课程目录

• 1_01-数据分析思维是什么
• 2_02-拥有数据分析的具体表现
• 3_03-如何培养自己的数据思维
• 4_04-数字、数据、数据分析
• 5_05-数据分析在企业中的地位
• 6_06-数据分析师的日常工作
• 7_07-数据分析的价值及必备能力
• 8_08-Excel2016的安装教程
• 9_09-Tableau安装教程
• 10_10-MySQL的安装教程
• 11_11-Python的安装教程
• 12_12-数据分析师为什么需要Excel
• 13_13-重新认识Excel
• 14_14.1-Excel的基本操作_01
• 15_14.2-Excel的基本操作_02
• 16_14.3-Excel的基本操作_03
• 17_15.1-Excel的数据处理_01
• 18_15.2-Excel的数据处理_02
• 19_16-Excel的基本公式
• 20_17.1-Excel的常用函数_01
• 21_17.2-Excel的常用函数_02
• 22_17.3-Excel的常用函数_03
• 23_17.4-Excel的常用函数_04
• 24_18-查找引用函数：VLOOKUP-OFFSET-MATCH-INDEX
• 25_19.1-Excel可视化_饼图&折线图
• 26_19.2-Excel可视化_条形图&散点图
• 27_19.3-Excel可视化_气泡图&雷达图&组合图
• 28_19.4-Excel可视化_对称比较图&瀑布图
• 29_19.5-Excel可视化_漏斗图&增维分析&动态图表
• 30_19.6-Excel可视化_商业图表
• 31_20-数据透视表
• 32_21【实操】使用Excel制作数据分析监控日报
• 33_22.1-【案例】使用Excel进行零售分析_01
• 34_22.2-【案例】使用Excel进行零售分析_02
• 35_22.3-【案例】使用Excel进行零售分析_03
• 36_23.1【案例】使用Excel搭建RFM模型_01
• 37_23.2【案例】使用Excel搭建RFM模型_02
• 38_24-Tableau简介&工作区介绍
• 39_25-Tableau简单图形绘制
• 40_26-Tableau仪表板、故事的创建
• 41_27.1【案例】进行靠谱投资01_投资概况
• 42_27.2【案例】进行靠谱投资02_投资风向及回报分析
• 43_27.3【案例】进行靠谱投资03_评估投资回报&探索投资模式
• 44_28.1【案例】优秀电影的制作01
• 45_28.2【案例】优秀电影的制作02
• 46_28.3【案例】优秀电影的制作03
• 47_29.1【案例】畅想世界旅行_01
• 48_29.2【案例】畅想世界旅行_02
• 49_30-数据库简介
• 50_31-MySQL基础知识：数据类型
• 51_32-MySQL基础知识：约束条件
• 52_33-MySQL的数据写入：手工建表
• 53_34-MySQL的数据导入：批量导入数据
• 54_35.1-MySQL的数据查询功能_01
• 55_35.2-MySQL的数据查询功能_02
• 56_35.3-MySQL的数据查询功能_03
• 57_36-基于CASE-WHEN的常用查询
• 58_37-几种常见的嵌套查询（子查询）
• 59_38-开窗函数
• 60_39-单表查询练习：彩票数据核对
• 61_40-复杂的多表查询
• 62_41-多表查询练习：电商数据查询
• 63_42-数据库的增删改操作
• 64_43【加餐1】高效查询方法
• 65_44【加餐2】SQL进阶之路
• 66_【SQL带刷】1-基础语法回顾和总结
• 67_【SQL带刷】2-力扣7大题型精讲（上）
• 68_【SQL带刷】3-力扣7大题型精讲（下）
• 69_【SQL带刷】4-力扣进阶SQL查询精讲（上）
• 70_【SQL带刷】5-力扣进阶SQL查询精讲（下）
• 71_45-Python基础语法
• 72_46-Python常用数据类型
• 73_47-Python复合数据类型：列表、元组、字典、集合
• 74_48-Python中的控制流语句
• 75_49-Python中的函数
• 76_50-异常与错误
• 77_51-数据分析基础包Numpy
• 78_52-Pandas读取外部数据的基本方法
• 79_53-数据清洗：数据探索及数据处理
• 80_54-数据清洗：文本数据的常用处理方法
• 81_55-Python中的可视化图形绘制方法
• 82_56【案例1】欧洲人口结构探索性分析
• 83_57【案例2】熟食电商高价值用户挖掘
