全栈大数据分析师 1期

授课时间:周三、周五、周日 20:00-22:00

抢先预订名额

  • 50+

    已报名学员

  • 2020-08-26

    报名截止/开课时间

  • 1.7.2

    课程版本

课程简介/Course Introduction

  • 随着大数据及人工智能的迅速发展,数据分析、数据挖掘、大数据等相关岗位大热;数据分析从海量数据中提取重要信息,继而进行分析企业现阶段的整体运营情况,了解各项业务的发展及变动情况;针对企业运营现状进行原因分析,指导业务发展,预测将来可能发生的情况,如金融信贷用户违约,防止电商用户流失等。课程通过多业务场景引入,深度讲解数据分析底层思维逻辑、相关技术工具,让你成为更懂业务的全栈大数据分析师!
全栈大数据分析师 1期

适合人群/Suitable For People

  • 初阶数据分析师
    需构建完整的数据分析知识体系,提升业务
    实战能力摆脱“人肉取数机器”,突破薪资瓶颈拥有
    更开阔的业务视角,提升职场竞争力满足大厂数据分析
    能力模型,斩获高薪Offer。

  • 在校大学生和研究生
    想从事数据分析行业,获得高薪offer专业不受限,
    岗位薪资高,0基础就能学,学完就能用,
    能写在校招和社招中体现简历上的真实项目经验。

  • 产品/运营/市场
    想要拿到大厂高薪Offer,成为业务操盘手,不拍脑门,
    用数据驱动业务决策,搭建核心指标体系,
    抓住业务核心本质,自动化办公,提升工作效率。

职业发展前景/Career Development Prospects

职业发展前景

师资团队/Faculty Team

李钊

李钊毕业于北京科技大学

数据分析专家、用户增长专家,10余年数据分析工作经验;原美国伯克利大学副研究员,深谙统计机器学习算法。前IT教育公司数据分析方向负责人,任学科总监,长期担任C端用户增长团队负责人。曾多次获得“最佳讲师”称号。有丰富的课程讲授的实战经验,历史受训学员3000+。

孙娟

孙娟毕业于国防信息学院

8年数据分析及企业内训工作经验,曾就职于亚信移动事业部,参与CRM系统二期开发;数据库指标魔方统计,参于数据仓库的体系架构;某银行数据分析师,负责业务需求实现可视化开发。精通Oracle数据库,及Informatica,可视化Tableau实现企业驾驶舱,擅长将工作中所应用到的知识运用到教学实践,学以致用,熟悉商业智能体系架构。有丰富的企业技术培训和技术讲座的实战经验,历史受训学员2000+。

马中华

马中华毕业于湖北师范大学

前Oracle数据开发技术组负责人,动批网数据运营系统负责人,阿里云/腾讯云全球第一位认证金牌讲师,阿里云栖大会NLP专场特邀演讲嘉宾,混迹大数据开发和分析之江湖多年,精通各大大数据分析和处理技术,架构经验丰富,在数据挖掘,数据建模等方向也有丰富企业实战经验。有丰富的企业技术培训和技术讲座的实战经验,历史受训学员2000+。

曾益强

曾益强毕业于东南大学

大数据技术专家、数据分析专家,前阿里巴巴大数据资深架构师,7年大数据研发经验,精通大数据生态技术源码;在数据分析方面,机器学习、深度学习方面,也有深入研究。著有《TensorFlow机器学习实战指南》《R语言编程指南:数据分析和可视化》等多本畅销书。

李希沅

李希沅毕业于河北工程大学

前转转公司大数据资深架构师,Hadoop平台负责人,带头研发了公司任务调度平台,即席查询平台等核心平台,曾任东方国信大数据架构师,大数据技术经理,负责《联通全流量查询平台》《联通IP溯源平台》等多个PB级数据知名项目,曾架构管理联通10000+台机器大数据集群,并为中国平安,中国移动等多家企业内训,有丰富的授课经验。

  • 李钊

    李钊

  • 孙娟

    孙娟

  • 马中华

    马中华

  • 曾益强

    曾益强

  • 李希沅

    李希沅

课程大纲/Syllabus

  • 4

    学习时长(月)

  • 42

    单元(个)

  • 106

    知识点(个)

