课程体系

阶段一、业务数据分析师

课程一、数据挖掘/分析师之硬技能 - 必备常用工具使用与高级技巧

本部分内容主要介绍了数据挖掘、分析师、数据产品经理必备的常用工具的，主要有 Excel，Visio，Xmind，PPT的涉及图表数据分析方面的高级技巧，包括但不限于：数据透视表演练、Vision跨职能流程图演练、Xmind项目计划导图演练、PPT高级动画技巧等！

一、Excel 1）数据分析工具EXECL入门介绍 2）数据透视表演练 3）数据处理 4） EXECL报告自动化 5） PPT报告数据自动化	二、Visio 1）流程图visio入门介绍 2）案例1：基本流程图演练 3）案例2：跨职能流程图演练 4）案例3：UML模型图演练 5）案例4：数据库、数据流模型图演练
三、Xmind 1）思维导图xmind入门介绍 2）案例1：项目计划导图演练 3）案例2：拼车APP功能导图分析演练	四、 PPT 1）办公PPT入门介绍 2）案例演示

课程二、数据可视化/分析师之硬技能 - Tableau商业智能与可视化应用实战

本课程基于Tableau 10.3最新版本研发，详细介绍了Tableau的数据连接与编辑、图形编辑与展示功能，包括数据连接与管理、基础与高级图形分析、地图分析、高级数据操作、基础统计分析、如何与R集成进行高级分析、分析图表整合以及分析成果共享等主要内容。同时，课程以丰富的实际案例贯穿始终，对各类方法、技术进行了详细说明，方便读者快速掌握数据分析方法。

1）什么是数据可视化
2）如何用图表讲故事
3）Tableau发展历程
4）Tableau家族产品
5）Tableau产品优势
6）Tableau Desktop安装配置
7）Tableau的导航与菜单
8）Tableau设计流程最佳实践
9）Tableau数据类型与文件
10）Tableau数据源初探
11）数据源深入

12）工作表
13）Tableau中的函数与计算
14）Tableau高级分析与项目实战
15）Tableau中的排序与筛选器
16）Tableau中的参数
17）Tableau图表分析
18）Tableau地图绘制与图像
19）Tableau仪表盘和故事
20）项目一_教育网站指标评估
21）项目二_网站用户行为分析
22）项目三_零售行业进销存分析

课程三、数据可视化/分析师之硬技能 - Echarts从入门到上手实战

通过本门课程的学习，能够让我们的学员对数据可视化技术有一个全面、系统、深入的了解，最终达到能够利用Echarts图表结合后端数据进行前端可视化报表展示的目的，再结合我们课程给出的项目实战综合演练，从而达到熟练使用Echarts的程度，为将来我们的学员面试大数据开发工程师，大数据分析师等工作岗位打下了一个良好的基础，为大大的加分项！

1）数据可视化概述
2）什么是数据可视化
3）经典可视化案例
4）大数据可视化的价值
5）数据可视化工具、案例、书籍
6）Echarts概述
7）Echarts特性介绍
8）如何快速上手开发一个Echarts可视化图表
9）如何阅读Echarts官方文档
10）Echarts学习必备基础知识

11）Echarts3.x与Echarts2.x的区别
12）Echarts基础架构与常见名词术语
13）Echarts标准开发模板
14）十大常见图表
15）Echarts图表高级
16）北上广最佳前10航行路线图
17）豆瓣最新热映电影排名分析
18）图表适用场景
19）数据可视化方法
20）数据可视化误区

课程四、数据挖掘/分析师之硬技能 - 零基础到数据挖掘精通（Excel、Oracle、SPSS初步）

本课程介绍了数据挖掘技术基本的概念、功能、使用人员所需能力、使用方式以及数据挖掘部分主流算法实现方式。课程中嵌入了oracle数据库和办公软件excel，
这两款软件主要用于存储及处理数据挖掘所需的数据，其中还使用excel作为简单入门工具对数据挖掘进行了算法实现，该部分主要用于帮助大家对数据挖掘相关知
识有一个全面和大概的了解。在此基础上，后期使用数据挖掘专业工具SPSS MODELER结合一些案例对之前的excle实现的挖掘算法部分进行了深入学习以及增加了
一些SPSS MODELER自带的算法模块讲解。课程除了主要讲解了数据挖掘知识和技术，同时其中还涉及了部分oracle数据库知识、sql语句和excel的函数运用。

一、数据挖掘基础内容讲解

1）数据挖掘初探之功能介绍
2）excel基础知识及应用示范
3）Oracle数据库安装及应用示范
4）数据预处理（excel+Oracle）
5）预测算法-线性回归
6）分类算法
7）关联算法
8）聚类算法
9）最优化求解

二、SPSS MODELER数据挖掘

1）SPSS Modeler 下载安装及常规数据操作
2）SPSS Modeler数据探索及分析
3）SPSS Modeler图形探索及分析
4）SPSS Modeler回归分析建模
5）SPSS Modeler逻辑分析建模
6）RFM介绍、建模及模型应用
7）SPSS Modeler分类
8）SPSS Modeler关联分析
9）SPSS Modeler聚类分析

课程五、数据挖掘/分析师之硬技能 - SPSS Modeler 数据挖掘与算法原理（附统计学基础）

数据挖掘包含了统计学和机器学习两部分的知识，要求知识面较广，难度较深。如果没有系统的学习，很难找到切入点，从而造型单纯会用，不会变通的结果。
本课程,主要分为两部分完成，第一部分：掌握数据挖掘的各大主要算法原理。第二部分：通过实际案例的操作，了解如何选择算法，如何使用算法得到需求的潜在信息。通过大量案例帮助你快速掌握算法！

一、回归分析 1）logistic回归 2）基础与常用字段	二、logistic回归 1）logistic回归原理 2）logistic回归 - 银行信用违约贷款案例
三、聚类分析 1）聚类原理 2）回归与聚类案例	四、SVM支持向量机 1）SVM原理 2）银行案例 - svm模型
五、决策树和提升算法 1）决策树原理 2）决策树算法ID3、CART、C45 3）决策树C5.0、CART树案例 4）提升原理 - 随机森林、bagging、bosting 5）提升算法案例

课程六、数据挖掘/分析师之软技能 - 数据分析入门

本课程让学员明确数据分析思路和主要步骤，了解互联网分行业关键数据指标，熟练掌握常用的数据分析方法和数据分析方法的应用，熟练掌握数据分析报告的结构和应用。

1）数据分析概念、作用和步骤
2）数据分析方法论
3）数据分析常用方法

4）数据图表讲解
5）数据关键指标讲解
6）数据分析报告讲解

课程七、数据挖掘/分析师之软技能 - 实战需求分析

本部分内容主要包括两份重要文档的编写商业需求与文档撰写格式技巧（BRD）和市场需求分析与文档撰写技巧（MRD）

一、商业需求与文档撰写格式技巧（BRD）

1）行业分析-PEST宏观环境的分析
2）项目背景——利用黄金圆圈学会问为什么，探寻为什么，最大的挑战就是成功
3）你会学到：如何谈论项目进度，如何描述项目阶段的起始和终止日期
4）学习预测未来，确定要达到的目标，估计会碰到的问题，并提出实现目标、解决问题的有效方案、方针、措施和手段的过程的方法
5）关注企业在市场中与用户的关系
6）收益、成本、风险及对策

二、市场需求分析与文档撰写技巧（MRD）

1）如何构建用户画像、理解用户行为，真正理解用户需求
2）理解市场需求描述、市场规模定义
3）利用SWOT分析法来确定企业自身的竞争优势、竞争劣势、机会和威胁，从而将公司的战略与公司内部资源、外部环境有机地结合起来的一种科学的分析方法
4）市场需求的经典案例

