数据分析师老师直接接听

400-029-09** 400-029-0997 转 18827
查看完整号码
扫码拨号
微信扫码拨号
录播课+直播课+面授课

CDA大数据就业班

800课时 课时 | 任意时段 班型 | 小班 上课
线上录播
线上直播
线下面授
课程学费： 一键咨询更多打折优惠课程获取报价
上课校区： 3个 (上地十街,高粱桥斜街59号,厂洼街校区) 详情
免费预约
权益领取成功，请尽快到机构使用 权益详情可在 [个人中心-我的权益] 中查看
我知道了
课程内容

CDA大数据就业班

课程亮点

  • 专业指导

适用人群

  • 零基础学员

目标收获

CDA大数据就业班

课程介绍

课程亮点：

朝九晚九全程跟班答疑、一对一督学、定期直播串讲、五分钟内有问必答、出勤率和进度监督、作业与测试

学习目标：

1.零基础脱产学习，5个月学会大数据技术

2.计算机、统计、数学等专业学习更佳

3.包学会，成为大数据稀缺人才，高薪就业

4.CDA大数据就业帮，助你前程似锦

5.大数据未来已来，只等你改变自己


课程内容：

1章业务分析基础技能

1-1数据分析概述

1-2常用高阶函数

1-3条件格式应用

1-4数据透视表高阶应用

1-5图表进阶

1-6项目排期管理

1-7案例背景介绍

1-8动态考勤表制作

1-9每月考勤统计

1-10考勤汇总统计

1-11常用指标概述

1-12基础指标统计

1-13人力资源指标体系概述

1-14案例背景介绍

1-15员工绩效评定思路解析

1-16实操绩效统计及可视化

1-17案例背景介绍

1-18活动评估报表思路解析

1-19实操活动评估指标统计

1-20指导撰写报表结论

1-21图表应用

1-22零碎需求分析方法

1-23案例应用-核心产品分析

1-24案例应用-零售业商业智能看板

1-25RFM基础模型及拓展

1-26案例应用-用户画像

1-27树状结构分析方法概述

1-28案例应用-汽车行业分析报告

2章数据库应用技能

2-1数据库简介

2-2表结构的特点

2-3数据库分类

2-4MySQL简介

2-5数据库基本结构

2-6SQL语言分类

2-7SQL书写要求

2-8创建、使用及删除数据库

2-9创建表

2-10数据类型

2-11约束条件

2-12修改及删除表

2-13插入数据

2-14批量导入数据

2-15更新数据

2-16删除数据

2-17查询指定列

2-18查询不重复记录

2-19条件查询

2-20常用运算符

2-21空值查询

2-22设置别名

2-23模糊查询

2-24查询结果排序

2-25限制查询

2-26聚合运算

2-27分组查询

2-28分组后筛选

2-29内连接

2-30左连接

2-31右连接

2-32合并查询

2-33标量子查询

2-34行子查询

2-35列子查询

2-36表子查询

2-37字符串函数

2-38数学函数

2-39日期和时间函数

2-40分组合并函数

2-41逻辑函数

2-42开窗函数

2-43进阶练习

2-44数据来源及业务背景

2-45表关系梳理

2-46数据导入及字段处理

2-47数据查询

3章商业智能分析技能

3-1数据仓库结构说明

3-2基于数据仓库的数据处理方法

3-3数据仓库数据处理进阶

3-4数据仓库应用案例

3-5创建多维数据模型

3-6理解多维模型表连接规则

3-7业务数据分析指标介绍

3-8业务数据汇总分析进阶

3-9时间维度分析方法说明

3-10业务背景介绍

3-11理解及加工处理数据

3-12可视化界面创建方法介绍

3-13制作零售业销售情况分析仪

3-14业务背景介绍

3-15客户价值模型说明

3-16数据加工处理

3-17制作电商客户行为分析仪

3-18业务背景介绍

3-19理解餐饮业关键运营指标

3-20数据加工处理

3-21制作餐饮业日销售情况监控仪

3-22电商业务背景介绍

3-23电商流量指标体系说明

3-24数据加工处理

3-25制作电商流量分析仪

3-26业务背景介绍

3-27进销存关键指标说明

3-28数据加工处理

3-29制作经销商经营情况分析仪

3-30业务背景介绍

3-31数据说明

3-32制作车企销售情况分析仪

3-33由讲师介绍业务背景

3-34由讲师提供数据

3-35由学员独立完成业务分析仪的制作过程

3-36由学员分组发表制作成果并由讲师点评

4章数据挖掘数学基础

4-1函数

4-2极限

4-3微分及应用

4-4定积分

4-5向量

4-6线性方程组

4-7线性变化与矩阵

4-8矩阵乘法

4-9行列式

4-10矩阵的秩

4-11逆矩阵

4-12点乘与内积

4-13外积

4-14特征值与特征向量

4-15集中趋势的度量

4-16离散程度的度量

4-17偏态与峰态的度量

4-18统计量概念与常用统计量

4-19抽样分布

4-20样本均值的分布与中心极限定理

4-21样本比例的抽样分布

4-22两个样本平均值之差的分布

4-23样本方差的分布

4-24假设检验的基本概念

4-25一个总体参数的检验

4-26两个总体参数的检验

4-27分类数据与X2统计量

4-28拟合优度检验

4-29列联分析：独立性检验

4-30线性关系的方向和强度

4-31协方差

4-32相关系数

4-33一元线性回归模型

4-34多元线性回归模型

4-35逻辑回归模型

5章Python编程基础

5-1Python简介

5-2Python安装环境介绍

5-3Python常用IDE及Jupyter介绍

5-4Python第三方库安装

5-5编码与标识符

5-6Python保留字

5-7注释和缩进

5-8输入和输出

5-9变量及赋值

5-10数值

5-11字符串

5-12布尔值

5-13列表

5-14元组

5-15集合

5-16字典

5-17条件语句: If

5-18循环语句For和While

5-19Break语句

5-20Continue语句

5-21Pass语句

5-22错误和异常捕捉语句

5-23异常和错误处理

5-24逻辑判断函数

5-25数值运算函数

5-26序列函数

5-27类型转换函数

5-28函数定义

5-29函数参数

5-30默认参数

5-31变量作用域

5-32全局变量和局部变量

5-33匿名函数

5-34列表生成式

5-35高级函数: map、Reduce、 filter等

5-36模块概念介绍

5-37import模块导入

5-38自定义模块

5-39文件读写

5-40利用Python操作文件和目录

5-41类的定义

5-42类对象

5-43类方法

5-44Python连接数据库方法

5-45利用Python操作数据库

6章Python数据清洗

6-1NumPy基本介绍

6-2NumPy基本数据结构: Ndarray

6-3数组的索引与切片

6-4数组其他常用函数与方法

6-5Pandas基本数据结构: Series与DataFrame

6-6索引、切片与过滤

6-7排序与汇总

6-8DataFrame简单处理缺失值方法

6-9数据集的合并与连接

6-10重复值的处理

6-11数据集映射转化方法

6-12异常值查找与替换

6-13排序和随机抽样

6-14DataFrame字符串常用操作

