21
141
¥ 59.00购买 ¥99.00 课程6.0折
开通会员,立省5.90元, 立即开通
立即购买

你将收获

系统掌握最实用数据分析方法,达到在不同场景中熟练运用的能力

获得从数据分析师到数据产品经理、数据科学家的进阶方法

了解大数据平台、数据应用系统、数据决策系统的设计思路

适用人群

对希望进入到数据分析行业,或者已经在做数据分析相关的工作同学

课程介绍

[入门数据分析的第一堂课]

这是一门为数据分析小白量身打造的课程,你从网络或者公众号收集到很多关于数据分析的知识,但是它们零散不成体系,所以第一堂课首要目标是为你介绍:

Ø  什么是数据分析-知其然才知其所以然

Ø  为什么要学数据分析-有目标才有动力

Ø  数据分析的学习路线-有方向走得更快

Ø  数据分析的模型-分析之道,快速形成分析思路

Ø  应用案例及场景-分析之术,掌握分析方法

[哪些同学适合学习这门课程]

想要转行做数据分析师的,零基础亦可

工作中需要数据分析技能的,例如运营、产品等

对数据分析感兴趣,想要更多了解的

[你的收获]

n  会为你介绍数据分析的基本情况,为你展现数据分析的全貌。让你清楚知道自己该如何在数据分析地图上行走

n  会为你介绍数据分析的分析方法和模型。这部分是讲数据分析的道,只有学会底层逻辑,能够在面对问题时有自己的想法,才能够下一步采取行动

n  会为你介绍数据分析的数据处理和常用分析方法。这篇是讲数据分析的术,先有道,后而用术来实现你的想法,得出最终的结论。

n  会为你介绍数据分析的应用。学到这里,你对数据分析已经有了初步的认识,并通过一些案例为你展现真实的应用。

[专享增值服务]

1:一对一答疑

         关于课程问题可以通过微信直接询问老师,获得老师的一对一答疑

2:转行问题解答

         在转行的过程中的相关问题都可以询问老师,可获得一对一咨询机会

3:打包资料分享

         15本数据分析相关的电子书,一次获得终身学习

课程讨论

课程逻辑结构很好,真的能够提供数据分析的方向和思路脉络的课程

请问如何下载课件啊

第一章讲的学习资料找谁领?

课程简单易懂,会继续学习。

课程讲的很好,结合老师自己的例子进行讲解,很通俗,会讲一些思维方式融入到例子中,特别好

讲的很好,对于数据分析应用有很大帮助,人也非常nice,有什么问题都乐意帮忙解惑

请问怎么下载电子书呀? 课程很好,比较系统,太适合新人了! 还有其他的进阶课程吗?

对于零基础的同学来说,课程还不错,讲解了数据分析的的框架及知识结构。

看了这么多数据分析的课程,张老师的课真的没的说,很有条理让我们知其然还要知其所以然,不是单单的告诉你该怎么做123,而是帮助搭建系统的思维框架和强化数据分析的应用理解能力,赞

课程讲解很细致,干货很多。快看完了,学习到很多专业知识!期待老师后续可以出更多进阶课程,支持!

同学笔记

  • qq_43214859 2020-10-23 16:27:20

    来源:离群点检测的方法、步骤及应用案例 查看详情

    离群点检测方法:发现与大部分对象不同的对象

    羊毛党识别

    故障设备识别

    欺诈检测

    特点:在大群体中找到不合群对象

    方法:

    基于统计:

    异常点识别

    箱型图分析

    基于临近度:一个对象的离群点得分是由它的最近邻的k个对象决定的

    1)确定临近点的个数k

    2)确定每个对象的邻近度

    3)确定异常对象

    基于密度:一个对象的离群点得分是该对象周围密度的逆

    1)确定临近点个数k

    2)确定每个对象的逆距离

    3)确定异常对象

     

  • qq_43214859 2020-10-23 15:10:18

    来源:关联分析的方法、步骤及应用案例 查看详情

    关联分析:如啤酒和尿布

    特点:1.没有标准答案

    2.可选答案无限

    3.是如何进行组合的问题

    获取最优的组合方案

    关联分析:发现隐藏在大型数据集下有意义的联系

    发现事务库中隐含的频繁项集

    1)支持度计数

    项X,Y同时出现的次数。

    2)计算支持度

    支持度=支持度计数/事务库事务总数

    3)置信度计数

    计算Y在X出现的事务中出现的次数

    4)计算置信度 

    项Y在项X出现的事务置信度=(X,Y)的置信度计数/项X出现的次数

    5)确定频繁项集

    按照预先设定的支持度和置信度确定频繁项集

     

    快速找到频繁项集

    常用算法:

    APripri:核心目标:降低产生频繁项集的复杂度。

    如果一个项集是频繁的,那么它的子集是频繁的

    如果一个项集是非频繁的,那么它的超级是非频繁的

    1)寻找频繁项集

    2)计算置信度

    confidence(A->B)=P(B|A)

    FP-Tree

     

     

  • qq_43214859 2020-10-23 14:21:19

    来源:聚类分析的方法、步骤及应用案例 查看详情

    在已知结果类别的时候使用分类分析方法。

    当未知结果类别,我们可以去根据对象的属性聚类推测可能的结果类别

    K-means

    以最小误差函数的值为最小为目标,按照预先设定的划分类别数量,采用距离作为相似性的评价指标,认为两个对象距离越近,相似度越大。

    计算步骤:

    1从样本选取k个对象为样本中心

    2分别计算样本到聚类中心的距离,进行分配

    3所有对象分配好,计算误差平方和SSE

    4重新选择样本中心,计算新的误差平方和sse

    5与上次作比较找到误差平方和较小得分类结果

    6当聚类中心不发生变化,停止并输出聚类结果

    SSE计算方法:

    距离计算方法:物理距离:欧几里得距离

    曼哈顿距离:所有坐标差得绝对值和

    聚类质量评估方法:

    误差平方和SSE作为度量聚类质量得目标函数。

    每个点到聚类中心的距离的平方和

    聚类不是目标,只是处理

    之后对聚类结果进行处理

    :1各分群的特点?

    :2对不同分区可采用的处理措施?

     

    k-中心点

     

    多层次聚类

     

     

     

    已知类别选择分类:

    未知类别选择聚类:

     

没有更多了