第一阶段:行业指标分析&数据分析思维方法论

第一单元 数据分析技能在各行业业务应用 1.如何定义数据和指标
2.数据分析师主要职责
3.数据分析师的工作场景以及工作内容
4.数据收集
5.数据存储
6.数据处理
7.数据分析
8.数据可视化
9.数据分析报告
10.数据分析师素质要求
11.数据分析行业
第二单元 指标&搭建指标体系&数据分析项目流程 1.常见产品运营指标
2.用户获取:广告转化、渠道转化、渠道ROI、日应用下载量、用户获客成本
3.用户活跃:用户会话次数、用户访问时长、功能使用率、用户消费情况
4.用户留存:日留存、N日留存、周留存、用户流失率、退出率、K因子
5.用户传播:病毒传播周期、用户分享率、活动曝光量/浏览量、活动参与率
6.常用业务模型
7.用户结构分析:自然属性、社会属性、商业属性、心理属性、行为属性
8.用户行为分析:点击、浏览、转发、收藏、购买
9.用户价值分析:用户交易数据、广告价值
第三单元 商业智能分析方法论&分析方法 1.对⽐分析法
2.分组分析法
3.结果分析法
4.漏斗图分析法
5.矩阵关联分析法
6.SWOT/态势法
7.5W2H/七问法
8.逻辑树分析法
第四单元 搭建用户生命周期和用户增长模型 1.用户生命周期:引入期、成长期、成熟期、休眠期、流失期
2.⽤户⽣命周期运营策略:引⼊期-新客、成⻓期-⾸次成交用户、成熟期-忠实⽤户、休眠期-潜在流失⽤户、流失期-流失⽤⼾
3.AARRR⽤⼾增⻓模型:获取/Acquisition、激活/Activation、留存/Retention、收⼊Revenue 和推荐/Referral
4.获取用户/Acquisition-⽤⼾如何找到我们
5.激活⽤户/Activation-⽤户的⾸次体验如何
6.⽤户留存/Retention-⽤户会回来吗
7.变现/Revenue-如何赚到钱
8.RFM模型概念及原理
9.如何使⽤RFM模型进⾏⽤⼾价值分类
第五单元 数据分析&行业分析 1. 快速使用Excel 技巧
1.1 查看 Excel 版本
1.2 快速定位菜单功能按钮
1.3 快速访问工具栏
1.4 固定首行
1.5 快速找到某个工作表
1.6 自动生成编号
1.7 高频使用快捷键
2. 业务场景实战&分析方法应用
2.1 对比分析法解决哪类产品销售好的问题
2.2 运用趋势分析法分析水果总需求如何
2.3 对各品类数据进行分组,对不同组进行不同对待-矩阵关联法(象限分析法)
2.4 销售情况分析-分组分析(分布情况)
2.5 运营环节转化情况-产品用户行为分析(漏斗分析)
2.6 用户价值分析-RFM建模
3. 数据透视表
3.1 数据透视表要求
3.2 创建数据透视表
3.3 数据透视表布局&多行,多筛选,值,空白行
3.4 多筛选格式调整&数据透视表选&项布局和格式
3.5 统计方式及值格式调整&值字段设置
3.6 数据透视表多维度计算&计算字段_横向计算,计算项_纵向计算
4 项目实战:电商销售分析看板、公众号监测仪表板
4.1 业务场景:品类销售、用户类型、城市排行、商品特征、新关注人数,取消关注人数,净增关注人数等
4.2 数据准备
4.3 制作主要步骤
4.4 分析图表
4.5 撰写数据分析报告