6-15DataFrame分组操作

6-16

6-17 DataFrame聚合操作

6-18DataFrame透视表的创建方法

6-19数据的获取与存储

6-20数据探索

6-21数据清洗实战案例一

6-22数据清洗实战案例二

7章Python数据可视化

7-1数据可视化入门

7-2常用可视化第三方库介绍: matplotlib、seaborn、PyEcharts

7-3常用可视化图形介绍，如饼图、柱图、条形图、线图散点图等

7-4图形选择

7-5Pandas绘图方法

7-6图例配置方法和常用参数

7-7颜色条配置方法和常用参数

7-8subplot多子图绘制方法

7-9文字与注释、自定义坐标轴方法

7-10Seaborn入门介绍

7-11Seaborn API介绍

7-12Seaborn绘图示例

7-13Echarts介绍

7-14PyEcharts API介绍

7-15PyEcharts绘图示例

8章Python统计分析

8-1数据描述

8-2数据分布与统计信息

8-3数据角色定义

8-4大数据存储

8-5最小二乘估计

8-6线性回归与相关

8-7线性回归与方差分析

8-8数据分析流程

8-9多元线性回归的假设

8-10正态分布问题

8-11异方差问题与处理

8-12异常值问题与处理

8-13共线性问题与处理

8-14内生性问题与处理

8-15logistic回归与卡方

8-16大似然估计

8-17logistic回归解析

8-18评分与预测

8-19分类比例平衡问题

8-20工具变量的使用

8-21哑变量处理

8-22变量筛选

9章机器学习快速入门

9-1机器学习入门介绍：机器学习基本思想、常用算法分类、算法库等

9-2Python机器学习算法库Scikit-Learn入门介绍

9-3超参数与模型验证：学习曲线、网格搜索

9-4特征工程概念介绍

9-5分类特征、文本特征

9-6图像特征、特征衍生

9-7缺失值填充、特征管道

9-8KNN基本原理

9-9KNN函数详解

9-10KNN高级数据结构实现

9-11原理补充：归一化方法、学习曲线、交叉验证

9-12KNN-最近邻分类器

9-13KNN算法示例

9-14无监督学习与聚类算法

9-15聚类分析概述与簇的概念

9-16距离衡量方法

9-17聚类目标函数和质心计算方法

9-18Scikit-Learn实现K-Means及主要参数解

9-19决策树工作原理

9-20构建决策树（ID3算法构建决策树及局限性）

9-21C4.5与CART算法

9-22决策树的Scikit-Learn实现：八个参数、一个属性、四个接口解析

9-23分类模型的评估指标（混淆矩阵原理）

9-24实例：泰坦尼克号幸存者的预测

9-25过拟合与欠拟合

9-26决策树算法评价（优点与缺点）

9-27决策树在保险行业中的应用

10章机器学习进阶

10-1线性回归概述

10-2多元线性回归基本原理

10-3模型参数求解方法

10-4回归类模型评价标准:精准性、拟合度

10-5多重共线性与岭回归、Lasso

10-6非线性问题及其处理方法

10-7多项式回归

10-8MSE

10-9R^2

10-10最小二乘法

10-11梯度下降

10-12名为“回归\"的分类器

10-13二元逻辑回归的损失函数

10-14逻辑回归的重要参数

10-15梯度下降求解逻辑回归最小损失函数

10-16概率分类器概述

10-17朴素贝叶斯概述

10-18不同分布下的朴素贝叶斯

10-19高斯贝叶斯下的拟合效果与运算速度

10-20多项式朴素贝叶斯及其优化

10-21AUC

10-22ROC

10-23关联规则概述:频繁项集的产生与

10-24关联发现

10-25Apriori算法原理:先验原理

10-26使用Apriori算法来发现频繁项集(生成候选项集(函数的构建与封装)、项集迭代函数)

10-27协同概率概述

10-28协同过滤算法分类

10-29基于商品的协同过滤

10-30基于协同过滤的商品个性化推荐

10-31集成算法概述Bagging Vs Boosting、集成算法的认识

10-32随机森林分类器的实现:重要参数、重要属性和接口

10-33随机森林回归器的实现:重要参数、属性与接口

10-34机器学习中调参的基本思想(泛化误差)

10-35调参应用:随机森林在乳腺癌数据上的调参

10-36MSE

10-37R^2

10-38最小二乘法

10-39梯度下降

10-40数据处理概述

10-41数据量纲处理:归一化、标准化

10-42缺失值处理

10-43分类型数据处理:数据编码与哑变量

10-44连续性数据处理:二值化与分箱

10-45特征选择:过滤法、嵌入法、包装法

10-46SVM概述: SVM工作原理

10-47SVM模型构建

10-48线性SVM:线性SVM的损失函数、函数间隔有几何间隔、SVM决策边界

10-49非线性SVM: SVC模型概述、重要参数、核函数、SVC重要参数(C、class weight)

10-50感知机

10-51多层感知机

10-52初识神经网络

10-53梯度提升树概述

10-54XGBoost选择若分类器

10-55求解目标函数

10-56参数化决策树

10-57建立目标函数与树结构的直接关系

10-58贪婪算法与求解优树

10-59XGBoost的剪枝参数:减轻过拟合

10-60XGBoost分类中的样本不均衡问题处

10-61基于XGboost的航空预测

11章评分卡案例

11-1评分卡业务逻辑介绍

11-2案例业务背景介绍

11-3基本分析工具与环境准备

11-4数据准备

11-5数据预处理

11-6数据比例调节：过度抽样

11-7构造训练集和测试集

11-8变量相关性分析

11-9数据的缺失值与异常值

11-10变量数据类型重编码

11-11Logistic模型原理回顾

11-12Logistic建模

11-13利用Logistic模型进行变量筛选

11-14分类模型评估指标回顾

11-15过度抽样调整

11-16收益矩阵

11-17模型转化评分卡

11-18Python模型部署方法

11-19构建机器学习流

11-20模型效果监测与更新

12章电商零售

12-1项目商业问题简述

12-2项目策略与方法

12-3项目推荐计划

12-4项目时间规划

12-5购买倾向模型

12-6方法原理介绍

12-7目标以及数据介绍

12-8Python算法实现（Gradient Boosting）

12-9建模结果解读

12-10购买倾向模型

12-11目标以及数据介绍

12-12Python算法实现

12-13建模结果解读

12-14活动设计

12-15结果评价

13章Python网络爬虫（录播）

13-1网络爬虫定义

13-2网络爬虫用途

13-3通用搜索引擎工作的原理和局限性

13-4爬虫基本原理与流程

13-5常见网络爬虫分类

13-6基于IP地址搜索策略

13-7广度优先搜索策略

13-8深度优先搜索策略

13-9优先搜索策略

13-10http基本原理介绍

13-11http请求过程

13-12网页组成

13-13HTML：超文本标记语言

13-14CSS：层叠样式表

13-15网页样式

13-16JavaScript(JS)

