2019年更新 微专业：数据分析师Python 从零开始学习 实战项目+网易案例+硅谷案例

冰点也疯狂

课程概况:
本微专业由城市数据团联合网易共同出品。城市数据团公众号、知乎等平台粉丝超30万，长期为政府、城市公共机构、地产商等提供城市级大数据产品及一体化解决方案。 网易教学团队则结合游戏、电商、教育、数据平台等一线产品真实案例，帮助学员进阶数据分析。课程还额外邀请了来自硅谷的数据科学家为大家揭秘世界级互联网公司的数据分析应用之道。
, _  W( N5 l4 a  h3 u3 N
包含课程:
  t' w/ n# H4 v% U01 数据思维导论：如何从数据中挖掘价值？
6 j2 F1 I# v" n6 i8 b8 Q第一章 数据能做什么？
( Z, s, b" @; U& T; q1.1 优秀数据分析师的三个特征
% K2 i( \/ q3 O/ @; g5 `7 o1.2 避免对数据可视化的误解
1.3 机器学习是什么？
1.4 用数据改变未来 第二章 课前入门指南
2.1 软件安装及资料准备
; ~* z8 |3 k9 D0 e; s" v
02 基础语言入门：从零开始学习Python
) `" l6 c& M) q- Q第一章 关于Python你需要知道的事儿
1.1 为什么选择Python？
1.2 集成开发环境及Python运行
9 v' |3 d1 G9 O7 K7 e: x1.3 Jupyter Notebook 与 Spyder

第二章 变量及数值类型
2.1 数值类型概述
2.2 认识变量
2.3 算数运算
2.4 逻辑运算
- w2 @1 U! c' [. Q$ d2.5 注释#

  |! G" K9 W" Q) y" `5 ]+ [3 }第三章 序列及通用操作
3.1 可变序列/不可变序列概述
, |. T$ [' J- Q# k& M+ X, A3.2 可变序列/不可变序列通用操作
" F$ K  K* t: t% m+ I5 t1 `8 n3.3 列表list常用操作
3.4 文本序列str常用操作
) D! b: B2 ]  e7 W* q
第四章 字典映射
4.1 字典dict基本概念
4.2 字典的元素访问及遍历
4 h" s* L$ m* l1 O: w4.3 字典常用操作
, ~' e( ?3 \# \& h0 l
第五章 条件判断及循环语句
5.1 什么是语句？
5.2 条件判断：if语句
5.3 循环语句：for / while 循环
4 i& }" n/ W: N; U& Y  j: O2 U( ^5.4 多重循环
# j- P+ J% O+ C" r# g4 [0 X( @( D
第六章 函数
6.1 函数的基本概念及调用
6.2 自定义函数
; T/ `$ ^2 j( \6 ^6 Z9 W6.3 局部变量及全局变量
6.4 匿名函数Lambda

) m0 v* S8 N9 Y第七章 模块与包
; X) b, ^* C% b" r( \1 i* |0 \7.1 什么是模块？
2 u, y  c8 [' c- E6 C7.2 模块创建及import指令运用
* `( N& n5 E5 Y- s2 F: M0 r7.3 “包”的概念及python包管理工具：pip
# T1 q; x4 Z( i2 q+ d( f8 A' n" e, ^3 p7.4 windows环境下的代码运行
7 L! S+ q9 `4 [5 R6 Z5 `
# g+ Z, N9 V' ]( ?/ s第八章 数据读写
% T0 `: G! X5 M; K8.1 文件对象声明及基本操作
9 @& a6 I" C. u8.2 系统模块下的路径操作
0 n) g1 L" W2 i& y9 T# u8.3 文件的读取与写入
8.4 pickle模块的运用

03 重点工具掌握：数据解析核心技巧
第一章 科学计算工具：Numpy
0 ]0 q# x# h8 G1 e1.1 什么是Numpy？
( l* A/ b' K& Z1.2 Numpy基础数据结构
$ O" }; J6 t' x$ R% q1.3 Numpy通用函数
9 |2 i# q8 y+ o1.4 Numpy索引及切片
/ ~9 {7 M: |  c; T; Z1.5 Numpy随机数
1.6 Numpy数据的输入输出

第二章 数据分析工具：Pandas
2.1 什么是Pandas？
) j: X* ^4 o6 C' ^2.2 Pandas数据结构：Series与Dataframe
2.3 Pandas基本技巧
4 o+ Z5 \9 V5 H' C+ v. v8 G3 |2.4 Pandas数据加载及查看
- _- `: m" M2 a2.5 Pandas数据提取及筛选
2.6 Pandas字段综合处理
$ _$ x4 m8 I, Z6 ^/ b2 K2.7 Pandas排序
2.8 Pandas数据缺失值处理
6 o7 G( D3 U0 s2.9 Pandas常用运算函数