第二阶段:MySQL商业分析实战

第六单元 SQL查询业务指标 1.下载&安装MySQL数据库
2.MySQL存储引擎及数据类型
3.IF语句、CASE语句等流程控制语句
4.DISTINCT去重查询
5.WHERE条件查询
6.GROUP BY、Having 分组查询
7.ORDER BY排序及LIMIT限制行数查询
8.COUNT、SUM等聚合函数查询
9.IN/子查询、ANY/子查询、ALL/子查询
10.汇总函数:Count、Avg、Sum、Max、Min
11.算数函数:Round、ABS、Mod
12.字符串函数:Length、Lower、Upper、Concat、Replace、Substring
13.日期函数:Corrent data、Corrent time 、Correct timestamp、Dataname
第七单元 SQL高效查询优化 1.使用索引加快查询效率
2.增加中间表优化查询
3.多表查询优化
4.建立索引涉及where、order by
5.慎用in、not in技巧
6.exists代替in&使用varchar代替char
7.常用事务操作
8.Sql查询优化细节
第八单元 构建结构化业务数据库/表 1.根据产品业务逻辑构建数据库
2.创建数据表
3.数据约束操作
4.数据更新操作
5.数据删除操作
6.修改表元素&添加列
7.添加自动增加的列
8.主键约束
9.唯一性约束
10.外键约束
11.检查约束
第九单元 业务指标统计分析 1.Row_number() over()等窗口函数查询及数据分析
2.LEFT JOIN等业务数据表关联查询
3.UNION、UNION ALL查询结果纵向合并融合
4.应用带IN、EXIST、ANY、ALL的子查询处理复杂业务逻辑
5.交叉表统计分析
第十单元 实战项目 1. 活动销数据统计分析(多表查询)
2. 用户价值划分模型(RFM模型)
一、业务场景:统计平台销售情况
二、灯塔指标:下单用户数,订单量, GMV,客单价,取消订单量,订单取消率,退货订单量,商品退货率、GMV 趋势,各渠道GMV趋势、购买频次,订单金额分布
三、分析方法:
1.SWOT/态势分析法
2.汇总统计
3.对比分析
4.分组分析
5.确定指标计算口径
四、使用工具:SQL
五、可视化分析:饼图,环图,折线图,漏斗图
六、结论: 1. 数据获取
2. 支持可视化和分析

第三阶段:分布式大数据应用Hive查询

第十一单元 HQL大数据业务数据需求查询 1.大数据集群Hadoop分布式架构原理
2.HDFS、MR、YARN
3.Hive数据仓库
4.HQL数据查询基础语法
5.HQL与SQL的区别
6.数据库基本操作-库、表
7.分区表概念
8.分区意义和本质
9.动态分区属性设置及示例
10.分桶意义和价值
第十二单元 HQL业务大数据指标统计分析 1.分区表与分桶表
2.关联表数据查询
3.常用内置函数
4.累计计算窗口函数(count,sum,min,max)
5.排序窗口函数row_number() over()、rank()、over()
6.偏移分析函数lag() over()、lead() over()
7.复杂数据类型array示例、map例、struct示例
8.嵌套数据类型
9.排名函数/窗口函数详解
10.自定义函数
第十三单元 HQL大数据查询优化 1.Group by替换Distinct去重
2.Grouping sets、cube、rollup 聚合技巧
3.使用Lateral view进行行转列
4.数据倾斜的原因及解决办法
5.文件读取/解析的方式指定ROW FORMAT
6.序列化和反序列化
7.Hive文件存储及属性设置
8.Hive视图、日志和运行方式
9.Hive企业级调优
第十四单元 实战项目 1.用户活跃与画像
一、业务场景:统计平台销售情况
二、灯塔指标:
1.下单用户数,订单量, GMV,客单价,取消订单量,订单取消率,退货订单量,商品退货率
2.GMV 趋势,各渠道GMV趋势
3. 购买频次,订单金额分布
三、分析方法:
1.SWOT/态势分析法
2.汇总统计
3.对比分析
4.分组分析
5.确定指标计算口径
四、使用工具:HQL
五、可视化分析:饼图,环图,折线图,漏斗图
六、结论:
1. 数据获取
2. 支持可视化和分析

第四阶段:商务智能BI数据分析&BI可视化

第十五单元 Tableau数据可视化 1.Tableau简介与入门知识
2.Tableau数据源与数据处理
3.Tableau工作表仪表板、故事创建及区别与联系
4.Tableau 组、集、参数创建
5.Tableau离线与实时数据展示
6.条形图、折线图、热力图、词云图等图形绘制
7.桑吉图、动态图、瀑布图、组合图等图形绘制
8.Tableau地图可视化
9.Tableau的一些高级操作:表计算、创建字段、创建参数、聚合计算
10.新的互动形式——集值set actions
11.Tableau可视化数据地图分组操作
第十六单元 Power BI数据报表可视化 1.Quick BI简介
2.Quick BI管理控制台操作
3.Quick BI数据源与数据处理
4.Quick BI数据可视化
5.柱图&线图&饼图
6.散点图&雷达图&漏斗图
7.树图&地图&词云图
8.通过现有PowerPivot报告快速上手Power BI
9.Power BI Desktop界面介绍和数据导入整理
10.Power BI Desktop_建立数据分析模型
11.Power BI Desktop_生成企业级可视化报告
12.Power BI和Excel的配合
13.常用可视化图表介绍
第十七单元 实战项目 1.推广渠道评估指标体系搭建
2.电商行业销售分析仪表板(帕累托2/8法则等)
3.用户增长数据看板
一、业务场景:监测用户关键指标
二、灯塔指标:
1.各渠道新注册用户数,及购课率,付费用户数,复购用户数。
2.活跃用户数。
3.平均购课数。
4.新注册用户的趋势。
5.浏览,试看,加购,付款 各环节转化率。
三、分析方法:
1.SWOT/态势分析法
2.汇总统计
3.对比分析
4.确定指标计算口径
四、使用工具:Excel、Tableau可视化
五、可视化分析:饼图,环图,折线图,漏斗图
六、结论:监测数据,及时发现异常