13-17网页的结构

13-18爬虫基本流程

13-19抓取数据的数据类型解析

13-20JavaScript渲染页面

13-21cookies介绍

13-22爬虫代理

13-23Robots协议介绍

13-24爬虫攻防入门

14章Tableau数据分析 （录播）

14-1Tableau产品介绍

14-2Tableau操作界面介绍

14-3Tableau常用功能介绍

14-4Tableau连接数据源方法

14-5层级与下钻

14-6排序和分组

14-7创建和使用集

14-8筛选方法：筛选栏和筛选器

14-9数据处理常用参数

14-10参考线与趋势线

14-11常用预测方法

14-12可视化基本方法

14-13初级图表绘制方法：条形图、折线图、饼图、文字云、散点图、地图、树形图、气泡图等

14-14高级图表：子弹图、环形图、瀑布图、Bump Chart、Table Formatting

14-15使用Tableau制作仪表板

14-16逻辑运算

14-17数值运算

14-18字符串处理函数

14-19日期函数

14-20聚合函数

14-21数据背景和需求分析

14-22数据读取与预处理

14-23Top N客户汇总分析

14-24Top N客户销售额分析

15章分布式集群架构

15-1大数据概念介绍

15-2Hadoop入门与分布式集群基本概念

15-3Hadoop生态和及其技术栈

15-4Linux生态介绍

15-5常用虚拟化工具介绍

15-6常用Linux操作系统

15-7Vmware与VirtualBox

15-8Ubuntu操作系统与CentOS

15-9Ubuntu安装与常用命令

15-10JDK的安装与使用

15-11Hadoop安装与使用

15-12Hadoop单机运行方法

15-13Hadoop伪分布式运行方法

15-14利用多节点安装Hadoop集群

15-15Hadoop生态其他常用组件基本介绍

15-16数据仓库Hive安装方法

15-17分布式数据库Hbase安装方法

15-18ETL工具Sqoop安装方法

15-19Scala与Spark安装方法

16章Hadoop基础

16-1HDFS概念及设计原理

16-2HDFS体系结构和运行机制

16-3NameNode、DataNode、SecondaryNameNode配置文件及修改方法

16-4HDFS备份机制和文件管理机制

16-5NameNode、DataNode、SecondaryNameNode作用及运行机制

16-6HDFS的常用操作方法介绍

16-7HDFS Java API介绍

16-8HDFS Shell命令格式

16-9HDFS创建文件目录命令

16-10HDFS文件复制、重命名命令

16-11HDFS文件移动、删除命令

16-12HDFS其他常用命令

16-13YARN基本概念

16-14YARN相关进程介绍

16-15YARN核心组件及其功能

16-16YARN运行原理

16-17MapReduce概念及设计原理

16-18MapReduce运行过程类的调用过程

16-19Mapper类和Reducer类的继承机制

16-20Job生命周期

16-21MapReduce中block的调度及作业分配机制

16-22Mapreduce程序格式介绍

16-23MapReduce程序执行流程介绍

16-24MapReduce程序在浏览器中查看

16-25Mappre类和Reducer类的主要编写内容和模式

16-26Job的编写和实现

16-27MapReduce程序编写实操

16-28Jar包打包方法和集群运行

17章Sqoop安装与使用

17-1Sqoop组件介绍与发展历史

17-2Sqoop组件特性及核心功能

17-3ETL基本概念

17-4Hadoop生态中的数据转化方法

17-5Linux中安装Sqoop方法

17-6Sqoop集成MySQL方法

17-7Sqoop集成Hbase方法

17-8Sqoop集成Hive方法

17-9Sqoop功能测试

17-10Sqoop导入功能介绍

17-11Sqoop数据导入import命令基本格式

17-12Sqoop数据导入import命令常用参数

17-13利用Sqoop从MySQL中导入数据至HDFS

17-14Sqoop生成相应Java代码方法codegen

17-15利用Sqoop导入数据至Hive

17-16利用Sqoop导入数据至Hbase

17-17Sqoop导出功能介绍

17-18Sqoop数据导入export命令基本格式

17-19Sqoop数据导入export命令常用参数

17-20从HDFS中导出数据到MySQL

17-21从Hive导出数据到MySQL

17-22从Hbase导出数据到MySQL

18章分布式数据仓库Hbase

18-1分布式数据库和关系型数据库

18-2No-SQL数据库与面向列数据库特性讲解

18-3Hbase发展历史

18-4Hbase核心特性

18-5Hbase在Linux中的安装方法

18-6Hbase配置文件与修改方法

18-7Hbase与Zookeeper集成

18-8Hbase完全分布式安装与运行

18-9简单备份模式

18-10Hbase逻辑模型

18-11Hbase物理模型

18-12paxos算法与运行机制

18-13静态迁移与动态迁移

18-14Hbase基本操作方法

18-15Hbase Shell通用命令General

18-16表格创建命令Create

18-17常用查看命令list、describe

18-18使用put命令添加数据

18-19删除数据delete、delete all命令

18-20查看数据scan、get命令

18-21修改数据命令alter

18-22表格删除方法

18-23其他统计方法

18-24Hbase和Hive集成概述

18-25Hbase和Hive集成方法

18-26使用HQL操作Hbase中数据

18-27Hbase和Spark集成概述

18-28Hbase和Spark集成方法

18-29利用Spark编程读取Hbase中数据

19章数据仓库工具Hive

19-1数据仓库诞生背景与概念介绍

19-2常用数据仓库工具介绍

19-3分布式数据仓库工具介绍

19-4Hive核心特性

19-5Hive部署与访问

19-6Hive常用元数据服务与访问接口

19-7Hive数据模型

19-8数据存储结构

19-9Hive API distinct

19-10Hive API multi insert

19-11Hive API union all

19-12Hive API union all

19-13Hive API group by&order by

19-14Hive基本数据类型

19-15Hive复杂数据类型

19-16Hive数据定义方法

19-17创建、修改和删除表方法

19-18视图和索引的创建、修改和删除

19-19表中加载数据的方法

19-20表中导出数据方法

19-21查询操作

19-22连接操作

19-23子查询