) c5 T$ c+ B1 k0 y8 h3 o( `& E8 i% W- b第三章 图表绘制工具：Matplotlib
- E7 t2 P) W% |+ s( O5 F! P3.1 什么是Matplotlib以及Python下的图表制作逻辑
3 L  d% T7 O7 U) b3.2 Matplotlib图表制作通用函数
3.3 Matplotlib核心参数修改
/ L3 Y  w8 \) R; m* [. `7 F3.4 Matplotlib子图逻辑
3.5 Matplotlib制作线型图
7 g3 J4 A. @* r3.6 Matplotlib制作散点图
3.7 Matplotlib制作直方图
3.8 Matplotlib制作密度图
" K8 e! t, P! [3.9 Matplotlib制作散点图
3.10 Matplotlib其他图表制作及细节

第四章 空间分析工具：GIS
' E$ O5 @3 K  L4 X' ^# Z4.1 为什么选择GIS工具做空间分析？
4.2 空间数据类型及加载方法
4.3 空间划分方法概述
4.4 空间距离计算
4.5 空间数据统计及叠加
4.6 空间数据与python交互

/ H) @) y/ A; }: T第五章 你必须知道的数据源
/ g2 r1 T4 u! }3 U1 V5 ~5.1 国外公开数据
. W6 g! ^% f" M/ D$ j5.2 国内公开数据
8 F1 s, C, Y: F: y0 [% w5.3 城市数据团-数据库介绍
实战项目
项目03 知乎数据清洗整理和结论研究
项目04 视频网站数据清洗整理和结论研究

. w4 d- L- H& F$ z04 进阶算法学习：统计分析能力强化
# b/ D& s% ]! k! @' L8 T第一章 数据特征分析
: m, t- t$ s+ d/ \1.1 分布分析
1.2 对比分析
1.3 统计分析
) f* \" w- e. }4 ~- ]8 @9 B1.4 帕累托分析
4 q" B! X( J1 G- l1.5 正太性检测
1.6 相关性分析
1.7 主成分分析

$ S6 l, T% B; }* G8 {第二章 数据处理
2.1 缺失值处理
2.2 异常值处理
4 U; I+ N; _2 g, l. q2.3 数据一致性检验
& m6 m2 W& ?+ Q2.4 数据归一化
: Z( {& q& K! ?* u1 \2.5 数据连续属性离散化
: ^0 w5 @' I& ^, v' \2.6 数据规约
0 Q4 P) I4 `1 x( {! ^$ \
第三章 数学建模
2 ?! @  Z' W; L) W& y) h; Q$ Q3.1 回归
3.2 分类
7 P/ v# C$ j- f# C0 a& N3 ^" ?  K& k" F8 {3.3 聚类
" v) S  n, a. d4 Y$ R7 p3.4 蒙塔卡罗模拟

; m/ g- r6 F. `7 l, P实战项目
项目05 多场景下的算法构建
9 a. t, m$ x; u  O2 ^
- E, z# Y+ E* @: y0 V05 数据表达逻辑：结果输出及内容美化
第一章 数据可视化整体概述
( D- h/ `4 \4 T1.1 什么是数据可视化？
1.2 数据可视化技术体系及方向
1.3 数据图表表达的逻辑原理
5 ^. h& W+ ]& r- O7 w1.4 设计美学

& v2 n3 Y1 U# P- F7 h& c! Z第二章 Python数据可视化（一）：Seaborn
2.1 为什么选择Seaborn以及和Matplotlib的区别是？
  ~' I: _( U; x" S2.2 整体风格设置
2.3 色彩参数调整
) l+ N& J( r/ c2.4 简单图表制作及可视化
2.5 复杂图表制作及可视化
2.6 关系网络数据可视化
2.7 热力图可视化制作
2.8 其他图标制作及细节参数

第三章 Python数据可视化（二）：Bokeh
+ O" Q. g! K( {, {5 M: f2 D* R6 h3.1 什么是Bokeh及其可视化交互原理？
9 N5 J8 F1 N6 A, n9 \4 U2 }3.2 环境搭建
3.3 数据读取及基本参数设置
3.4 简单图表制作及可视化
3.5 复杂图表制作及可视化
- x% g4 n4 h% {' A3.6 HTML调用及数据交互
: `# C1 u/ B  \# Q# c- l8 \
第四章 关系网络数据可视化：Gephi
- Z( O- u; [$ z; V1 m/ c4.1 什么是关系网络图？
: O* F: r, C! C/ n2 f' X7 H4.2 数据准备及整理
- a2 m( H+ y/ V/ M% R9 d0 s4.3 数据组织及关系整理
/ g. U. g3 ?8 I/ m5 Z: H/ m4.4 数据读取
" p5 s" {$ O( C% [6 t3 P7 f4.5 核心参数设置
4.6 关系图表可视化表达
0 ~# [9 P) M* Y/ ?3 _- u% E0 `' c
; t4 f2 [+ m4 ~第五章 空间数据可视化
5.1 空间数据可视化工具概述
! g& g- E) G. V5.2 数据输出及整理
5.3 空间热力图表达
9 c' Z* V* B. G5.4 空间柱状图表达
% o: K$ Q; ]% L, s, A$ d5.5 空间线性轨迹图表达
5.6 其他空间图表可视化
" W7 T# \9 E  X$ e9 M. O! e
实战项目
% Q  t. U1 D$ \& F项目06 多场景下的图表可视化表达