课程八、数据挖掘/分析师之软技能 - 实战竞品分析（选修）

1、本课程让学员真正了解竞品分析的用途、流程、方法，能够在正确的时间点，找到正确的竞品，并用恰当的方法，做出准确的分析，最终得出的结果有利于在产
品定位的时候，确定需要学习、避免和差异化的点。 2、另外本课程选取体现互联网/移动互联网行业热点的App，以及部分优质的App；讲述其战略定位、行业标
杆产品、自身在行业中排名、主要功能、差异化特色、盈利模式及逻辑、用户体验设计。使得学员通过学习，达到以下目标：第一，了解互联网及移动互联网的各个
领域；第二，了解互联网各行业的热点，提升择业能力；第三，了解优秀App的定位、设计、盈利模式，这对将来数据分析师的工作和实践非常有用；第四，培养产品感和分析产品的思路和能力；第五，通过对比，掌握同类产品定位、设计差异的缘由，从而能够举一反三，设计出自己的、有差异化特色和竞争力的产品。

一、竞品分析

1）什么是竞品
2）为什么要分析竞品
3）在什么地方做出差异化
4）竞品分析的方法与流程
5）实例一：大米先生餐饮App项目的竞品分析（完整流程及方法展示）
6）实例二：支付产品：支付宝 vs 微信支付（侧重战略、战术、产品定位分析）

二、热门各互联网行业 APP分析

1）2016年互联网行业投资热点及融资分布
2）2016年互联网行业热点概述（VR、文体娱乐、大数据、移动营销、移动出行、移动社交、移动支付、在线教育、在线
医疗、手机游戏）
3）在线视频APP：爱奇艺
4）拍摄美化神器APP：美拍
5）手机轻电台应用APP：荔枝FM vs 懒人听书
6）在线音乐APP：网易云音乐
7）在线体育APP：虎扑体育
8）文化新闻APP：今日头条 vs 凤凰新闻
9）在线阅读APP：书旗小说
10）文艺应用APP：ONE
11）移动出行APP：UBER
12）移动社交APP：陌陌
13）在线翻译APP：网易有道词典
14）女生助手APP：美柚
15）移动社交APP：探探

课程九、数据挖掘/分析师之软技能 - 实战产品规划与设计（选修）

本部分课程主要包括两块内容： 1. 需求分析与管理 2. 产品需求文档撰写格式与技巧（PRD）

一、需求分析与管理

1）需求的定义、本质和分类
2）学习需求分析包括需求的获取、分析、规格说明、变更、验证、管理的一系列需求工程的方法
3）学习需求分析指需求的分析、定义过程
4）KANO模型定义了三个层次的顾客需求:基本型需求、期望型需求和兴奋型需求
5）需求优先级的定义
6）需求工作量估算、需求变更、需求的管理工具

二、产品需求文档撰写格式与技巧（PRD）

1）产品需求文档PRD的整体结构介绍
2）产品原型的设计
3）需求文档质量评估标准
4）PRD相关案例剖析

段二、建模分析师

课程十、建模分析师之软技能 - 数据库技术

本部分课程主要介绍MySQL数据库的安装使用及常用数据操作

1、关系型数据库介绍

2、MySQL的基本操作:
      1）数据库的操作
      2）数据表的操作
      3）备份与恢复

3、常用的SQL语句:
      1）查询语句(SELECT)
      2）插入语句(INSERT)
      3）更新语句(UPDATE)
      4）删除语句(DELETE)

4、高级查询语句:
      1）聚合函数
      2）分组查询
      3）联合查询
      4）连接查询
      5）子查询

5、高级应用:
1）视图
2）索引

6、数据可视化管理：SQLyog

课程十一、建模分析师之软技能 - 实用型大数据挖掘算法、(Apriori算法、Tanagra工具、决策树)（选修）

本课程名为深入浅出数据挖掘技术。所谓“深入”，指得是从数据挖掘的原理与经典算法入手。其一是要了解算法，知道什么场景应当应用什么样的方法；其二是学
习算法的经典思想，可以将它应用到其他的实际项目之中；其三是理解算法，让数据挖掘的算法能够应用到您的项目开发之中去。所谓“浅出”，指得是将数据挖掘
算法的应用落实到实际的应用中。课程会通过三个不同的方面来讲解算法的应用：一是微软公司的SQL Server与Excel等工具实现的数据挖掘；二是著名开源算法的
数据挖掘，如Weka、KNIMA、Tanagra等开源工具；三是利用Java、Cdefault.html语言两种语言做演示来完成数据挖掘算法的实现。根据实际的引用场景，数据挖掘技术通
常分为分类器、关联分析、聚类算法等三大类别。本课程主要介绍这三大算法的经典思想以及部分著名的实现形式，并结合一些商业分析工具、开源工具或编程等方式来讲解具体的应用方法。

1、数据挖掘概述与数据
2、可视化与多维数据分析（实践课）
3、分类器与决策树
4、其他分类器
5、决策树的应用（实践课）

6、关联分析
7、购物车数据分析（实践课）
8、聚类算法
9、聚类算法Cdefault.html源代码实现（实践课）

课程十二、建模分析师之硬技能 - SPSS Modeler数据挖掘项目实战（高阶篇）（课程12、13两门课任选其一）

本教程从数据挖掘生命周期、过程及管理思想开始，讲解了实际项目中各大阶段的重要任务及各自承上启下的关键作用。并用通俗易懂的语言将挖掘技术所涉及的思
想、方法、参数与统计学基础联系起来，仔细讲解了包括维度、数据、分析、数据流等在内的功能、参数的实际意义和选择、组合等应用方法。对建模技术的原理思
想及选择方法是本课程的重点与难点。此外，本课程在结合对Modeler软件应用的同时，更加强调建模思想，强调模型规划设计。针对有更高要求的朋友，还应常常训练自己对数据挖掘项目全过程的整体规划与设计，培养自己项目全局的眼光和思维方式。

一、数据挖掘项目管理基础与思想 1）课程规划 2）DM项目的生命周期与建设过程 3）CRISP-DM详解 4）DM项目实际建设与管理过程 5）DM团队组成与能力素养	二、感性认识SPSS Modeler 1）SPSS MODELER软件基础 2）MODELER节点概要 3）MODELER数据流实例解读
三、必备的统计学基础 1）简单的统计学概念 2）常用的分布函数 3）统计学基础的其它补充	四、数据准备与预处理 1）数据质量与样本管理 2）MODELER变量管理 3）MODELER分析管理
五、常用模型的数学思想与思考 1）数据挖掘知识类型 2）模型过程思想 3）回归分析思想与建模解释 4）回归分析建模解释（续） 5）决策树思想与建模解释 6）回归与决策树增补 7）神经网络思想与建模解释 8）SVM思想与建模解释 9）聚类思想与建模解释 10）关联思想与建模解释	六、项目案例解析 1）信用风险评估 2）经营辅助决策

课程十三、建模分析师之硬技能 - Python网络爬虫技术（课程12、13两门课任选其一）

本课程主要讲解爬虫技术，主要学习目标有：掌握应用Python爬虫基础库；掌握使用Python爬虫利器；掌握使用Scrapy项目构建；熟练掌握Scrapy流程化开发；熟练使用Scrapy拓展；掌握使用Scrapy与Mysql交互。

1)浅谈Python爬虫
2)爬虫利器
3)初窥Scrapy爬虫
4)命令行工具
5)Item容器

6)Spiders爬虫
7)Selector选择器
8)Pipeline管道
9)middleware中间件
10)Scrapy爬虫拓展

课程十四、建模分析师之扩展篇(机器学习) - 零基础实战机器学习入门篇（Python语言、算法、Numpy库、MatplotLib）（选修）

机器学习作为人工智能的一部分，已经应用于很多领域，远超过人们的想象，垃圾邮件的过滤，在线广告的推荐系统，还有目前发展飞快的物体识别、人脸识别和语
音识别的发展，都是机器学习的应用的成果。机器学习在改善商业决策、提高生产率、检测疾病、预测天气等方面都有非常大的应用前景。本课程系统的介绍了机
器学习的目的和方法。并且针对每一种常用的方法进行了详细的解析，用实例来说明具体的实现，学生可以跟着一步步完成。在面对现实的问题的时候，可以找到非常可靠的参照。本课程在最开始讲解了Python语言的基础知识，以保证后面的课程中可以顺利进行。更多的Python语言的知识，需要学员自己去找更多的资料进行
学习。本课程主要讲述了两大类机器学习的方法：有监督学习和无监督学习，其中有监督学习里面，又分为分类和预测数值型数据。这些算法都是基础的算法。这样可以降低学习的难度，容易理解机器学习思路和实现的过程。