• 84_58.1【案例3】QQ群聊天记录描述性分析
• 85_58.2【案例3】QQ群聊天内容词云图
• 86_PART1-数据分析师为什么要懂算法
• 87_PART2-初识机器学习算法库Scikit-Learn
• 88_PART3.1-sklearn建模流程及KNN算法原理
• 89_PART3.2-使用sklearn实现KNN算法建模
• 90_PART3.3-KNN算法调优：选取最优的K值
• 91_PART3.4-KNN中距离的相关讨论：常用距离衡量方式、数据归一化
• 92_PART3.5-数据处理的先后顺序及KNN算法优缺点
• 93_PART4.1-无监督聚类算法及其应用场景
• 94_PART4.2-Kmeans基本原理与sklearn实现
• 95_PART4.3-KMeans聚类算法重要参数详解
• 96_PART4.4-聚类算法的评估指标：簇内平方和&轮廓系数
• 97_PART4.5-对比RFM分组效果与聚类效果
• 98_PART4.6-使用极坐标图绘制不同分组的分布情况
• 99_PART4.7-使用python对原数据集进行清洗并建模
• 100_PART4.8-聚类算法在实际应用的注意事项
• 101_PART4.9-使用聚类算法进行图像压缩_代码讲解
• 102_PART4.10-使用聚类算法进行异常检测_代码讲解
• 103_PART5.1-决策树是如何工作的
• 104_PART5.2-CART分类树的建模流程
• 105_PART5.3-使用sklearn实现决策树建模
• 106_PART5.4-CART分类树的参数详解
• 107_PART5.5-实例：泰坦尼克号幸存者的预测
• 108_PART6.1-学习曲线&交叉验证
• 109_PART6.2-sklearn中的网格搜索
• 110_PART7.1-线性回归及其基本原理
• 111_PART7.2-多元线性回归的实现及回归类模型评估指标
• 112_PART7.3-实例：使用线性回归预测鲍鱼年龄
• 113_PART7.4-线性回归改进算法：岭回归
• 114_PART7.5-线性回归改进算法：LASSO
• 115_PART7.6-非线性问题：线性模型在非线性数据上的表现
• 116_PART7.7-非线性问题：多项式回归
• 117_PART8.1-名为“回归”的分类器：逻辑回归
• 118_PART8.2-逻辑回归在实际中的应用场景&优势
• 119_PART8.3-sklearn中的逻辑回归重要参数详解
• 120_PART8.4-使用sklearn实现逻辑回归
• 121_PART8.5-二分类中的样本不均衡问题
• 122_PART8.6-混淆矩阵及其衍生指标
• 123_PART8.7-ROC曲线&AUC面积
• 124_PART8.8-利用ROC曲线找出最佳阈值
• 125_PART8.9-【案例1】使用逻辑回归完成社交网络广告推荐的预测
• 126_PART8.10.1【案例2】数据概览及预处理
• 127_PART8.10.2【案例2】标签探索：离职员工状况概览
• 128_PART8.10.3【案例2】特征探索：员工满意度与离职之间的关系
• 129_PART8.10.4【案例2】特征探索：最新考核评估&参与项目数
• 130_PART8.10.5【案例2】特征探索：平均月工作时长&工作年限&工作事故
• 131_PART8.10.6【案例2】特征探索：岗位&薪资水平
• 132_PART8.10.7【案例2】特征工程&建模&模型调优
• 133_PART9.1-集成学习主要研究领域及简单集成技术
• 134_PART9.2-Bagging-VS-Boosting
• 135_PART10.1-随机森林原理及sklearn实现
• 136_PART10.2-弱评估器结构相关参数
• 137_PART10.3-随机性相关参数及属性详解
• 138_PART10.4-使用随机森林完成员工离职预测及调优
• 139_PART11.1-Boosting算法的基本要素和基本流程
• 140_PART11.2-梯度提升树的基本原理
• 141_PART11.3-GBDT分类和回归的sklearn快速实现
• 142_PART11.4-弱评估器数量相关参数及对模型的影响
• 143_PART11.5-迭代过程相关参数：学习率&初始值参数
• 144_PART11.6-GBDT的损失函数
• 145_PART11.7-模型复杂度和不纯度衡量指标相关参数
• 146_PART11.8-提前停止机制及相关参数
• 147_PART11.9-GBDT的袋外数据