第五阶段:Python数据分析实战&Python自动化办公

第十八单元 Python数据分析编程 1.创建jupyter虚拟环境
2.Tab补全、jupyter快捷键
3.if、for循环、whlie循环
4.列表、字符串、元组、集合、字典
5.函数、文件、对象
6.类和对象之间的关系
7.继承中单继承与多继承
8.捕获异常、模块
9.使用自定义模块
10.文件操作、读文件
11.文件打开方式、写文件
第十九单元 Numpy科学计算库 1.Ndarray数据类型
2.Ndarray与Python原生list运算率对比
3.创建一维数组、二维数组
4.调整数据组形状和常用属性
5.将数组转为List
6.Numpy数据类型
7.数组索引、切片和数组数值修改
8.数组添加、删除和去重
9.Numpy计算
10.数组拼接、分割
11.数组中nan和inf
12.二维数组转置
第二十单元 Pandas数据分析库 1.Series与DateFrame数据结构
2.Pandas数据结构介绍
3.Series与DataFrame对象
4.DataFrame对象常用属性
5.Fataframe修改index、columns
6.本地数据的读取
7.缺失值、重复值、异常值处理
8.多层索引、时间序列、分组聚合
9.Group by机制对业务数据进行聚合与分组操作
10.数据处理、合并和多层索引
11.时间序列、分组聚合和分组
第二十一单元 Matplotlib数据绘图 1.Matplotlib数据可视化
2.高频图像种类场景
3.实现Matplotlib画图
4.折线图绘制、颜色、形状和样式
5.设置图片大小及保存
6.绘制X轴和Y轴刻度
7.一图多个坐标系子图
8.设置坐标轴范围
9.改变坐标轴默认显示方式
10.绘制散点图、设置图像大小及图例
11.绘制条形图及横向条形图
12.并列及罗列条形图
13.绘制饼状图
第二十二单元 Python自动化办公 1.Python控制Excel实现自动化办公
2.Python控制WORD实现自动化办公
3.Python控制PDF实现自动化办公
4.Python控制邮件实现自动化办公
5.Python控制报表实现自动化办公
第二十三单元 Python数据分析综合项目 1.Python文本数据分析
2.探索性数据分析
3.电商高潜用户预测
4.Python构建用户画像体系
5.Python能源建筑预测报告

第六阶段:数据分析综合项目实战

第二十四单元 大促用户消费购买力分析 1.项目背景: 为更好进行用户的消费力拉动,针对性策划精准营销。对用户进行消费购买力分析。
2.核心技术: 数据预处理、业务经验逻辑、数据可视化
3.业务场景: 大促奢侈品精准用户营销等
第二十五单元 全民消费品趋势分析 1.项目背景: 对未来消费品趋势的挖掘与预测,提前布局。
2.核心技术: 数据预处理、数据可视化
3.业务场景: 大促会场选品、铺货、招商规划等。
第二十六单元 用户全链路体系构建 1.项目背景: 深度、全面、精细的分析电商用户,针对不同阶段、不同周期用户的特点制定个性化策略。
2.核心技术: 数据预处理、数据分析模型、可视化
3.业务场景: 拉新、唤醒等用户营销
第二十七单元 大促地域销售预测分析 1.项目背景: 深度、全面、精细的分析电商用户,针对不同阶段、不同周期用户的特点制定个性化策略。
2.核心技术: 数据预处理、数据分析模型、可视化
3.业务场景: 大促库存调控
第二十八单元 服饰类超级活动流量来源分析 1.项目背景: 超级会场流量来源去向分析
2.核心技术: 数据预处理、可视化
3.业务场景: 活动复盘,辅助营销策略布局。
第二十九单元 品牌及竞品用户全链路分析 1.项目背景: 指定品牌用户深度分析,竞品分析
2.核心技术: 数据预处理、4A模型、数据可视化
3.业务场景: 品牌各阶段用户营销
第三十单元 电商生态人群聚类 1.项目背景: 超级会场流量来源去向分析
2.核心技术: 数据预处理、聚类模型、可视化
3.业务场景: 用户营销
第三十一单元 大促下单时段偏好分析 1.项目背景: 大促活动时间甄选
2.核心技术: 数据预处理、数据可视化
3.业务场景: 活动时间、货品选择
第三十二单元 服饰全年销售趋势分析 1.项目背景: 销售分析
2.核心技术: 数据预处理、数据可视化
3.业务场景: 复盘、铺货、招商、活动营销等。
第三十三单元 毛衣偏好趋势分析 1.项目背景: 通过用户购买情况,详细分析趋势,引领未来潮流
2.核心技术: 数据预处理、数据可视化
3.业务场景: 秋上新活动选品
第三十四单元 销售监控分析 1.项目背景: 日常经分销售监控分析
2.核心技术: 数据预处理、数据可视化
3.业务场景: 经营分析