1）机器学习的任务和方法
2）Python语言基础
3）Python语言基础2
4）分类算法介绍
5）k-临近算法
6）决策树
7）基于概率论的分类方法：朴素贝叶斯
8）Logistic回归
9）支持向量机
10）第利用AdaBoost元算法提高分类性能

11）利用回归预测数值型数据
12）树回归
13）无监督学习
14）利用K-均值聚类算法对未标注数据分组
15）使用Apriori算法进行关联分析
16）使用FP-growth算法来高效发现频分项集
17）利用PCA来简化数据
18）利用SVD简化数据
19）大数据与MapReduce
20）学习总结

课程十五、建模分析师之扩展篇(机器学习) - 人工智能之机器学习（选修）

本课程先从Python数据分析库讲起，进而讲解机器学习定义，学完本次课程大家可以了解线性回归、掌握决策树的应用、熟练使用SVM支持向量机、熟练使用聚类+贝叶斯、掌握EM-HMM-LDA-ML。

1)python数据分析库
2)机器学习定义
3)回归
4)决策树

5)SVM支持向量机
6)聚类分析+贝叶斯
7)EM-HMM-LDA-ML

课程十六、建模分析师之扩展篇 - 使用R语言实战机器学习（选修）

机器学习的核心主要侧重于找出复杂数据的意义。这是一个应用广泛的任务，机器学习的使用是非常广泛的。
本课程主要分为三个阶段，第一个部分：R语言基础，掌握R语言的处理数据的基本语法。第二部分：特征工程，掌握R语言数据预处理的主要方法。第三部分：R语言机器学习，介绍机器学习原理，并通过大量的案例，深度探讨算法、模型在实际应用中的选择和调优问题。实践阶段由浅入深并结合多个案例为学员展示机器学习方法是怎样解决实际问题的。通过这些案例，最终学员会驾驭R语言并利用R语言进行机器学习。

1)R语言基础
2)循环语句
3)function函数
4)apply系列高级循环
5)建模前数据处理
6)回归
7)logistics回归
8)knn算法
9)KNN综合案例
10)聚类原理
11)聚类综合案例
12)谱系聚类

13)朴素贝叶斯原理
14)贝叶斯案例
15)关联分析
16)时间序列
17)R语言决策树
18)R语言C5.0案例
19)R语言部分包java问题
20)R语言回归树和模型树
21)R语言提升模型
22)Rboosting+随机森林
23)R语言svm

课程十七、SAS编程（选修）

本课程涉SAS编程基础、SAS数据获取与数据集操作、SAS变量操作、SAS观测值操作、SAS数据集管理、SAS数据汇总与展现、SASdata步循环与控制、SAS输出控制、SAS SQL语言、SAS宏语言。

1)SAS入门、课程内容介绍
2)SAS安装
3)SAS编程基础
4)Base SAS基础
5)SAS数据获取及数据集操作：set、by、output、put、file等
6)SAS变量操作：keep、drop、retain等

7)data步循环与控制
8)全程控制语句
9)SAS输出控制
10)SAS数据汇总与展现
11)SAS SQL
12)SAS宏语言

阶段三、机器学习研究员

课程十八、面向市场的多元数据分析模型

本课程主要基于统计学核心课程多元统计分析在市场分析的应用，为市场分析人员，提供一整套实用的分析方法。

1.方差分析

2.因子分析

3.聚类分析

4.对应分析

5.典型相关分析

6.联合分析

课程十九、属性数据分析方法开发

针对生物、医学和社会科学等领域，对属性数据的特殊统计方法的需求日益强烈。本课程展示了针对属性数据分析所涉及到的重要分析方法，讲述诸如卡方检验等长期占主导地位的方法，并尤其强调了逻辑回归的建模技巧。

1.列联表分析

2.逻辑回归

3.广义线性模型

4.logistic回归

5.多类别logit模型

6.配对数据的模型

7.随机效应：广义线性混合模型

课程二十、结构方程模型

本课程主要讲授关于结构方程模型的相关内容。结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含有可观测的显在变量，也可能包含无法直接观测的潜在变量。我们在课程中讲述该模型的相关方法与应用。

1.结构方程模型

2.结构方程模型简介

3.验证性因子分析和全模型

4.单纯形和多组模型

5.结构方程建模和分析步骤

6.拟合指数

7.路径分析原理

二十一、多层次模型库开发

本课程主要讲授关于多层次模型库开发的相关内容。多层次模型是使用多层次数据阐述不同层级间关系的统计技术。作为一种重要的统计方法，本课程将对此进行详细的讲解。

1.多层统计分析模型概述

2.线性多层模型基础

3.两水平线性多层模型应用

4.发展模型

5.离散型结局测量的多层统计分析模型

课程二十二、统计与数学基础知识

本课程主要讲授应用统计数学的相关基础知识点，利用本课程可以为后期的数据挖掘算法打下基础。应用统计数学专业是培养具备统计数学和应用数学的基础理论，具有运用数学理论和工具进行实际问题的抽象、分析、解决的能力和较强的计算机运用能力。

1.微积分基础知识

2.矩阵分析基础知识

3.概率统计基础知识

4.运筹学基础知识

5.统计学基本概念

6.描述统计

7.统计推断

二十三、机器学习及应用

本课程先基于Python语言以及一系列常用的Python数据分析框架，如NumPy、SciPy和Matplotlib，通过对常用算法的原理讲解以及算法的案例应用，帮助学员对基本的常用算法的掌握。通过案例+原理的方法可以在避免引入大量数学概念的前提下，有效帮助学员对机器学习算法的理解。课程中使用的案例往往是工作中遇到的实际问题，通过该形式的学习，可以让学员提前了解机器学习在企业中的应用方式。
所以本阶段主要从机器学习概述、数据清洗和特征选择、回归算法、决策树、随机森林和提升算法、SVM、聚类算法、EM算法、贝叶斯算法、隐马尔科夫模型、LDA主题模型等方面讲解一些机器学习的相关算法以及这些算法的优化过程，这些算法也就是监督算法或者无监督算法。

一、机器学习概述 1）什么是机器学习	二、监督学习 1）逻辑回归 2）softmax分类 3）支持向量机SVM 4）决策树 5）随机森林 6）GBDT 7）集成学习 8）贝叶斯 9）EM算法
三、非监督学习 1）高斯混合模型 2）聚类 3）PCA 4）密度估计 5）LSI 6）LDA	四、数据处理与模型调优 1）特征提取 2）数据预处理 3）数据降维 4）模型参数调优 5）模型持久化 6）模型可视化

课程二十四、机器学习研究员之硬技能 - 贝叶斯方法与机器学习及实践 (选修)

本课程先基于PyMC语言以及一系列常用的Python数据分析框架，如NumPy、SciPy和Matplotlib，通过概率编程的方式，讲解了贝叶斯推断的原理和实现方法。该方法常常可以在避免引入大量数学分析的前提下，有效地解决问题。课程中使用的案例往往是工作中遇到的实际问题，有趣并且实用。通过对本课程的学习，学员可以对贝叶斯思维、概率编程有较为深入的了解，为接下来的机器学习打下基础；接下来以Python编程语言为基础，在不涉及大量数学模型与复杂编程知识的前提下，讲师逐步带领学员熟悉并且掌握当下最流行的机器学习、数据挖掘与自然语言处理工具，如Scikit、Google Tensorflow等；同时会着重讲解两类机器学习的核心的“算法族”，即惩罚线性回归和集成方法，并通过代码实例来展示所讨论的算法的使用原则等。