• 148_PART11.10-GBDT的超参数优化
• 149_PART12.1-学习XGBoost的四个层次
• 150_PART12.2-XGBoost的安装与卸载
• 151_PART12.3-XGBoost分类和回归的sklearn实现
• 152_PART12.4-XGBoost重要参数详解：迭代过程相关参数
• 153_PART12.5-XGBoost的弱评估器
• 154_PART12.6-弱学习器的分枝&剪枝&随机性
• 155_PART12.7-XGBoost性能相关参数及超参数优化
• 156_PART13-机器学习算法的模型选择问题
• 157_【业务模型】01-业务分析模型概览
• 158_【业务模型】02-初学者如何学习业务分析方法
• 159_【业务模型】3.1-对比分析法
• 160_【业务模型】3.2-多维度拆解
• 161_【业务模型】3.3-漏斗分析法
• 162_【业务模型】3.4-公式拆解法
• 163_【业务模型】3.5-矩阵分析法
• 164_【业务模型】04-数据涨跌异动如何处理？
• 165_【业务模型】5.1-用户行为序列分析
• 166_【业务模型】5.2-用户行为路径分析
• 167_【业务模型】5.3-用户行为分析常用工具
• 168_【业务模型】5.4-用户留存分析
• 169_【业务模型】5.5-同期群分析
• 170_【业务模型】5.6【实操】使用python完成同期群分析
• 171_【业务模型】5.7.1-用户画像的两种概念
• 172_【业务模型】5.7.2-为什么要分析用户画像
• 173_【业务模型】5.7.3-不同行业的用户画像应用
• 174_【业务模型】5.7.4-用户画像体系搭建流程
• 175_【业务模型】6.1.1-什么是RFM模型
• 176_【业务模型】6.1.2-如何应用RFM模型
• 177_【业务模型】6.1.3-实操：RFM模型的实操项目
• 178_【业务模型】6.2.1-AARRR模型
• 179_【业务模型】6.2.2-使用AARRR模型实现用户增长（以网易云音乐为例）
• 180_【AB测试】01-AB测试的起源
• 181_【AB测试】02-AB测试的基本定义
• 182_【AB测试】03-AB测试在互联网巨头公司中的发展历程
• 183_【AB测试】04-为什么互联网热衷于AB测试
• 184_【AB测试】05-AB测试的实际应用场景
• 185_【AB测试】06-字节跳动是如何应用AB测试的
• 186_【AB测试】07【补充】AA测试
• 187_【AB测试】08【补充】多变量测试
• 188_【AB测试】09-AB测试基本流程：明确实验改动点、观测指标&计算样本量
• 189_【AB测试】10-AB测试基本流程：流量的分割
• 190_【AB测试】11-AB测试的基本流程：计算实验周期&灰度测试&结果评估
• 191_【AB测试】12-AB测试的基本原理：假设检验
• 192_【AB测试】13.1-AB测试面试常见角度
• 193_【AB测试】13.2.1【面试题】请描述一下什么是AB-test
• 194_【AB测试】13.2.2【面试题】AB测试的核心原理是什么？
• 195_【AB测试】13.2.3【面试题】AB测试有哪些应用场景？
• 196_【AB测试】13.2.4【面试题】有没有接触过AB-test，请说说你对AB测试的理解【滴
• 197_【AB测试】13.2.5【面试题】你怎么理解AB测试中的第一、二类错误？你觉得哪个更严重【
• 198_【AB测试】13.3.1【面试题】为什么要做AB测试？有什么科学依据？
• 199_【AB测试】13.3.2【面试题】AB测试成本很高，每个调整都需要做AB测试么
• 200_【AB测试】13.4.1【面试题】AB测试的主要流程是什么？
• 201_【AB测试】13.4.2【面试题】选择AB实验的样本时，需要注意什么【滴滴】
• 202_【AB测试】13.4.3【面试题】简要介绍AB测试，并给出样本量计算公式【拼多多、携程】
• 203_【AB测试】13.4.4【面试题】AB测试的实验周期如何选择？需要考虑哪些因素？过长或过短
• 204_【AB测试】13.4.5【面试题】如何进行合理的流量分割？
• 205_【AB测试】13.4.6【面试题】如何验证你的改进办法有效果？如何确定此功能上线收益？【快
• 206_【AB测试】13.4.7【面试题】请分析下AB测试的结果统计显著不等于实际显著，你怎么看？
• 207_【AB测试】13.4.8【面试题】若在AB测试中发现实验组核心指标明显优于对照组，那么这个
