decision_Tee代码展示

3-26-1 集成学习---boost算法

3-26-2 随机森林

3-26-3 聚类算法原理

3-26-4 凝聚层次聚类

3-26-5 K-means算法代码展示

3-31-1

3-31-2

3-31-3

3-31-4

4-1-1

4-1-2

4-1-3

4-1-4

4-1-5

4-1-6

4-6-1

4-6-2

4-6-3

4-6-4

4-6-5

4-7-1

4-7-2

4-7-3

4-7-4

4-7-5

七、Tableau数据可视化

4-22-1

4-22-2

4-22-3

4-22-4

4-22-5

4-23-1

4-23-2

4-23-3

4-23-4

4-23-5

八、文本挖掘

4-13-1

4-13-2

4-13-3

4-13-4

4-13-5

4-14-1

4-14-2

4-14-3

4-14-4

4-14-5

4-14-6

4-20-1

4-20-2

4-20-3

4-20-4

4-20-5

4-21-1

4-21-2

4-21-3

4-21-4

4-21-5

4-23-1

4-23-2

4-23-3

4-23-4

4-23-5

九、就业指导

4-24-1

4-24-2

十、机器学习

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