1.使用计算机执行贝叶斯推断

2.了解PyMC

3.MCMC的黑盒子

4.大数定律

5.损失函数

6.主观与客观先验

7.贝叶斯AB测试

8.关于预测的两类核心算法

9."岩石vs水雷"数据集的特性

10.基于因素变量的实数值预测

11.预测模型的构建：平衡性能、复杂性以及大数据

12.惩罚线性回归模型

13.使用惩罚线性方法来构建预测模型

14.集成方法

15.用Python 构建集成模型

课程二十五、机器学习研究员之硬技能 -人工智能（选修）

本课程主要讲解人工智能的基本原理、实现技术及其应用，国内外人工智能研究领域的进展和发展方向。内容主要分为4个部分：第1部分是搜索与问题求解，系统地叙述了人工智能中各种搜索方法求解的原理和方法，内容包括状态空间和传统的图搜索算法、和声算法、禁忌搜索算法、遗传算法、免疫算法、粒子群算法、蚁群算法和Agent技术等；第2部分为知识与推理，讨论各种知识表示和处理技术、各种典型的推理技术，还包括非经典逻辑推理技术和非协调逻辑推理技术；第3部分为学习与发现，讨论传统的机器学习算法、神经网络学习算法、数据挖掘和知识发现技术；第4部分为领域应用，分别讨论专家系统开发技术和自然语言处理原理和方法。通过对这些内容的讲解能够使学员对人工智能的基本概念和人工智能系统的构造方法有一个比较清楚的认识，对人工智能研究领域里的成果有所了解。

1.AI的产生及主要学派

2.人工智能、专家系统和知识工程

3.实现搜索过程的三大要素

4.搜索的基本策略

5.图搜索策略

6.博弈与搜索

7.演化搜索算法

9.群集智能算法

9.记忆型搜索算法

10.基于Agent的搜索

11.知识表示与处理方法

12.谓词逻辑的归结原理及其应用

13.非经典逻辑的推理

14.次协调逻辑推理

阶段四、大数据分析师（选修）

课程二十六、大数据挖掘/分析师之硬技能 - Java语言基础

本课程讲解了java语法基础、类和对象、java中的字符串、java实用类与集合、泛型、继承和多态、接口与抽象类异常处理等等。

1、Java语法基础

2、类和对象

3、字符串

4、Java实用类

5、集合与泛型

6、面向对象三大特性

7、接口与抽象类

8、Java异常

课程二十七、大数据挖掘/分析师之硬技能 - 大数据必备的数据结构与算法

这门课程是针对大数据工程师和云计算工程师的基础课程，同时也是所有计算机专业人士必须掌握的一门课程。如果不掌握数据结构和算法，你将难以掌握高效、专业的数据处理手段，更难以从容应对复杂的大数据处理场景。

1.数据结构和算法概述

2.数组、链表、队列、栈等线性表

3.二叉树、BST、AVL树及二叉树的递归与非递归遍历

4.B+树

5.跳表

6.图、图的存储、图的遍历

7.有向图、无向图、懒惰与积极的普利姆算法、克鲁斯卡尔算法及MST、单源最短路径问题及Dijkstra算法

8.并查集与索引式优先队列、二叉堆

9.遗传算法初步与TSP问题

10.内部排序（直接插入、选择、希尔、堆排序、快排、归并等）算法与实践中的优化

11.外部排序与优化（文件编码、数据编码、I/O方式与JVM特点、多线程、多路归并等）

12.哈希表、Trie树、倒排索引、分布式索引初步（Map-Reduce）

课程二十八、大数据挖掘/分析师之硬技能 - Linux必知必会

本部分是基础课程，帮大家进入大数据领域打好Linux基础，以便更好地学习Hadoop，hbase,NoSQL，Spark，Storm，docker,openstack等众多课程。因为企业中的项目基本上都是使用Linux环境下搭建或部署的。

1.Linux系统概述

2.系统安装及相关配置

3.Linux网络基础

4.OpenSSH实现网络安全连接

5.vi文本编辑器

6.用户和用户组管理

7.磁盘管理

8.Linux文件和目录管理

9.Linux终端常用命令

10.linux系统监测与维护

课程二十九、大数据挖掘/分析师之硬技能 - Hadoop大数据开发技术光速入门

本课程从基础的环境搭建到更深入的知识学习都会有一个比较好的讲解。帮助学员快速上手hadoop生态圈的大数据处理框架的使用，使用hadoop生态圈进行一些
模块化、项目功能化的开发，主要包括安装部署hadoop、hive、hbase、hue、oozie、flume等生态圈相关软件环境的搭建，并且在已搭建好的环境上进行相关知
识点的讲解和功能的开发。项目/模块主要涉及到使用MR开发相关实际业务功能，包括最短路径的计算、社交好友推荐算法实现、分布式锁的实现等，这些模块可
以在实际的生成环境中使用到，可以很简单的将这些模块的代码直接集成到相关实际生产环境代码中。

一、hadoop： 1）Hadoop起源、体系结构以及生态圈介绍 2）Hadoop安装 3）Windows平台下Eclipse环境搭建 4）HDFS体系结构 5）HDFS SHELL API介绍 6）HDFS Java API介绍 7）Hadoop 2.x HDFS新特性 8）YARN体系结构 9）MR编程模型介绍 10）Map-Reduce编程实例：WordCount 11）MR数据类型讲解 12）MR输入格式讲解 13）MR输出格式讲解 14）案例：自定义输入、输出格式使用 15）MR Shuffle组件讲解 16）案例：二次排序 17）组合MR任务介绍 18）MR任务多数据源连接介绍 19）案例：倒排索引	二、zookeeper： 20）Zookeeper起源、体系结构介绍 21）Zookeeper安装 22）Zookeeper Shell命令 23）Zookeeper Java API 24）Zookeeper案例：分布式环境中实现共享锁
三、hbase： 25）HBase起源、体系结构以及数据模型介绍 26）HBase安装 27）HBase Shell命令 28）HBase Java API 29）HBase协处理器介绍 30）HBase和MapReduce整合 31）HBase案例：二级索引的创建	四、hive： 32）Hive起源、体系结构介绍 33）Hive安装 34）Hive Shell命令上 35）Hive Shell命令下 36）Hive函数
五、hue： 37）Hue简介	六、Oozie： 38）Oozie简介 39）Oozie安装 40）Oozie案例 41）Oozie Java客户端 42）Oozie Hue整合
七、Flume： 43）Flume介绍以及安装 44）Flume案例介绍上 45）Flume案例介绍下 46）Flume自定义Source 47）Flume自定义Interceptor	八、Sqoop： 48）Sqoop介绍与安装 49）Sqoop案例介绍上 50）Sqoop案例介绍下
九、Kafka： 51）Kafka介绍与安装 52）Kafka案例	十、MR扩展： 53）MapReduce案例：最短路径算法 54）MapReduce案例：PageRank算法 55）MapReduce案例：社交好友推荐算法

课程三十、数据分析专家之硬技能 - 基于Hadoop技术实现的离线电商分析平台

离线数据分析平台是一种利用hadoop集群开发工具的一种方式，主要作用是帮助公司对网站的应用有一个比较好的了解。尤其是在电商、旅游、银行、证券、游戏
等领域有非常广泛，因为这些领域对数据和用户的特性把握要求比较高，所以对于离线数据的分析就有比较高的要求了。本课程通过一个离线电商的项目实战全面
对Hadoop技术做了一个演练。项目主要涉及到用户行为数据的收集、用户数据的etl操作、用户数据的分析以及分析数据展示等项目模块，最终展示了一个基本的
离线数据分析平台的全部实现。

一、项目需求介绍：

1）需求分析

二、用户行为数据收集模块实现讲解：

3）JavaSDK数据收集引擎编写
4）JSSDK数据收集引擎编写

三、数据分析模块实现讲解：

5）用户数据etl操作一
6）用户数据etl操作二
7）新增用户和总用户分析
8）活跃用户分析
9）活跃会员分析
10）新增会员和总会员分析
11）会话分析
12）Hourly分析
13）浏览器PV分析
14）公用代码提取
15）地域信息分析
16）外链信息分析
17）MapReducer代码优化
18）DimensionConverter相关服务设计
19）用户浏览深度分析
20）事件分析
21）订单分析
22）MR和Hive任务Oozie部署

四、数据展示模块讲解：

23）DataApi后台框架搭建
24）用户基本信息数据展示
25）浏览器基本信息数据展示
26）地域信息数据展示
27）用户浏览深度数据展示
28）外链数据展示
29）事件数据展示
30）订单数据展示以及项目总结