• 208_【AB测试】13.5-【场景类面试题示例】如何设计和分析一个AB测试来决定某项新功能是否上
• 209_【AB测试】14.1-AB测试的完整业务流程
• 210_【AB测试】14.2-AB测试的五大核心模块
• 211_【AB测试】14.3-业界流行的AB测试架构实现方案
• 212_【AB测试】15.1-应用实战：背景&AB测试流程
• 213_【AB测试】15.2-应用实战：设计AB-test实验
• 214_【AB测试】15.3-应用实战：数据分析&假设检验的Python实现
• 215_【游戏氪金】Ch-0-前言：数据概况与案例导读
• 216_【游戏氪金】Ch-1-游戏行业概览与游戏岗位招聘概况
• 217_【游戏氪金】Ch-2-从流量到用户到变现：手游的运营流程
• 218_【游戏氪金】Ch-3-甜蜜陷阱：你是如何一步步走向氪金的？
• 219_【游戏氪金】Ch-4-数据技术辅助游戏运营的6大典型场景
• 220_【游戏氪金】Ch-5.1-游戏数据的初步探索
• 221_【游戏氪金】Ch-5.2-标签探索：游戏的经营状况与关键经营指标
• 222_【游戏氪金】Ch-5.3-特征探索(1)：在线时长：用户流失状况监测
• 223_【游戏氪金】Ch-5.3-特征探索(2)：偏度：游戏对新手玩家的友好程度
• 224_【游戏氪金】Ch-5.3-特征探索(3)：游戏平衡性：氪金与战斗优势
• 225_【游戏氪金】Ch-5.3-特征探索(4)：左偏带来长尾：谁是异常玩家？
• 226_【游戏氪金】Ch-6.1-数据预处理：注册时间与氪金状况的关联
• 227_【游戏氪金】Ch-6.2-模型选择，benchmark的建立
• 228_【游戏氪金】Ch-6.3-特征工程(1)-根据业务模式新增特征
• 229_【游戏氪金】Ch-6.3-特征工程(2)-达成建模所需的统计假设
• 230_【游戏氪金】Ch-6.4-模型融合(1)-分类算法解决数据的偏态问题
• 231_【游戏氪金】Ch-6.4-模型融合(2)-GBDT回归的预测与调优
• 232_【异常检测】Ch-0-数据概况与案例导读
• 233_【异常检测】Ch-1-电商的核心价值：更高的交易效率
• 234_【异常检测】Ch-2-辨析电商交易模式：开放平台vs价值链整合
• 235_【异常检测】Ch-3-淘宝vs京东：迥然不同的盈利模式
• 236_【异常检测】Ch-4-异常订单检测：商家的帮手，平台的抓手
• 237_【异常检测】Ch-5.1-数据预处理(1)：基本特征探索与缺失值处理
• 238_【异常检测】Ch-5.2-数据预处理(2)：重复值与异常值处理
• 239_【异常检测】Ch-6.1-特征工程(1)-建立benchmark，分割训练集与测试集
• 240_【异常检测】Ch-6.2-特征工程(2)-基于时间与城市构建编码函数与特征衍生函数
• 241_【异常检测】Ch-6.3-特征工程(3)-简单变量的处理，连续型变量的处理方法
• 242_【异常检测】Ch-6.4-特征工程(4)-复杂离散型变量的特征衍生与编码
• 243_【异常检测】Ch-7.1-建模与调参(1)-验证特征工程效果，解决样本不均衡问题
• 244_【异常检测】Ch-7.2-建模与调参(2)-树的数量、学习率、控制过拟合
• 245_【异常检测】Ch-7.3-建模与调参(3)-基于软投票的模型融合
• 246_【广告投放】Ch-1.1-广告&营销的本质
• 247_【广告投放】Ch-1.2-4P营销理论：产品
• 248_【广告投放】Ch-1.3-4P营销理论：价格
• 249_【广告投放】Ch-1.4-4P营销理论：渠道与推广
• 250_【广告投放】Ch-1.5-互联网公司如何靠流量致富？
• 251_【广告投放】Ch-1.6-以抖音为例聊聊互联网企业的变现之路
• 252_【广告投放】Ch-2.1-广告投放的目的、渠道、形式及计费方式
• 253_【广告投放】Ch-2.2-如何衡量广告效果及优化广告策略
• 254_【广告投放】Ch-3.1-在线教育发展历程
• 255_【广告投放】Ch-3.2-在线教育已死？No，加时赛已开启
• 256_【广告投放】Ch-3.3-行业洗牌：数据从业者机会何在？
• 257_【广告投放】Ch-3.4-流量为王：在线教育的财富密码
• 258_【广告投放】Ch-3.5-在线教育的广告投放流程
• 259_【广告投放】Ch-3.6-在线教育广告投放案例分享（K12领域）
• 260_【广告投放】Ch-4.1-数据指标体系的重要性及判断标准
• 261_【广告投放】Ch-4.2-搭建指标体系的起点：理解业务