第七阶段:数据分析师&统计学分析

第三十五单元 描述统计&总体推断 1.统计学数据类型划分
2.Mean/均值、Mode/众数、Quantile/四分位数、Variance/方差
3.Standard/标准差、Z-score/标准分数、Skwness/偏度、Kurtosis/峰度
4.从集中趋势,离散程度,分布形态三方面描述数据
5.不同抽样方法优劣比较与使用场景
6.总体 、样本、 抽样三大不同性质分布
第三十六单元 抽样调查后推断总体情况(参数估计、假设检验) 1.参数估计与假设检验
2.通过样本推断总体的方法与理论依据
3.估计量与估计值
4.点估计与区间估计
5.总体区间估计
6.假设表达式
7.假设检验两类错误
8.假设检验流程
9.A/B Test
第三十七单元 筛选影响结果的关键性因素(方差分析,列联分析,相关分析) 1.分类型数据与分类型数据关系度量(列联分析,独立性检验)
2.连续型数据与分类型数据关系度量(T检验,方差分析)
3.连续型数据与连续型数据关系度量 (相关分析)
4.数据类型
5.方差分析类型
6.正态性检验
7.方差齐检验
8.不满足方差齐性
9.方差分析、T检验、卡方分析区别
第三十八单元 判断事件是否含有季节、周期性变化(时间序列各因素拆解) 1.时间序列数据的分析方法(移动平均,指数平滑,因素拆解等)
2.传统时序建模方法
3.现代预测方法
4.序列自相关性
5.时间序列基本规则法-周期因子法
第三十九单元 项目实战 1.产品迭代A/B Test
一、业务场景:为合理安排库存,需对下个月的销量进行预测。
二、灯塔指标:
1.统计以往个月销量
2.平滑掉运营活动影响
3.计算出运营活动对销量影响的系数
三、分析方法:时间序列预测 * 影响系数
四、使用工具:统计学工具
五、可视化分析:趋势图
六、结论:给出预测数量和估计区间

第八阶段:复杂业务问题&数据挖掘算法实战

第四十单元 算法建模进行数据分析 1.解析各算法基本函数、目标函数和最优函数
2.从数据清洗到探索性数据分析(EDA)
3.如何建立多种基础模型,如何选择最优算法
4.通过提升模型精度来展示结果
第四十一单元 高级课题—数据挖掘算法 1.KNN/K-近邻算法
2.朴素贝叶斯算法
3.最小二乘法
4.MLE/极大似然估计算法
5.特征工程
6.探索性数据分析
7.线性回归算法
8.逻辑回归算法
9.梯度下降算法
10.决策树算法
11.随机森林算法
12.聚类算法/K-Means
第四十二单元 实战项目 1.逾期还款业务分析 - 逻辑回归算法
2.用户流失预警 - KNN算法、SVM算法
3.随机森林算法填充缺失值
一、业务场景:增大用户池的方法除用户引流外,就是控制用户流失,针对同状态的用户采取不同的运营方案,进行唤醒激活挽回等
二、灯塔指标:
1.刻画以往行为,访问平均间隔,最大间隔, 访问时长
2.最后一次访问距窗口期间隔长,消费金额,消费频次,消费优惠占比
三、分析方法:特征工程,逻辑回归,朴素贝叶斯等
四、使用工具:统计学、数据挖掘
五、可视化分析:饼图, 环形图
六、结论:
1.给出各用状态(活跃,睡眠,流失)
2.对不同用户采取不同方案