课程三十一、大数据挖掘/分析师之硬技能 - 基于金融行业的大数据挖掘/分析实战（Python语言）

本课程介绍使用Python进行数据分析和金融应用开发的基础知识。课程从介绍简单的金融应用开始，带领学员回顾Python的基础知识，并逐步学习如何将Python
应用到金融分析编程中。课程覆盖了Python的基本数据结构、输入输出、效率分析、数学库、随机分析库、统计分析库等。接着课程以专题的形式介绍了Python与
Excel的结合，学习如何使用Python的相关库生成Excel可调用的函数；Python与Hadoop和MongoDB结合进行大数据分析的基础知识。最后课程介绍了Python的
面向对象编程并介绍了两个案例：使用Python实现金融衍生品分析库以及使用Python实现事件驱动的量化投资系统，使学员在实战的环境下理解Python在金融
应用开发中的具体应用方式，训练学员独立开发Python模块的能力。

1）Python与金融应用概述
2）Python的基本数据类型与数据结构
3）Python数据可视化
4）金融时间序列分析
5）输入输出操作

6）提升Python效率
7）数学工具
8）随机分析
9）统计分析
10）数值分析技术

11）使用Python操作Excel
12）Python面向对象编程与图形用户界面
13）金融中的大数据技术概述
14）案例1：使用Python构建期权分析系统
15）案例2：使用Python构建简单的算法交易系统

课程三十二、【项目直播】医疗保险大数据分析与统计推断项目实战【Hadoop篇】

项目（医疗保险大数据分析与统计推断项目实战【Hadoop篇】）主要分为七个部分，分别是：第一部分：业务系统（广东省新型合作医疗保险管理系统）的业务逻辑分析、数据前期清洗和数据分析目标指标的设定等，业务系统核心业务模块有：参合信息管理、门诊补偿管理、住院补偿管理、降销补偿管理、定点机构管理、保险基金管理、费用项目管理和疾病病种管理等；第二部分：Linux、Hadoop分布式集群搭建方面的内容，大数据前沿知识介绍、Linux及Vmware安装和使用、Linux/Vmware文件系统操作、Hadoop的单机、伪分布、完全分布式模式的安装配置等；第三部分：Hadoop分布式集群进阶方面课程，Hadoop2.x体系结构及Hadoop3.0新特性、HDFS原理，HDFS Shell操作、YARN的基本构成和工作原理、MapReduce并行计算框架、基本的MapReduce算法实现和Hadoop集群上部署和执行MR Job等；第四部分：大数据导入与存储方面的课程，关系型数据库基础知识、hive的基本语法、hive的架构及设计原理、hive安装部署与案例、Sqoop安装及使用和Sqoop与关系型数据库进行交互等；第五部分：Hbase理论及实战方面的课程，Hbase简介、安装及配置、Hbase的数据存储与数据模型、Hbase Shell、Hbase 访问接口和Hbase数据备份与恢复方法等；第六部分：医疗保险数据分析与统计推断方面的课程，背景与分析推断目标、数据抽取、数据探索分析、数据预处理等；第七部分：数据分析与统计推断结果的展示（大数据可视化）方面的课程，主要是使用Tableau、D3.js、Highcharts和ECharts等可视化工具和技术把最终的分析结果，以优美的图表展示给客户。

1）业务系统介绍
2）Hadoop入门
3）Hadoop部署进阶
4）大数据导入与存储

5）Hbase理论及实战
6）保险数据分析与统计推断
7）数据分析与统计推断结果的展示（大数据可视化）

课程三十三、AI大数据互联网电影智能推荐（第一季）

随着科技的发展，现在视频的来源和类型多样性，互联网视频内容充斥着整个网络，如果仅仅是通过翻页的方法来寻找自己想看的视频必然会感到疲劳，现在急需一种能智能推荐的工具，推荐系统通过分析用户对视频的评分分析，对用户的兴趣进行建模，从而预测用户的兴趣并给用户进行推荐。
Python是一种面向对象的解释型计算机程序设计语言，Python具有丰富和强大的库。它常被昵称为胶水语言，而大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，企业面临海量数据的到来，大多选择把数据从本地迁移至云端，云端将成为最大的非结构化数据存储场所。本项目主要以客户咨询为载体，分析客户的群体，分布，旨在挖掘客户的内在需求，帮助企业实现更有价值的营销。

一、教务管理系统业务介绍 1）教务管理系统框架讲解 2）系统业务逻辑介绍	二、大数据需求分析 1）明确数据需求 2）大数据分析过程 3）分析难点和解决方案 4）大数据相关技术选型
三、构建分布式大数据框架 1）Hadoop分布式集群配置 2）ZooKeeper高可用 3）SQOOP数据转移 4）ETL数据清洗 5）HIVE数据分析 6）HBase数据存储	四、基于教务管理系统大数据分析 1）业务数据分析指标设定 2）操作MapReduce分而治之 3）使用Hive进行数据整合抽离 4）使用HBase存储非结构话数据
五、大数据可视化 1）可视化技术选型 2）Echarts代码展示炫酷视图 3）使用Tableau进行数据可视化展示

课程三十四、电商大数据情感分析与AI推断实战项目（第一季）

本项目从开发的角度以大数据、PHP技术栈为基础，使用真实商用表结构和脱敏数据，分三步构建商用系统、真实大数据环境、进行推断分析以及呈现结果。
项目课程的完整性、商业性，可以使学者尽可能完整地体会真实的商业需求和业务逻辑。完整的项目过程，使PHP技术栈的同学得以窥见和学到一个完整商业平台项目的搭建方法；真实大数据环境的搭建，使呈现、建立大数据的工具应用技术概念储备；基于大数据平台的分析需求的实现、呈现，将完整的一次大数据技术栈到分析结果的中线，平铺直述，为想要学习大数据并有开发基础的同学点亮新的能力。

一、实践项目研发 1）开发环境的安装配置 2）表与数据 3）LARAVEL的快速开发实践 4）批量创建模型 5）万能控制器与表配置 6）统一视图的创建	二、数据分析需求设立 1）定义数据需求 2）分析计算过程 3）分析难点和解决方案 4）大数据技术选型
三、大数据平台搭建 1）分布式环境的模拟建立 2）网络环境的调通 3）身份验证与集群控制 4）Hadoop环境搭建和要点说明 5）HIVE数据分析 6）MapReduce与Yarn的搭建和说明	四、大数据分析脚本编写 1）MapReduce脚本编写 2）拆解数据需求 3）Map逻辑详写 4）Reduce逻辑详写 5）结果整理与输出
五、结果可视化 1）可视化需求和技术选型 2）展示页面的快速铺设 3）可视化JS上手 4）使用可视化JS展示结果

课程三十五、AI法律咨询大数据分析与服务智能推荐实战项目(第一季)

本项目结合目前流行的大数据框架，在原有成熟业务的前提下，进行大数据分析处理，真实还原企业应用，让学员身临其境的感受企业大数据开发的整个流程。
项目的业务系统底层主要采用JAVA架构，大数据分析主要采用Hadoop框架，其中包括Kettle实现ETL、SQOOP、Hive、Kibana、HBASE、Spark以及人工智能算法等框架技术；采用真实大数据集群环境的搭建，让学员切身感受企业项目的从0到1的过程。

一、系统业务介绍 1）底层业务实现框架讲解 2）功能模块讲解	二、系统架构设计 1）总体架构分析 2）数据流向 3）各技术选型承载作用 4）部署方案
三、详尽实现 1）原始数据处理 2）ETL数据导入 3）MR数据计算 4）Hive数据分析	四、数据可视化 1）采用Highcharts插件展示客户偏好曲线图 2）使用Tableau进行数据分析可视化展示
五、项目优化 1）ZooKeeper实现HA 2）集群监控的整体联调