19-24数据仓库企业开发平台

19-25数据仓库模型设计

19-26自助查询系统设计

19-27宽表设计与用户画像

19-28利用Hive进行网站流量分析

20章Spark基本原理与核心组件

20-1分布式计算框架介绍

20-2Spark诞生背景与发展历程

20-3Spark基本定位与核心特性

20-4Scala语言介绍：基础语法、编译环境、常用类型、声明；行、字符、二进制与文本文件的读取与写入

20-5Scala 函数：控制结构（赋值、条件、循环、输入输出）与函数（参数与过程）；数组操作（定义、遍历、转换）及常用算法

20-6Scala对象操作：的类和对象构造与继承、重写、抽象、转换；类与对象中特质的属性与使用，包的使用与引入

20-7Spark运行架构

20-8Spark运行基本流程

20-9RDD设计背景与基本概念

20-10RDD特性

20-11RDD之间依赖关系

20-12RDD运行过程

20-13Spark三种部署方式

20-14Spark与Hadoop统一部署

20-15Spark结构化数据模块Spark SQL

20-16Spark机器学习算法库Spark MLlib

20-17Spark流式计算框架Spark Streaming

20-18新一代Spark流式计算框架Structured Streaming

20-19Spark图计算框架GraphX

21章PySpark编程

21-1RDD创建方法

21-2RDD转换操作

21-3RDD行动操作

21-4RDD惰性机制

21-5RDD持久化操作

21-6打印元素方法

21-7键值对RDD创建方法

21-8常用键值对转换操作：reduceByKey、groupByKey、keys、values、sortByKey、mapValues、join等操作

21-9键值对RDD编程案例

21-10广播变量

21-11累加器

21-12pyspark.sql模块

21-13pyspark.streaming模块

21-14pyspark.ml模块

21-15pyspark.mllib模块

21-16pyspark.SparkConf类

21-17pyspark.SparkContext类

21-18pyspark.SparkFiles类

21-19pyspark.RDD类

21-20pyspark.Accumulator类

21-21pyspark.Broadcast类

22章Spark SQL

22-1Spark SQL与shark

22-2Spark SQL基本设计结构

22-3Spark SQL高级数据结构

22-4高级数据结构DataFrame概念介绍

22-5DataFrame与RDD

22-6DataFrame创建方法

22-7DataFrame常用操作

22-8利用RDD转化生成DataFrame

22-9利用反射机制推断RDD模式方法

22-10使用编程方式定义RDD模式

22-11常用外部数据源

22-12Parquet基本介绍

22-13读写Parquet方法

22-14读取MySQL中数据方法

22-15连接Hive读写数据方法

23章Spark ML

23-1机器学习入门介绍：机器学习基本思想、常用算法分类、算法库等

23-2Spark机器学习包ML和MLlib介绍

23-3特征矩阵与标签数组

23-4评估器与解释器

23-5特征工程概念介绍

23-6机器学习流概念介绍

23-7MLlib入门介绍

23-8MLlib向量的创建与使用，包括密集向量、稀疏向量、标签向量等

23-9MLlib矩阵的创建与使用，包括行矩阵、坐标矩阵、本地矩阵等

23-10MLlib基本统计方法：概括统计、相关性、抽样方法、假设检验、核密度估计等

23-11降维操作：PCA主成分分析与SVD奇异值分解

23-12线性回归分析

23-13逻辑归回

23-14决策树和随机森林

23-15支持向量机SVM

23-16ML机器学习流创建方法

23-17特征抽取、转化和选择：TF-IDF、CountVectorizer、Word2Vec

23-18快速聚类算法

23-19协同过滤算法

23-20集成算法

23-21反向传播神经网络

23-22SVM支持向量机分类和支持向量机回归

24章Spark Streaming

24-1流式计算简介

24-2流式计算核心概念

24-3常用流式计算框架介绍

24-4Spark流式计算框架：Spark Streaming与Structured Streaming

24-5流式计算数据源介绍

24-6常用高级数据源

24-7分布式日志系统Flume介绍与安装

24-8Flume使用方法

24-9分布式消息系统Kafka介绍与安装

24-10Kafka使用方法

24-11Kafka和Flume集成

24-12Spark Streaming简介

24-13Spark Streaming计算框架基本架构

24-14Dstream队列流基本概念

24-15Spark Streaming与基本数据源集成：文件流、套接字流、RDD队列流

24-16Spark Streaming与高级数据源集成：Kafka、Flume

24-17 Dstream转化操作与输出操作

24-18Structured Streaming简介

24-19Structured Streaming基本架构与计算流程

24-20DatazFrame创建与转换

24-21利用Structured Streaming进行流查询

24-22通过编写独立应用使用Structured Streaming

25章GraphX

25-1图计算基本概念

25-2图概念

25-3图处理技术，如图数据库、图数据查询、图数据分析、图数据可视化等

25-4图计算软件

25-5属性图概念

25-6属性图实例

25-7创建属性图方法

25-8graphx类介绍

25-9使用RDD构建图

25-10查看操作列表

25-11属性操作

25-12结构操作

25-13关联操作

25-14聚合操作

25-15缓存操作

25-16PageRank算法

25-17连通分支算法

25-18三角形计算算法

26章Flink流处理框架

26-1Flink的重要特点

26-2IDEA 集成开发环境

26-3Java基础及应用:基础语法、面向对象、异常处理、IO流、注解、反射等

26-4Flink部署

26-5Flink运行架构

26-6Flink 流处理API

26-7Flink中的Window

26-8时间语义与Wartermark

26-9ProcessFunction API

26-10状态编程和容错机制

26-11Table API 与SQL

26-12Flink CEP

27章大数据分析案例（三选二）

27-1数据采集平台、数仓、离线\\实时分析平台设计、框架选型、搭建流程及常见问题总结

27-2数据挖掘方法回顾

27-3CRISP-DM方法和SEMMA方法

27-4数据挖掘方法在大数据分析中的实践应用方法

27-5利用HDFS和Hbase进行简单数据处理

27-6利用Sqoop完成数据ETL过程