• 262_【广告投放】Ch-4.3-搭建指标体系：定目标&理流程
• 263_【广告投放】Ch-4.4-搭建指标体系：选指标&搭体系
• 264_【广告投放】Ch-5.1-案例基本背景及数据情况
• 265_【广告投放】Ch-5.2-【选学】互联网巨头们的数据库演变之路
• 266_【广告投放】Ch-5.3-【选学】创建python与数据库之间的连接
• 267_【广告投放】Ch-5.4【选学】将python中的DF数据导入数据库
• 268_【广告投放】Ch-5.5【选学】使用pandas完成数据库数据的读取和更新
• 269_【广告投放】Ch-5.6-数据分布情况及特征相关性分析
• 270_【广告投放】Ch-6.1-特征探索：各渠道流量基本情况
• 271_【广告投放】Ch-6.2-特征探索：渠道流量Top20分析
• 272_【广告投放】Ch-6.3-特征探索：渠道质量Top20分析
• 273_【广告投放】Ch-6.4-特征探索：投放总时间越长引流效果越好？
• 274_【广告投放】Ch-6.5-特征探索：不同投放时间下，渠道的流量和质量表现
• 275_【广告投放】Ch-6.6-特征探索：用户注册行为分析
• 276_【广告投放】Ch-6.7-特征探索：用户停留时间分析
• 277_【广告投放】Ch-6.8-特征探索：用户搜索行为分析
• 278_【广告投放】Ch-6.9-特征探索：用户访问深度分析
• 279_【广告投放】Ch-6.10-特征探索：广告卖点分析
• 280_【广告投放】Ch-6.11-特征探索：广告物料分析
• 281_【广告投放】Ch-6.12-特征探索：广告预算分析
• 282_【广告投放】Ch-6.13-特征探索总结
• 283_【广告投放】Ch-7.1-特征工程：数据预处理&编码&数据归一化
• 284_【广告投放】Ch-7.2-聚类分析在实际工作中的应用
• 285_【广告投放】Ch-7.3-建模分析：使用Kmeans聚类完成渠道分组
• 286_【广告投放】Ch-7.4-分组结果的可视化展示
• 287_【广告投放】Ch-7.5-业务应用：建模结果对业务的指导意义
• 288_【用户流失】Part-1.1-业务背景与Kaggle平台使用方法介绍
• 289_【用户流失】Part-1.2-数据字段解释与数据质量检验
• 290_【用户流失】Part-1.3-字段类型转化与缺失值填补
• 291_【用户流失】Part-1.4-异常值检测
• 292_【用户流失】Part-1.5-相关性分析
• 293_【用户流失】Part-1.6-数据探索性分析与可视化呈现
• 294_【用户流失】Part-2.1-数据重编码：OrdinalEncoder过程-
• 295_【用户流失】Part-2.2-数据重编码：OneHotEncoder过程
• 296_【用户流失】Part-2.3-转化器流水线：ColumnTransformer过程
• 297_【用户流失】Part-2.4-特征变换：数据标准化与归一化
• 298_【用户流失】Part-2.5-连续变量分箱：等宽、等频与聚类分箱
• 299_【用户流失】Part-2.6-连续变量分箱：目标编码与有监督分箱
• 300_【用户流失】Part-2.7-逻辑回归机器学习流构建与训练
• 301_【用户流失】Part-2.8-逻辑回归机器学习流超参数搜索调优
• 302_【用户流失】Part-2.9-自定义sklearn评估器网格搜索
• 303_【用户流失】Part-2.10-逻辑回归模型解释与特征系数解读
• 304_【用户流失】Part-2.11-决策树模型训练与优化
• 305_【用户流失】Part-2.12-决策树模型解释与结果解读
• 306_【数分报告】01-了解数据分析报告
• 307_【数分报告】02-数据分析报告类型——日常分析报告
• 308_【数分报告】03-数据分析报告类型——专题型分析报告
• 309_【数分报告】04-数据分析报告类型——综合性分析报告
• 310_【数分报告】05-数分报告元素——整体架构
• 311_【数分报告】06-数分报告元素——标题
• 312_【数分报告】07-数分报告元素——目录
• 313_【数分报告】08-数分报告元素——分析背景&目的&思路
• 314_【数分报告】09-数分报告元素——报告正文部分
• 315_【数分报告】10-数分报告元素——结论与建议&附录
• 316_【数分报告】11-数据分析报告制作流程
• 317_【数分报告】12-数据分析竞赛信息【加餐】
• 318_【数分报告】13-从0到1制作数据分析报告