课程三十六、AI大数据基站定位智能推荐商圈分析项目实战（第一季）

随着当今个人手机终端的普及、出行人群中手机拥有率和使用率已达到相当高的比例，根据手机信号在真实地理空间的覆盖情况，将手机用户时间序列的手机定位数据，映射至现实地理位置空间位置，即可完整、客观地还原出手机用户的现实活动轨迹，从而挖掘出人口空间分布与活动联系特征信息。
商圈是现代市场中企业市场活动的空间，同时也是商品和服务享用者的区域。商圈划分为目的之一是研究潜在顾客分布，以制定适宜的商业对策。
本项目以实战为基础结合大数据技术Hadoop、.Net技术全栈为基础，采用真实商业数据，分不同环节构建商用系统、真实大数据环境、进行推断分析及呈现数据。

一、分析系统业务逻辑讲解 1）大数据基站定位智能推荐商圈分析系统介绍 2）数据前期清洗和数据分析目标指标的设定等	二、大数据导入与存储 1）关系型数据库基础知识 2）hive的基本语法 3）hive的架构及设计原理 4）hive安装部署与案例等 5）Sqoop安装及使用 6）Sqoop与关系型数据库进行交互等 7）动手实践
三、Hbase理论及实战 1）Hbase简介、安装及配置 2）Hbase的数据存储与数据模型 3）Hbase Shell 4）Hbase 访问接口 5）Hbase数据备份与恢复方法等 6）动手实践（数据转储与备份）	四、基站数据分析与统计推断 1）背景与分析推断目标 2）分析方法与过程推断 3）动手实践（分析既定指标数据）
五、数据分析与统计推断结果的展示（大数据可视化） 1）使用Tableau展示数据分析结果 2）使用HighCharts、ECharts展示数据分析结果

阶段五、数据分析专家（选修）

课程三十七、数据分析专家之软技能 - 卓越的项目管理应用与实践

通过本课程的学习，使学员能够正确、熟练地选择项目生命周期中，各阶段各场景中的技术、工具、方法，并根据项目实际情况灵活应用在项目管理中；掌握项目工具的设计思想，能根据项目实际情况设计和修改工具；提升学员对项目管理的全局眼光与思维方式。

第一篇项目管理基础

1.基础与导读

2.战略管理

3.项目、群、组合与资源

4.项目选择方法

第二篇体系解读与应用实践

5.项目管理过程组

6.十大知识领域

7.项目策划、定义方法与实践

8.项目资源预估方法及实践

9.项目网络方法及实践

10.风险管理方法及实践

11.合同管理方法及实践

12.质量管理方法及实践

13.全局方法及实践

课程三十八、数据分析专家之软技能 - 大道至简之软件开发从设计到编码全程实录

本课程从无到有，搭建一个简易版的电商平台，并从不同角度分析设计此项目各个主要模块和功能点，将会应用到除迭器模式以外的所有GoF设计模式，旨在演示设计模式在项目中的实际应用，以及如何针对不同情况进行功能设计，希望可以帮助大家敲开设计之门。

一、订单模块： 1)多模块的业务状态跟踪处理的方式 2)如何处理多模块循环引用、交叉引用的问题	二、仓储模块： 1)如何灵活的预留功能扩展。
三、成本核算管理： 1)如何动态的组装所需成本项。	四、编号生成器： 1)生成不重复的流水号，并支持各业务生成单独的流水号。 2)生成不同格式要求，不同生成算法的流水号 3)对不同的文号生成进行缓存 4)实现业务工作量监控，比如新增业务量达到阀值，暂停收取新业务等
五、消息模块： 1)如何设计消息交互模块 2)如何处理交互报文	六、权限模块： 1)如何实现API和SPI分离设计 2)如何设计公共级别的接口，并提供足够的灵活性进行扩展

课程三十九、数据分析专家之软技能 - 系统架构设计的原理、核心技术与案例分析

本课程首先围绕普通开发人员如何向架构师转型这一课题，从架构师的角色以及转型过程中会遇到的困难及其解决方法切入展开讨论，总领整个课程。课程主体部分
从软件架构体系结构、架构设计、技术体系等角度出发，详细介绍了架构师区别于一般开发人员所需要掌握的架构设计方法论与相关实践，包括架构风格与模式、领
域驱动设计、类与框架设计、分布式系统架构设计、微服务架构设计、各种主流的技术体系与实践等内容。然后针对软件架构系统工程、业务模型设计、敏捷方法与
实践、产品交付模型与质量控制等架构师所必须掌握的系统工程和过程管理知识以及应用进行详细阐述，确保其站在架构师的高度进行系统设计和开发完整生命周期
的全局管理。作为技术团队的领导者，架构师同样需要具备相应的综合能力，课程的最后对架构师所需的各项软能力做全面介绍。

一、程序员向架构师转型： 1）整体课程概述 2）架构设计基本概念和架构师角色剖析 3）软件架构过程以及架构师的视点和视角 4）程序员如何向架构师成功转型	二、软件架构体系结构： 1）软件架构体系结构概述 2）架构风格之分发-订阅风格、管道-过滤器风格、Map-Reduce风格等 3）架构模式之基本模式、对象- 关系行为模式、Web表现模式、分布模式等 4）架构模型之概念模型、领域模型、设计和代码模型等
三、架构设计： 1)领域驱动设计 2)类与框架设计 3)微服务架构设计

课程四十、数据分析专家之硬技能 - Spark基础--快学Scala（未来大数据处理的主流语言）

Scala是一种多范式的编程语言，其设计的初衷是要集成面向对象编程和函数式编程的各种特性。Scala运行于Java平台（Java虚拟机），并兼容现有的Java程序
。它也能运行于CLDC配置的Java ME中。目前还有另一.NET平台的实现，不过该版本更新有些滞后。Scala的编译模型（独立编译，动态类加载）与Java和Cdefault.html
一样，所以Scala代码可以调用Java类库（对于.NET实现则可调用.NET类库）。Scala包括编译器和类库，以及BSD许可证发布。学习Scala编程语言，为后续学习Spark奠定基础。

1）Spark的前世今生
2）课程介绍、特色与价值
3）Scala编程详解：基础语法
4）Scala编程详解：条件控制与循环
5）Scala编程详解：函数入门
6）Scala编程详解：函数入门之默认参数和带名参数
7）Scala编程详解：函数入门之变长参数
8）Scala编程详解：函数入门之过程、lazy值和异常
9）Scala编程详解：数组操作之Array、ArrayBuffer以及遍历数组
10）Scala编程详解：数组操作之数组转换

11）Scala编程详解：Map与Tuple
12）Scala编程详解：面向对象编程之类
13）Scala编程详解：面向对象编程之对象
14）Scala编程详解：面向对象编程之继承
15）Scala编程详解：面向对象编程之Trait
16）Scala编程详解：函数式编程
17）Scala编程详解：函数式编程之集合操作
18）Scala编程详解：模式匹配
19）Scala编程详解：类型参数
20）Scala编程详解：隐式转换与隐式参数
21）Scala编程详解：Actor入门

课程四十一、数据分析专家之硬技能 - 内存计算框架Spark

Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点。启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。本次课程将学习Spark的基本原理和使用方法。依据项目需求，掌握Spark的平台搭建技能，实践Spark RDD、Spark on YARN、Spark Streaming等模块衔接的技术手段和常用方法。

1）Spark初识入门
2）Spark核心RDD
3）Spark Core
4）Spark高阶应用

课程四十二、数据分析专家之 BI 扩展技能 - 高端微软BI商业智能（SSIS数据仓库、SSAS MDX多维数数据集、Ssrs实战）

微软BI（BI,BusinessInteligence），微软商业智能。微软BI是一套完善、完全集成的 BI 技术，能够帮助降低组织和分发信息的复杂度，同时获得竞争优势、整体更
明智的决策和更好的成果。Microsoft BI 通过三个层面或工作负载交付：数据仓库、报表与分析以及绩效管理。所有这一切都旨在提供整合的、全面的数据源和工
具，以帮助改进决策制订。在我们看来，Microsoft BI 的承诺就是：帮助组织内所有层面的决策者对其决策所支持的企业目标与计划充满信心。从技术层面上来讲,
Microsoft BI由三大部分以及其他的协同平台组成, 它们分别是SSIS, SSAS, SSRS以及与office, sharepoint产品. 通常我们所说的Microsoft BI, 指的主要是
SSIS, SSAS, SSRS三大部分. 通过这几个部分的学习, 我们就能建立起完善强大的BI体系, 这也是我们课程的最主要讲解的知识点。