06 数据挖掘项目实战
实战项目
8 d: C0 f" n$ C8 i5 t/ x" h. i项目07 城市餐饮店铺选址分析
项目08 电商打折套路解析
项目09 中国姓氏排行研究
项目10 房价影响因素挖掘
项目11 国产烂片深度揭秘
, V% x* p1 J3 N2 _项目12 中国城市资本流动问题探索
6 C) w, E, U: S% a& l. z项目13 社会财富分配问题模拟
* b  \4 E4 }9 e) a/ E0 A8 n& t/ Q4 L$ P项目14 婚恋配对实验
项目15 泰坦尼克号获救问题
) s: G/ J  X) r
07 网易游戏：数据时代的网络游戏设计与运营
0 j1 Y6 k& j+ T' b/ e讲师：宋威-网易盘古游戏部数据分析师
内容简介：在当下这个数据为王的时代，无论是产品设计还是运营决策，都需要倚重于数据。本课程从实际案例出发，就如何对游戏产生的海量数据进行分析，并应用于改进游戏的设计和指导运营策略进行讲解。
8 b7 n( J+ Q  R+ f# L' v% A; Y1 w8 k
08 网易严选：用户增长实践经验分享
讲师：周珍妮-网易严选资深数据分析师
内容简介：
1、用户发展路径——从哪里来，到哪里去？
2、基于用户的目标构建体系与目标管理——分析三板斧中的“对比”延伸；
3、用户增长的“量”与“质”的平衡；
4、用户增长的曲线路径——当用户增长乏力时该如何追求流水增长？
' N4 E( m. ?: ^  n* `* L
0 d2 |# N) i3 \6 o1 |* N09 网易教育：如何高效构建业务指标体系
讲师：吴彬彬 网易教育资深数据分析师
: m3 v1 h. F4 l& ~4 v  N内容简介：指标体系的搭建是数据分析工作中最基础也是最重要的能力，高效搭建符合业务的指标体系将会使后续数据分析工作事半功倍，该案例结合讲师网易教育相关的工作经历，深入浅出的讲解业务指标体系的构建思路及方法。
' s; r- o$ w2 I2 `: p
10 网易有数：数据平台在汽车行业中的应用
1 x, Z$ x% M* |) y) o, A0 m: P8 F讲师：王文开 网易资深数据产品经理
8 e0 @% M: |1 A- m1 \# g0 X. f* P内容简介：本课时会介绍网易有数这款企业级的敏捷分析平台，并通过几个真实的案例，介绍传统的汽车制造业如何利用网易有数快速从数据中发现业务问题，定位问题原因，找到解决问题的方法，从而获得业务增长。
3 I( J6 }- _/ o
11 硅谷实战：消费者行为分析机器预测
讲师：王志宇 Adobe数据科学家/斯坦福大学PHD
3 z9 M, G# r8 k( V$ s内容简介：
9 S' h7 R$ f% u. O0 R' H1、消费者数据介绍
（a）介绍Longitudinal Data的概念以及其广泛的适用范围, 例如消费者行为预测，多只股票联合预测等。
（b）消费者有历史行为数据， 我们既可以用一个用户本身的历史行为来预测该用户未来的行为，也可以用其他类似用户的行为来预测该用户的行为
2、Longitudinal Data 的模型以及对消费者的应用
（a）介绍混合模型的概念。
（b）举实例说明如何利用混合模型来预测消费者行为。例如在电商中（亚马逊， Adobe, 沃尔玛等）， 哪些消费者更有倾向购买本公司的产品，哪些客户可能在来年续订（取消）本公司的服务。
( m# l- I" t6 a% H2 y3、模型的评估以及衡量
（a）介绍ROC曲线的概念
* q! R5 L5 x1 c5 L, q+ X（b）评估分组建模和整体建模的优劣
# z; \2 T5 E" e2 k. W% f+ U
! ]/ e$ l' m: V' _' |  h6 F
来源: 2019年更新 微专业：数据分析师Python 从零开始学习 实战项目+网易案例+硅谷案例