27-7利用数据仓库工具和Spark SQL进行数据清洗

27-8利用Spark MLlib构建机器学习流进行建模分析

27-9利用PyEcharts进行结果可视化展示

27-10流量：用户画像与精细化营销

27-11产品：产品生命周期管理

27-12活动：KPI检测体系构建

27-13品牌：品类管理与多位能力模型构建

27-14客户：客户细分与用户画像

27-15产品：产品生命周期与用户关系管理

27-16营销：精准营销、网络获客、客户维护与客户生命周期管理

27-17用户离网分析

27-18客户价值评估

27-19用户细分

27-20电信反欺诈模型的构建1章业务分析基础技能

1-1数据分析概述

1-2常用高阶函数

1-3条件格式应用

1-4数据透视表高阶应用

1-5图表进阶

1-6项目排期管理

1-7案例背景介绍

1-8动态考勤表制作

1-9每月考勤统计

1-10考勤汇总统计

1-11常用指标概述

1-12基础指标统计

1-13人力资源指标体系概述

1-14案例背景介绍

1-15员工绩效评定思路解析

1-16实操绩效统计及可视化

1-17案例背景介绍

1-18活动评估报表思路解析

1-19实操活动评估指标统计

1-20指导撰写报表结论

1-21图表应用

1-22零碎需求分析方法

1-23案例应用-核心产品分析

1-24案例应用-零售业商业智能看板

1-25RFM基础模型及拓展

1-26案例应用-用户画像

1-27树状结构分析方法概述

1-28案例应用-汽车行业分析报告

2章数据库应用技能

2-1数据库简介

2-2表结构的特点

2-3数据库分类

2-4MySQL简介

2-5数据库基本结构

2-6SQL语言分类

2-7SQL书写要求

2-8创建、使用及删除数据库

2-9创建表

2-10数据类型

2-11约束条件

2-12修改及删除表

2-13插入数据

2-14批量导入数据

2-15更新数据

2-16删除数据

2-17查询指定列

2-18查询不重复记录

2-19条件查询

2-20常用运算符

2-21空值查询

2-22设置别名

2-23模糊查询

2-24查询结果排序

2-25限制查询

2-26聚合运算

2-27分组查询

2-28分组后筛选

2-29内连接

2-30左连接

2-31右连接

2-32合并查询

2-33标量子查询

2-34行子查询

2-35列子查询

2-36表子查询

2-37字符串函数

2-38数学函数

2-39日期和时间函数

2-40分组合并函数

2-41逻辑函数

2-42开窗函数

2-43进阶练习

2-44数据来源及业务背景

2-45表关系梳理

2-46数据导入及字段处理

2-47数据查询

3章商业智能分析技能

3-1数据仓库结构说明

3-2基于数据仓库的数据处理方法

3-3数据仓库数据处理进阶

3-4数据仓库应用案例

3-5创建多维数据模型

3-6理解多维模型表连接规则

3-7业务数据分析指标介绍

3-8业务数据汇总分析进阶

3-9时间维度分析方法说明

3-10业务背景介绍

3-11理解及加工处理数据

3-12可视化界面创建方法介绍

3-13制作零售业销售情况分析仪

3-14业务背景介绍

3-15客户价值模型说明

3-16数据加工处理

3-17制作电商客户行为分析仪

3-18业务背景介绍

3-19理解餐饮业关键运营指标

3-20数据加工处理

3-21制作餐饮业日销售情况监控仪

3-22电商业务背景介绍

3-23电商流量指标体系说明

3-24数据加工处理

3-25制作电商流量分析仪

3-26业务背景介绍

3-27进销存关键指标说明

3-28数据加工处理

3-29制作经销商经营情况分析仪

3-30业务背景介绍

3-31数据说明

3-32制作车企销售情况分析仪

3-33由讲师介绍业务背景

3-34由讲师提供数据

3-35由学员独立完成业务分析仪的制作过程

3-36由学员分组发表制作成果并由讲师点评

4章数据挖掘数学基础

4-1函数

4-2极限

4-3微分及应用

4-4定积分

4-5向量

4-6线性方程组

4-7线性变化与矩阵

4-8矩阵乘法

4-9行列式

4-10矩阵的秩

4-11逆矩阵

4-12点乘与内积

4-13外积

4-14特征值与特征向量

4-15集中趋势的度量

4-16离散程度的度量

4-17偏态与峰态的度量

4-18统计量概念与常用统计量

4-19抽样分布

4-20样本均值的分布与中心极限定理

4-21样本比例的抽样分布

4-22两个样本平均值之差的分布

4-23样本方差的分布

4-24假设检验的基本概念

4-25一个总体参数的检验

4-26两个总体参数的检验

4-27分类数据与X2统计量

4-28拟合优度检验

4-29列联分析：独立性检验

4-30线性关系的方向和强度

4-31协方差

4-32相关系数

4-33一元线性回归模型

4-34多元线性回归模型

4-35逻辑回归模型

5章Python编程基础

5-1Python简介

5-2Python安装环境介绍

5-3Python常用IDE及Jupyter介绍

5-4Python第三方库安装

5-5编码与标识符

5-6Python保留字

5-7注释和缩进

5-8输入和输出

5-9变量及赋值

5-10数值

5-11字符串

5-12布尔值

5-13列表

5-14元组

5-15集合

5-16字典

5-17条件语句: If

5-18循环语句For和While

5-19Break语句

5-20Continue语句

5-21Pass语句

5-22错误和异常捕捉语句

5-23异常和错误处理

5-24逻辑判断函数

5-25数值运算函数

5-26序列函数

5-27类型转换函数

5-28函数定义

5-29函数参数

5-30默认参数

5-31变量作用域

5-32全局变量和局部变量

5-33匿名函数

5-34列表生成式

5-35高级函数: map、Reduce、 filter等

5-36模块概念介绍

5-37import模块导入

5-38自定义模块

5-39文件读写

5-40利用Python操作文件和目录

5-41类的定义

5-42类对象

5-43类方法

5-44Python连接数据库方法

5-45利用Python操作数据库

6章Python数据清洗

6-1NumPy基本介绍

6-2NumPy基本数据结构: Ndarray

6-3数组的索引与切片

6-4数组其他常用函数与方法

6-5Pandas基本数据结构: Series与DataFrame

6-6索引、切片与过滤

6-7排序与汇总

6-8DataFrame简单处理缺失值方法

6-9数据集的合并与连接

6-10重复值的处理

6-11数据集映射转化方法

6-12异常值查找与替换

6-13排序和随机抽样

6-14DataFrame字符串常用操作

6-15DataFrame分组操作

6-16

6-17 DataFrame聚合操作

6-18DataFrame透视表的创建方法

6-19数据的获取与存储

6-20数据探索