1）商业智能的概念及初步体验
2）SSIS整体及常用对象概述
3）SSIS控件
4）SSIS表达式
5）SSIS实战
6）SSAS-前言及MDX基础
7）SSAS-MDX基本查询
8）SSAS-MDX基础函数
9）SSAS-MDX导航函数
10）SSAS-经典MDX语句

11）SSAS-开发多维数据库
12）SSAS-度量值详解
13）SSAS-KPI, 与多维数据集的交互和其他
14）SSAS-创建ADM_BF_SSAS以及小结
15）WEB报表-项目回顾以及搭建web框架
16）WEB报表-权限系统
17）WEB报表-使用ADOMD.NET
18）WEB报表-功能分析
19）SRS-前言
20）SSRS-基础报表

课程四十三、数据分析专家之 BI 扩展技能 - 中小型企业商业智能平台的开发和实现(数据仓库、BI系统、真实项目）

本课程以公共卫生领域高血压的管理为实际应用场景，为高血压管理系统建立数据仓库，进行数据分析。本课程一共分为四个章节，76讲。第一章主要介绍了商业
智能系统的发展，从商业智能的学科范围、演化史、应用案例到自然演化式的体系结构，以及面临的问题，再讲到数据仓库以及开发方法。第二章主要解析了数据仓
库的一些主要术语，例如，分区、粒度、维度、度量值、多维数据模型以及DW2.0。第三章讲述了如何设计数据仓库，引入了元数据的概念。第四章是整个课
程中课时最多的部分，花了比较多的时间从头到尾搭建了一个BI系统，最终是以Web Service的方式供第三方调用。

一、理论讲解部分：

1.商业智能系统的发展
2.数据仓库的主要术语解析
3.如何设计数据仓库

二、项目实战部分：

1. 操作性数据库的准备和分析
2.创建数据库、时间维度表
3.编写存储过程为时间维度表添加数据
4.建立其他维表
5.分析操作型数据库中的数据情况、确定分区和粒度、建立事实表
6.增加Gender维度,GZYS维度,Age维度并添加数据
7.Extract, Transform, Load-Sp框架搭建及编写
8.ODS表
9.修改调试ETL的存储过程
10.加入校验机制并完善ETL

阶段六、区块链（选修）

区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。所谓共识机制是区块链系统中实现不同节点之间建立信任、获取权益的数学算法。
区块链是比特币的底层技术，像一个数据库账本，记载所有的交易记录。这项技术也因其安全、便捷的特性逐渐得到了银行与金融业的关注。

一、课程介绍

1）区块链的发展
2）课程安排

3）学习目标

二、区块链的技术架构

1）数据层创世区块交易记录私钥，公钥和钱包地址
2）数据层 & 通讯层记账原理 Merkle 树和简单支付验证（SPV） P2P通讯数据通信和验证
3）共识层
4）激励层拜占庭将军问题与POW Pos DPos PBFT 挖矿交易费图灵完备和非完备

5）合约层比特币脚本以太坊智能合约 fabic智能合约 RPC远程调用
6）应用层
7）总结接口调用 DAPP的使用应用场景的部署重要概念和原理

三、环境搭建

1）以太坊以太坊介绍以太坊开发过程图形界面客户端使用供应链的应用保险领域的应用 DAO的介绍和应用
2）以太坊以太坊本地开发环境的搭建以太坊分布式集群环境的搭建

3）hyperledger项目fabric介 fabric介绍 fabric本地开发环境搭建 fabric分布式集群环境搭建

四、案例和DEMO

1）案例讲解支付和清结算公益行业的应用供应链的应用保险领域的应用 DAO的介绍和应用
2）Demo介绍发币和交易Demo

3）Demo介绍数据资产的确权和追溯

阶段七、金融量化交易投资系列课程

程序化交易：又称程式交易,发源于上世纪80年代的美国,其最初的定义是指在纽约股票交易所(NYSE)市场上同时买卖超过15只以上的股票组合；像高盛、摩根士丹利及德意志银行都是在各大交易市场程序化交易的最活跃参与会员。
本课程主要面向意愿从事金融量化交易人员、金融行业从业人员、金融策略开发人员及投资经验丰富而想实现计算机自动下单人员；主要讲解了证券期货程序化实现原理及过程，通过本课程的学习，您可以根据自己的意愿打造属于自己的量化投资交易系统；本课程主要用到的技术手段有：Python、Pandas、数据分析、数据挖掘机器学习等。

一、程序化交易数据获取与清洗讲解

1）数据的清洗与合成
2）K线图绘制

3）技术指标开发讲解
4）数据的获取

二、回测框架搭建讲解

1）回测框架搭建背景及基本流程讲解

2）回测框架实现及收益指标讲解

三、程序化交易部分实现讲解

1）CTP技术讲解
2）程序化API讲解

3）程序化交易具体实现讲解

阶段八、阿里云认证

课程四十四、云计算 - 网站建设：部署与发布

阿里云网站建设认证课程教你如何掌握将一个本地已经设计好的静态网站发布到Internet公共互联网，绑定域名，完成工信部的ICP备案。

课程四十五、云计算 - 网站建设：简单动态网站搭建

阿里云简单动态网站搭建课程教你掌握如何快速搭建一个WordPress动态网站，并会对网站进行个性化定制，以满足不同的场景需求。

课程四十六、云计算 - 云服务器管理维护

阿里云服务器运维管理课程教你掌握快速开通一台云服务器，并通过管理控制台方便地进行服务器的管理、服务器配置的变更和升级、数据的备份，并保证其可以正常运转并按业务需求随时进行配置的变更。

课程四十七、云计算 - 云数据库管理与数据迁移

阿里云云数据库管理与数据迁移认证课程掌握云数据库的概念，如何在云端创建数据库、将自建数据库迁移至云数据库MySQL版、数据导入导出，以及云数据库运维的常用操作。

课程四十八、云计算 - 云存储：对象存储管理与安全

阿里云云储存认证课程教你掌握安全、高可靠的云存储的使用，以及在云端存储下载文件，处理图片，以及如何保护数据的安全。

课程四十九、云计算 - 超大流量网站的负载均衡

掌握如何为网站实现负载均衡，以轻松应对超大流量和高负载。

课程五十、大数据 - MOOC网站日志分析

本课程可以帮助学员掌握如何收集用户访问日志，如何对访问日志进行分析，如何利用大数据计算服务对数据进行处理，如何以图表化的形式展示分析后的数据。

课程五十一、大数据 - 搭建企业级数据分析平台

模拟电商场景，搭建企业级的数据分析平台，用来分析商品数据、销售数据以及用户行为等。

课程五十二、大数据 - 基于LBS的热点店铺搜索

本课程可以帮助学员掌握如何在分布式计算框架下开发一个类似于手机地图查找周边热点（POI）的功能，掌握GeoHash编码原理，以及在地理位置中的应用，并能将其应用在其他基于LBS的定位场景中。
课程中完整的演示了整个开发步骤，学员在学完此课程之后，掌握其原理，可以在各种分布式计算框架下完成此功能的开发，比如MapReduce、Spark。

课程五十三、大数据 - 基于机器学习PAI实现精细化营销

本课程通过一个简单案例了解、掌握企业营销中常见的、也是必需的精准营销数据处理过程，了解机器学习PAI的具体应用，指导学员掌握大数据时代营销的利器---通过机器学习实现营销。

课程五十四、大数据 - 基于机器学习的客户流失预警分析

本课程讲解了客户流失的分析方法、流程，同时详细介绍了机器学习中常用的分类算法、集成学习模型等通用技能，并使用阿里云机器学习PAI实现流失预警分析。可以帮助企业快速、准确识别流失客户，辅助制定策略进行客户关怀，达到挽留客户的目的。

课程五十五、大数据 - 使用DataV制作实时销售数据可视化大屏

帮助非专业工程师通过图形化的界面轻松搭建专业水准的实时可视化数据大屏，以满足业务展示、业务监控、风险预警等多种业务的展示需求。

课程五十六、大数据 - 使用MaxCompute进行数据质量核查

通过本案例，学员可了解影响数据质量的因素，出现数据质量问题的类型，掌握通过MaxCompute（DateIDE）设计数据质量监控的方法，最终独立解决常见的数据质量监控需求。