实战课程案例/Practical Course Cases

  • 企业级电商项目案例
  • 大促用户消费购买力分析

    为更好进行用户的消费力拉动,针对性策划精准营销。对用户进行消费购买力分析。

    立即咨询

  • Netty框架线程模型设计案例
  • 全民消费品趋势分析

    对未来消费品趋势的挖掘与预测,提前布局。

    立即咨询

  • 微服务框架Dubbo调用案例
  • 用户全链路体系构建

    深度、全面、精细的分析电商用户,针对不同阶段、不同周期用户的特点制定个性化策略。

    立即咨询

  • 企业级电商项目案例
  • 大促地域销售预测分析

    深度、全面、精细的分析电商用户,针对不同阶段、不同周期用户的特点制定个性化策略。

    立即咨询

  • Netty框架线程模型设计案例
  • 服饰类超级活动流量来源分析

    超级会场流量来源去向分析

    立即咨询

  • 微服务框架Dubbo调用案例
  • 品牌及竞品用户全链路分析

    指定品牌用户深度分析,竞品分析

    立即咨询

  • 企业级电商项目案例
  • 电商生态人群聚类

    核心用户群画像分析,打造专属形象、口碑等

    立即咨询

  • Netty框架线程模型设计案例
  • 大促下单时段偏好分析

    大促活动时间甄选

    立即咨询

  • 微服务框架Dubbo调用案例
  • 服饰全年销售趋势分析

    销售分析

    立即咨询

  • 企业级电商项目案例
  • 毛衣偏好趋势分析

    通过用户购买情况,详细分析趋势,引领未来潮流

    立即咨询

  • Netty框架线程模型设计案例
  • 销售监控分析

    日常经分销售监控分析

    立即咨询

课程学习安排/Curriculum Arrangement

学习时长:4个月
周三、周五、周日 20:00-22:00(2小时)

名师大V倾囊授课;班主任全程解答,辅导
学业,5A级专业服务;线上社群互动;线
下沙龙交流;促学习、优人脉。

直播大课为主,实时在线互动,老师实时解答;录播课程为辅,协助时间不足或希望反复学习同学;分享预习资料、课程PPT、笔记、源码等资料。

教学服务体系/Teaching Service System

  • 课前
  • 课中
  • 课后
  • 课程结业
  • 终身学员服务
  • · 学员能力评估,职业规划辅导
  • · 1对1班主任贴心服务
    · 课程视频录像长期有效
    · 真实大项目实战,助教老师辅导
  • · 期期作业测试,督促学习
  • · 简历修改优惠,面试辅导
    · 内推岗位
  • · 定期线下交流,行业人脉拓展
    · 新课程,学员大优惠

课程收获/Lessons Learned

  • 实战项目助力解决业务问题,工作一通百通

    1. · 多业务场景进行数据分析项目实战,同时提供大厂脱敏案例。针对不同行业,以数据分析师的⾝份深⼊实际场景中,真正学会数据分析的技能,达到赋能,学以致用。
  • 掌握数据分析思维底层逻辑

    1. · 掌握数据分析的流程和⽅法论,快速搭建数据分析结构和业务指标,对数据分析有⼀个清晰的认知。掌握Excel常⽤技能,学会对业务数据进⾏科学有效处理和分析并展⽰分析结果。
  • 应用BI数据可视化和大数据分析平台

    1. · 使用Tableau软件绘制各类图表,并能够制作仪表板,掌握各大企业高频使用的Power BI可视化工具
    2. · 大数据分析平台Hadoop分布式集群知识,重点学习Hive数仓,学习Hql查询,窗口函数的使用以及优化查询,轻松处理海量数据。
  • Python数据分析与建模

    1. · 能够掌握数据分析库numpy,pandas,matplotlib和sklearn,以及Python自动化办公
    2. · 掌握常用的数据分析方法,如描述统计分析法,分类分析,方差分析,回归分析,数据降纬,时间序列分析等,并结合项目深入理解分析,从企业真实生产环境出发,将算法与场景完美结合,真正实 现技术的深度赋能。

全栈大数据分析师:权威系统课

学习时长:4个月   课程单元:42个   精讲知识点:106个

报名价格:¥7999

剩余优惠名额:0

预约试听

· 分期购买:全程无压力      · 试听不满:全额退款(前2次课)     · 报名优惠:每期前50名报名优惠1000元