6-21数据清洗实战案例一

6-22数据清洗实战案例二

7章Python数据可视化

7-1数据可视化入门

7-2常用可视化第三方库介绍: matplotlib、seaborn、PyEcharts

7-3常用可视化图形介绍，如饼图、柱图、条形图、线图散点图等

7-4图形选择

7-5Pandas绘图方法

7-6图例配置方法和常用参数

7-7颜色条配置方法和常用参数

7-8subplot多子图绘制方法

7-9文字与注释、自定义坐标轴方法

7-10Seaborn入门介绍

7-11Seaborn API介绍

7-12Seaborn绘图示例

7-13Echarts介绍

7-14PyEcharts API介绍

7-15PyEcharts绘图示例

8章Python统计分析

8-1数据描述

8-2数据分布与统计信息

8-3数据角色定义

8-4大数据存储

8-5最小二乘估计

8-6线性回归与相关

8-7线性回归与方差分析

8-8数据分析流程

8-9多元线性回归的假设

8-10正态分布问题

8-11异方差问题与处理

8-12异常值问题与处理

8-13共线性问题与处理

8-14内生性问题与处理

8-15logistic回归与卡方

8-16似然估计

8-17logistic回归解析

8-18评分与预测

8-19分类比例平衡问题

8-20工具变量的使用

8-21哑变量处理

8-22变量筛选

9章机器学习快速入门

9-1机器学习入门介绍：机器学习基本思想、常用算法分类、算法库等

9-2Python机器学习算法库Scikit-Learn入门介绍

9-3超参数与模型验证：学习曲线、网格搜索

9-4特征工程概念介绍

9-5分类特征、文本特征

9-6图像特征、特征衍生

9-7缺失值填充、特征管道

9-8KNN基本原理

9-9KNN函数详解

9-10KNN高级数据结构实现

9-11原理补充：归一化方法、学习曲线、交叉验证

9-12KNN-最近邻分类器

9-13KNN算法示例

9-14无监督学习与聚类算法

9-15聚类分析概述与簇的概念

9-16距离衡量方法

9-17聚类目标函数和质心计算方法

9-18Scikit-Learn实现K-Means及主要参数解

9-19决策树工作原理

9-20构建决策树（ID3算法构建决策树及局限性）

9-21C4.5与CART算法

9-22决策树的Scikit-Learn实现：八个参数、一个属性、四个接口解析

9-23分类模型的评估指标（混淆矩阵原理）

9-24实例：泰坦尼克号幸存者的预测

9-25过拟合与欠拟合

9-26决策树算法评价（优点与缺点）

9-27决策树在保险行业中的应用

10章机器学习进阶

10-1线性回归概述

10-2多元线性回归基本原理

10-3模型参数求解方法

10-4回归类模型评价标准:精准性、拟合度

10-5多重共线性与岭回归、Lasso

10-6非线性问题及其处理方法

10-7多项式回归

10-8MSE

10-9R^2

10-10最小二乘法

10-11梯度下降

10-12名为“回归\"的分类器

10-13二元逻辑回归的损失函数

10-14逻辑回归的重要参数

10-15梯度下降求解逻辑回归最小损失函数

10-16概率分类器概述

10-17朴素贝叶斯概述

10-18不同分布下的朴素贝叶斯

10-19高斯贝叶斯下的拟合效果与运算速度

10-20多项式朴素贝叶斯及其优化

10-21AUC

10-22ROC

10-23关联规则概述:频繁项集的产生与

10-24关联发现

10-25Apriori算法原理:先验原理

10-26使用Apriori算法来发现频繁项集(生成候选项集(函数的构建与封装)、项集迭代函数)

10-27协同概率概述

10-28协同过滤算法分类

10-29基于商品的协同过滤

10-30基于协同过滤的商品个性化推荐

10-31集成算法概述Bagging Vs Boosting、集成算法的认识

10-32随机森林分类器的实现:重要参数、重要属性和接口

10-33随机森林回归器的实现:重要参数、属性与接口

10-34机器学习中调参的基本思想(泛化误差)

10-35调参应用:随机森林在乳腺癌数据上的调参

10-36MSE

10-37R^2

10-38最小二乘法

10-39梯度下降

10-40数据处理概述

10-41数据量纲处理:归一化、标准化

10-42缺失值处理

10-43分类型数据处理:数据编码与哑变量

10-44连续性数据处理:二值化与分箱

10-45特征选择:过滤法、嵌入法、包装法

10-46SVM概述: SVM工作原理

10-47SVM模型构建

10-48线性SVM:线性SVM的损失函数、函数间隔有几何间隔、SVM决策边界

10-49非线性SVM: SVC模型概述、重要参数、核函数、SVC重要参数(C、class weight)

10-50感知机

10-51多层感知机

10-52初识神经网络

10-53梯度提升树概述

10-54XGBoost选择若分类器

10-55求解目标函数

10-56参数化决策树

10-57建立目标函数与树结构的直接关系

10-58贪婪算法与求解优树

10-59XGBoost的剪枝参数:减轻过拟合

10-60XGBoost分类中的样本不均衡问题处

10-61基于XGboost的航空预测

11章评分卡案例

11-1评分卡业务逻辑介绍

11-2案例业务背景介绍

11-3基本分析工具与环境准备

11-4数据准备

11-5数据预处理

11-6数据比例调节：过度抽样

11-7构造训练集和测试集

11-8变量相关性分析

11-9数据的缺失值与异常值

11-10变量数据类型重编码

11-11Logistic模型原理回顾

11-12Logistic建模

11-13利用Logistic模型进行变量筛选

11-14分类模型评估指标回顾

11-15过度抽样调整

11-16收益矩阵

11-17模型转化评分卡

11-18Python模型部署方法

11-19构建机器学习流

11-20模型效果监测与更新

12章电商零售

12-1项目商业问题简述

12-2项目策略与方法

12-3项目推荐计划

12-4项目时间规划

12-5购买倾向模型

12-6方法原理介绍

12-7目标以及数据介绍

12-8Python算法实现（Gradient Boosting）

12-9建模结果解读

12-10购买倾向模型

12-11目标以及数据介绍

12-12Python算法实现

12-13建模结果解读

12-14活动设计

12-15结果评价

13章Python网络爬虫（录播）

13-1网络爬虫定义

13-2网络爬虫用途

13-3通用搜索引擎工作的原理和局限性

13-4爬虫基本原理与流程

13-5常见网络爬虫分类

13-6基于IP地址搜索策略

13-7广度优先搜索策略

13-8深度优先搜索策略

13-9优先搜索策略

13-10http基本原理介绍

13-11http请求过程

13-12网页组成

13-13HTML：超文本标记语言

13-14CSS：层叠样式表

13-15网页样式

13-16JavaScript(JS)