课程五十七、大数据 - 使用Quick BI制作图形化报表

阿里云Quick BI制作图形化报表认证课程教你掌握将电商运营过程中的数据进行图表化展现，掌握通过Quick BI将数据制作成各种图形化报表的方法，同时还将掌握搭建企业级报表门户的方法。

课程五十八、大数据 - 使用时间序列分解模型预测商品销量

使用时间序列分解模型预测商品销量教你掌握商品销量预测方法、时间序列分解以及熟悉相关产品的操作演示和项目介绍。

课程五十九、云安全 - 云平台使用安全

阿里云云平台使用安全认证课程教你了解由传统IT到云计算架构的变迁过程、当前信息安全的现状和形势，以及在云计算时代不同系统架构中应该从哪些方面利用云平台的优势使用安全风险快速降低90%。

课程六十、云安全 - 云上服务器安全

阿里云云上服务器安全认证课程教你了解在互联网上提供计算功能的服务器主要面临哪些安全风险，并针对这些风险提供了切实可行的、免费的防护方案。

课程六十一、云安全 - 云上网络安全

了解网络安全的原理和解决办法，以及应对DDoS攻击的方法和防护措施，确保云上网络的安全。

课程六十二、云安全 - 云上数据安全

了解云上数据的安全隐患，掌握数据备份、数据加密、数据传输安全的解决方法。

课程六十三、云安全 - 云上应用安全

了解常见的应用安全风险，SQL注入原理及防护，网站防篡改的解决方案等，确保云上应用的安全。

课程六十四、云安全 - 云上安全管理

了解云上的安全监控方法，学会使用监控大屏来监控安全风险，并能够自定义报警规则，确保随时掌握云上应用的安全情况。

阶段九、职业素养

本课程主要为广大毕业生或者工作经验较少的学员而设立，主要是为了在职业素养方面给大家提供辅导，为更加顺利走向职场而提供帮助。

为什么有些同学在技能方面过关，却还是给予别人一种书生气的感觉？
为什么简历已经通过了，却还是没有通过HR的面试？
为什么入职后，与同事的沟通总是存在问题?
为什么每天的时间都不够用，无法兼顾生活学习和工作?
为什么学习一段时间后，对工作对职场没有方向感?
为什么遇到事情，别人总是能够保持良好心态游刃有余，而我总是问题百出？

COT课程正是引领大家一起来探索其中的奥秘和方法，让大家一起在学习过程中不断深思和进步，让大家的职场路越走越顺畅！

1）团队协作

2）心态管理

3）目标管理

4）时间管理

5）学习管理

6）沟通能力

7）项目管理

立即报名学习

一张图告诉你什么是数据分析师

运用不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。

懂业务

熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果就没有太大的使用价值。
懂管理

一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导；另一方面是针对数据分析结论提出有指导意义的分析建议。
懂分析

能够掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，对于开展数据分析起着至关重要的作用。
懂工具

数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。
懂设计

能够运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

不仅是职位颜值高薪资更是刁到爆发

业务数据分析师
年薪25万起
建模数据挖掘师
年薪30万
大数据分析师
年薪 20万起
首席数据分析师
年薪50万
大数据科学家
年薪50万

高级系统架构师
年薪50万
数据产品经理
年薪30万
业务数据挖掘师
年薪30万
高级数据产品经理
年薪40万
运维架构师
年薪60万

查看应聘条件

等级划分迅速找到自己的定位

Level1 业务数据分析师

学习条件

适合从事市场、管理、财务、供应、咨询等职位业务人员；非统计、计算机专业背景零基础入行和转行就业人员。

具备技能
● 概率统计基础知识
● EXCEL/SPSS/SAS软件应用
● 市场调研，数据报告
● 精准营销，客户画像
Level2 建模分析师

学习条件

两年以上数据分析岗位工作经验，或学习过Level1全部内容且通过 Level1考核

具备技能
● 数据挖掘算法
● 软件建模运用
● 行业案例演练
● 宏观业务决策
Level3 大数据分析师

学习条件

两年以上数据分析岗位工作经验，或学习过Level1全部内容且通过 Level1考核

具备技能
● 计算机、数理科学
● 业务模型优化
● 数据架构设计
● 运营数据资产
Level4 数据分析专家

学习条件

五年以上数据分析岗位工作经验，或学习过Level2/ Level3全部内容且通过考核。

具备技能
● 大数据编程技术
● 大数据架构设计
● 大数据管理分析
● 大数据项目实操

一个合格的大数据分析师应该掌握的技能

课程6大特色玩爆行业

01

专业 / 热门 / 前沿课程体系

数据挖掘/数据分析/数据仓库/商业智能/大数据技术/人工智能/机器学习/深度学习/项目管理/系统架构一个都不能少！
02

全面岗位技能

0基础入门，4 大阶段，26门课程，2000+ 学时，8 大软技能，16 大硬技能，17大行业经典案例，8大项目实战！
03

灵活的学习方式

在线学习/现场直播/线下面授多种学习方式供您选择，适合不同需求的学员。
04

定制学习计划

全智能自适应TPCS教学平台，收集并监控分析您的学习数据，为您量身订做学习计划！
05

全程干货实战为王

我们不仅仅在于数据挖掘/数据分析，算法理论上深入讲解，更是贯穿大量实战案例与企业常用工具配合使用，让你成为一个实战家，入职企业即能快速上手工作。
06

适合不同层次学员学习

无论您是刚毕业或在校大学生，还是您已经从事相关专业工作，只要您愿意，都可以选择学习本套课程，为您未来的更好的就业或晋级加薪充电加油！

17大行业经典案例快速提升

高端微软BI商业智能实战开发（SSIS数据仓库、SSAS MDX多维数据集、报表、Ssrs实战）
Scrapy框架和案例需求分析
机器学习实战
新闻爬虫、豆瓣爬虫
中小型企业商业智能平台的开发和实现(数据仓库、BI系统、真实项目实战)

6大项目实战

基于Hadoop技术实现的离线电商分析平台（Flume、Hadoop、Hbase、SpringMVC、highcharts）
基于Hadoop技术实现的离线电商分析平台（Flume、Hadoop、Hbase、SpringMVC、highcharts）
基于Hadoop技术实现的离线电商分析平台（Flume、Hadoop、Hbase、SpringMVC、highcharts）
大数据项目实战之Python金融应用编程(数据分析、定价与量化投资)
大数据项目实战之Python金融应用编程(数据分析、定价与量化投资)
大数据项目实战之Python金融应用编程(数据分析、定价与量化投资)

5大特色服务支持你成为企业精英

运用不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。

班主任

安排学员学习计划，做好学习指导，保证培训的进度及学习体验。
讲师

资深大数据教学专家亲自授课，手把手教学 , 直到学会。
项目经理

名企大数据实战专家，以企业真实项目为基础，深入浅出，透析本质。
就业老师

负责学员教务服务 , 关注学员的心理 , 定期沟通 , 收集企业招聘需求 , 推荐学员就业并对就业情况进行汇总分析。
职业规划

结合专业知识和相关资源，给予学员有关职业的适应、发展等方面的专业咨询、辅导、判断、建议。

彻底告别教科书时代 ACEDU引领革命

双模式教学，线上线下双管齐下

单一的线上学习或者单一的线下学习已经无法满足市场的要求了，自20006年开始就在研发教学平台，通过系统的管理对学生的学习做一个考核，保证学生学习的质量。
标准化管理，教学品质迅速提升

很多人问，到底是怎么来保证教学品质的，这要归结于自主研发的教学平台，通过标准化的管理对老师、学生作业进行管理，保证教学的质量。
海量资料库，集百家所长

教学经验所积累起来的资料，数据，问题以及经验软布都汇总在了一起 , 这是不菲的财富 ,对于学员来说，这是买不到的经验。
随时随地学习

所有作业、考试、课程都是通过平台来进行管控的，所以学生可以不受时间空间的限制，课堂听讲课后巩固，遇到难点，可以通过平台解决。