13-17网页的结构

13-18爬虫基本流程

13-19抓取数据的数据类型解析

13-20JavaScript渲染页面

13-21cookies介绍

13-22爬虫代理

13-23Robots协议介绍

13-24爬虫攻防入门

14章Tableau数据分析 （录播）

14-1Tableau产品介绍

14-2Tableau操作界面介绍

14-3Tableau常用功能介绍

14-4Tableau连接数据源方法

14-5层级与下钻

14-6排序和分组

14-7创建和使用集

14-8筛选方法：筛选栏和筛选器

14-9数据处理常用参数

14-10参考线与趋势线

14-11常用预测方法

14-12可视化基本方法

14-13初级图表绘制方法：条形图、折线图、饼图、文字云、散点图、地图、树形图、气泡图等

14-14高级图表：子弹图、环形图、瀑布图、Bump Chart、Table Formatting

14-15使用Tableau制作仪表板

14-16逻辑运算

14-17数值运算

14-18字符串处理函数

14-19日期函数

14-20聚合函数

14-21数据背景和需求分析

14-22数据读取与预处理

14-23Top N客户汇总分析

14-24Top N客户销售额分析

15章分布式集群架构

15-1大数据概念介绍

15-2Hadoop入门与分布式集群基本概念

15-3Hadoop生态和及其技术栈

15-4Linux生态介绍

15-5常用虚拟化工具介绍

15-6常用Linux操作系统

15-7Vmware与VirtualBox

15-8Ubuntu操作系统与CentOS

15-9Ubuntu安装与常用命令

15-10JDK的安装与使用

15-11Hadoop安装与使用

15-12Hadoop单机运行方法

15-13Hadoop伪分布式运行方法

15-14利用多节点安装Hadoop集群

15-15Hadoop生态其他常用组件基本介绍

15-16数据仓库Hive安装方法

15-17分布式数据库Hbase安装方法

15-18ETL工具Sqoop安装方法

15-19Scala与Spark安装方法

16章Hadoop基础

16-1HDFS概念及设计原理

16-2HDFS体系结构和运行机制

16-3NameNode、DataNode、SecondaryNameNode配置文件及修改方法

16-4HDFS备份机制和文件管理机制

16-5NameNode、DataNode、SecondaryNameNode作用及运行机制

16-6HDFS的常用操作方法介绍

16-7HDFS Java API介绍

16-8HDFS Shell命令格式

16-9HDFS创建文件目录命令

16-10HDFS文件复制、重命名命令

16-11HDFS文件移动、删除命令

16-12HDFS其他常用命令

16-13YARN基本概念

16-14YARN相关进程介绍

16-15YARN核心组件及其功能

16-16YARN运行原理

16-17MapReduce概念及设计原理

16-18MapReduce运行过程类的调用过程

16-19Mapper类和Reducer类的继承机制

16-20Job生命周期

16-21MapReduce中block的调度及作业分配机制

16-22Mapreduce程序格式介绍

16-23MapReduce程序执行流程介绍

16-24MapReduce程序在浏览器中查看

16-25Mappre类和Reducer类的主要编写内容和模式

16-26Job的编写和实现

16-27MapReduce程序编写实操

16-28Jar包打包方法和集群运行

17章Sqoop安装与使用

17-1Sqoop组件介绍与发展历史

17-2Sqoop组件特性及核心功能

17-3ETL基本概念

17-4Hadoop生态中的数据转化方法

17-5Linux中安装Sqoop方法

17-6Sqoop集成MySQL方法

17-7Sqoop集成Hbase方法

17-8Sqoop集成Hive方法

17-9Sqoop功能测试

17-10Sqoop导入功能介绍

17-11Sqoop数据导入import命令基本格式

17-12Sqoop数据导入import命令常用参数

17-13利用Sqoop从MySQL中导入数据至HDFS

17-14Sqoop生成相应Java代码方法codegen

17-15利用Sqoop导入数据至Hive

17-16利用Sqoop导入数据至Hbase

17-17Sqoop导出功能介绍

17-18Sqoop数据导入export命令基本格式

17-19Sqoop数据导入export命令常用参数

17-20从HDFS中导出数据到MySQL

17-21从Hive导出数据到MySQL

17-22从Hbase导出数据到MySQL

18章分布式数据仓库Hbase

18-1分布式数据库和关系型数据库

18-2No-SQL数据库与面向列数据库特性讲解

18-3Hbase发展历史

18-4Hbase核心特性

18-5Hbase在Linux中的安装方法

18-6Hbase配置文件与修改方法

18-7Hbase与Zookeeper集成

18-8Hbase完全分布式安装与运行

18-9简单备份模式

18-10Hbase逻辑模型

18-11Hbase物理模型

18-12paxos算法与运行机制

18-13静态迁移与动态迁移

18-14Hbase基本操作方法

18-15Hbase Shell通用命令General

18-16表格创建命令Create

18-17常用查看命令list、describe

18-18使用put命令添加数据

18-19删除数据delete、delete all命令

18-20查看数据scan、get命令

18-21修改数据命令alter

18-22表格删除方法

18-23其他统计方法

18-24Hbase和Hive集成概述

18-25Hbase和Hive集成方法

18-26使用HQL操作Hbase中数据

18-27Hbase和Spark集成概述

18-28Hbase和Spark集成方法

18-29利用Spark编程读取Hbase中数据

19章数据仓库工具Hive

19-1数据仓库诞生背景与概念介绍

19-2常用数据仓库工具介绍

19-3分布式数据仓库工具介绍

19-4Hive核心特性

19-5Hive部署与访问

19-6Hive常用元数据服务与访问接口

19-7Hive数据模型

19-8数据存储结构

19-9Hive API distinct

19-10Hive API multi insert

19-11Hive API union all

19-12Hive API union all

19-13Hive API group by&order by

19-14Hive基本数据类型

19-15Hive复杂数据类型

19-16Hive数据定义方法

19-17创建、修改和删除表方法

19-18视图和索引的创建、修改和删除

19-19表中加载数据的方法

19-20表中导出数据方法

19-21查询操作

19-22连接操作

19-23子查询

19-24数据仓库企业开发平台

19-25数据仓库模型设计

19-26自助查询系统设计

19-27宽表设计与用户画像

19-28利用Hive进行网站流量分析

20章Spark基本原理与核心组件

20-1分布式计算框架介绍

20-2Spark诞生背景与发展历程

20-3Spark基本定位与核心特性

20-4Scala语言介绍：基础语法、编译环境、常用类型、声明；行、字符、二进制与文本文件的读取与写入

20-5Scala 函数：控制结构（赋值、条件、循环、输入输出）与函数（参数与过程）；数组操作（定义、遍历、转换）及常用算法

20-6Scala对象操作：的类和对象构造与继承、重写、抽象、转换；类与对象中特质的属性与使用，包的使用与引入

20-7Spark运行架构

20-8Spark运行基本流程

20-9RDD设计背景与基本概念

20-10RDD特性

20-11RDD之间依赖关系

20-12RDD运行过程

20-13Spark三种部署方式

20-14Spark与Hadoop统一部署

20-15Spark结构化数据模块Spark SQL

20-16Spark机器学习算法库Spark MLlib

20-17Spark流式计算框架Spark Streaming

20-18新一代Spark流式计算框架Structured Streaming

20-19Spark图计算框架GraphX

21章PySpark编程

21-1RDD创建方法

21-2RDD转换操作

21-3RDD行动操作

21-4RDD惰性机制

21-5RDD持久化操作

21-6打印元素方法

21-7键值对RDD创建方法

21-8常用键值对转换操作：reduceByKey、groupByKey、keys、values、sortByKey、mapValues、join等操作

21-9键值对RDD编程案例

21-10广播变量

21-11累加器

21-12pyspark.sql模块

21-13pyspark.streaming模块

21-14pyspark.ml模块

21-15pyspark.mllib模块

21-16pyspark.SparkConf类

21-17pyspark.SparkContext类

21-18pyspark.SparkFiles类

21-19pyspark.RDD类

21-20pyspark.Accumulator类

21-21pyspark.Broadcast类

22章Spark SQL

22-1Spark SQL与shark

22-2Spark SQL基本设计结构

22-3Spark SQL高级数据结构

22-4高级数据结构DataFrame概念介绍

22-5DataFrame与RDD

22-6DataFrame创建方法

22-7DataFrame常用操作

22-8利用RDD转化生成DataFrame

22-9利用反射机制推断RDD模式方法

22-10使用编程方式定义RDD模式

22-11常用外部数据源

22-12Parquet基本介绍

22-13读写Parquet方法

22-14读取MySQL中数据方法

22-15连接Hive读写数据方法

23章Spark ML

23-1机器学习入门介绍：机器学习基本思想、常用算法分类、算法库等

23-2Spark机器学习包ML和MLlib介绍

23-3特征矩阵与标签数组

23-4评估器与解释器

23-5特征工程概念介绍

23-6机器学习流概念介绍

23-7MLlib入门介绍

23-8MLlib向量的创建与使用，包括密集向量、稀疏向量、标签向量等

23-9MLlib矩阵的创建与使用，包括行矩阵、坐标矩阵、本地矩阵等

23-10MLlib基本统计方法：概括统计、相关性、抽样方法、假设检验、核密度估计等

23-11降维操作：PCA主成分分析与SVD奇异值分解

23-12线性回归分析

23-13逻辑归回

23-14决策树和随机森林

23-15支持向量机SVM

23-16ML机器学习流创建方法

23-17特征抽取、转化和选择：TF-IDF、CountVectorizer、Word2Vec

23-18快速聚类算法

23-19协同过滤算法

23-20集成算法

23-21反向传播神经网络

23-22SVM支持向量机分类和支持向量机回归

24章Spark Streaming

24-1流式计算简介

24-2流式计算核心概念

24-3常用流式计算框架介绍

24-4Spark流式计算框架：Spark Streaming与Structured Streaming

24-5流式计算数据源介绍

24-6常用高级数据源

24-7分布式日志系统Flume介绍与安装

24-8Flume使用方法

24-9分布式消息系统Kafka介绍与安装

24-10Kafka使用方法

24-11Kafka和Flume集成

24-12Spark Streaming简介

24-13Spark Streaming计算框架基本架构

24-14Dstream队列流基本概念

24-15Spark Streaming与基本数据源集成：文件流、套接字流、RDD队列流

24-16Spark Streaming与高级数据源集成：Kafka、Flume

24-17Dstream转化操作与输出操作

24-18Structured Streaming简介

24-19Structured Streaming基本架构与计算流程

24-20DatazFrame创建与转换

24-21利用Structured Streaming进行流查询

24-22通过编写独立应用使用Structured Streaming

25章GraphX

25-1图计算基本概念

25-2图概念

25-3图处理技术，如图数据库、图数据查询、图数据分析、图数据可视化等

25-4图计算软件

25-5属性图概念

25-6属性图实例

25-7创建属性图方法

25-8graphx类介绍

25-9使用RDD构建图

25-10查看操作列表

25-11属性操作

25-12结构操作

25-13关联操作

25-14聚合操作

25-15缓存操作

25-16PageRank算法

25-17连通分支算法

25-18三角形计算算法

26章Flink流处理框架

26-1Flink的重要特点

26-2IDEA 集成开发环境

26-3Java基础及应用:基础语法、面向对象、异常处理、IO流、注解、反射等

26-4Flink部署

26-5Flink运行架构

26-6Flink 流处理API

26-7Flink中的Window

26-8时间语义与Wartermark

26-9ProcessFunction API

26-10状态编程和容错机制

26-11Table API 与SQL

26-12Flink CEP

27章大数据分析案例（三选二）

27-1数据采集平台、数仓、离线\\实时分析平台设计、框架选型、搭建流程及常见问题总结

27-2数据挖掘方法回顾

27-3CRISP-DM方法和SEMMA方法

27-4数据挖掘方法在大数据分析中的实践应用方法

27-5利用HDFS和Hbase进行简单数据处理

27-6利用Sqoop完成数据ETL过程

27-7利用数据仓库工具和Spark SQL进行数据清洗

27-8利用Spark MLlib构建机器学习流进行建模分析

27-9利用PyEcharts进行结果可视化展示

27-10流量：用户画像与精细化营销

27-11产品：产品生命周期管理

27-12活动：KPI检测体系构建

27-13品牌：品类管理与多位能力模型构建

27-14客户：客户细分与用户画像

27-15产品：产品生命周期与用户关系管理

27-16营销：精准营销、网络获客、客户维护与客户生命周期管理

27-17用户离网分析

27-18客户价值评估

27-19用户细分

27-20电信反欺诈模型的构建

校区更多

您可能还关注

看了此课程的学员还看了

    「北京CDA数据分析师」是北京国富如荷网络科技有限公司在教育宝平台开设的店铺，若该店铺内信息涉嫌虚假或违法，请点击这里向教育宝反馈，我们将及时进行处理。

    机构评分

    环境：4.0师资：4.0服务：4.0效果：4.0

    公示信息

    店铺名称：北京CDA数据分析师

    单位名称：北京国富如荷网络科技有限公司

    账号名称：bjgfrh（185******88）

    所属城市：北京

    入驻时长：9年会员

    联系电话：400-029-0997 转 18827

    相关课程

    微信咨询

    返回顶部