2.模板应用
教你用可落地、易操作的数据科学思维和技术模板构建出优秀模型。
3.技术精进
聚焦策略分析技术及企业常用的分类、NLP、深度学习、特征工程等数据算法，只教实用干货，以专精技术能力提升业务效果与效率。
4.工具应用
课程中安排了Sklearn/LightGBM、Tensorflow/PyTorch、Transformer等工具的应用实现，并根据输出的结果分析业务需求，为进行合理、有效的策略优化提供数据支撑。
5.案例实战
课程涉及大量企业项目案例：精准营销预测、营销策略优化、客户行为分析、风险管理、客户管理、智能推荐、情感分析、反欺诈等，加持实战经验，为你进入名企做项目背书。

WHY
学习目标
1.熟练掌握数据挖掘全流程的Python实操，包括数据清洗算法、特征工程、数据建模、数据治理、数据可视化等
2.熟练掌握Python数据挖掘算法与实践，包括统计分析、统计模型、机器学习算法、深度学习算法、文本挖掘算法
3.灵活使用数据挖掘算法解决各行业的业务问题，通过策略优化和精准预测来解决运营、产品、营销方面的问题

WHO
1.学习对象和基础
2.有一定数学或统计、计算机基础与数据分析业务经验，希望脱产学习后转岗到数据挖掘岗者
3.希望提升数据挖掘技术的在职提升者
4.从事算法科学、深度学习等工作的科研人员、分析师与工程师等
5.产品、运营、营销、管理、咨询相关岗位从业者，希望增加数据分析技能与思维
6.参加CDA等级认证考试 LE

二，内容升级
1章预科学习
1-1数据库SQL
1-2Python 编程基础，Numpy
1-3数学与统计学基础

2章数据策略分析第1周
2-1用Python做数据分析，必会的库Pandas
2-2用Pandas做数据清洗与数据探索
2-3Python数据可视化库（Matplotlib，Seaborn）
2-4教育行业分析-学校学科教育可视化案例
2-5分析基础-数据分析的概念、过程、能力
2-6统计分析可视化
2-7企业经营分析-指标体系

3章数据策略分析第2周
3-1数据库MySQL实战应用
3-2Python连接SQL数据库
3-3零售电商多表分析案例
3-4统计分析（相关分析，方差分析）
3-5线性回归（建立模型和模型检验）
3-6经营问题识别-用户行为影响因素分析案例
3-7旅游行业分析-旅游线路之黄金周分析案例

4章数据策略分析第3周
4-1逻辑回归（模型的建立与估计，模型评估）
4-2分类与回归的结合
4-3信息压缩-主成分分析与因子分析（数据降维）
4-4用户流失分析-员工流失预警案例
4-5特征分析-区域经济因子分析
4-6客群分析-标签体系与与用户画像
4-7应用用户画像-美国某企业用户画像实战案例

5章数据策略分析第4周
5-1时间序列分析（ARIMA算法）
5-2带滞后项的线性回归
5-3销售额预测-线上平台销售额预测实战案例
5-4数据采集处理方法（数据采集，数据录入，数据预处理）
5-5市场调研案例
5-6产品目标人群分析-市场数据的应用案例

6章数据策略分析第5周
6-1层次聚类
6-2Kmeans聚类
6-3聚类分析评价方法-决策树应用
6-4用户分群-零售行业运营案例
6-5数字化工作方法
6-6运筹优化方法（线性规划与二次优化，基于业务流程的优化）
6-7数据管理（数据分类，数据建模，数据仓库和ETL）
6-8数字化运营综合案例-某机构营销响应概率预测与风险预测案例

7章数据策略分析第6周
7-1数据接入与大数据平台（附加内容）
7-2大数据平台技术架构与应用（分布式存储与计算，支持数据分析，大数据架构）（附加内容）
7-3数据挖掘导论
7-4KNN
7-5贝叶斯

8章机器学习进阶第7周
8-1带正则项的回归分析
8-2支持向量机(SVM)
8-3决策树（ID3, C4.5, CART）
8-4决策树的模型调优
8-5生存分析-病马死亡预测案例
8-6用户分类-保险行业用户分类分析

9章机器学习进阶第8周
9-1AdaBoost, 随机森林, GBDT, XGBoost, LightGBM
9-2聚类分析进阶（密度聚类，谱聚类）
9-3异常识别（孤立森林，局部异常因子）
9-4交易反欺诈-异常交易识别案例

10章机器学习进阶第9周
10-1关联规则（关联规则的概念，评估指标，Apriori算法）
10-2协同过滤
10-3产品组合策略-电信公司产品捆绑销售策略分析案例
10-4数据处理的前沿方法：特征工程概要
10-5特征工程（特征的建构、选择、转换、学习）
10-6深度神经网络（BP神经网络概述，架构）
10-7感知机及感知机的极限

11章机器学习进阶第10周
11-1文本分析（分词与词性标注，文本特征处理，关键词抽取、文本分类与聚类方法）
11-2文本与用户情绪分析-新闻文本分析案例

12章机器学习进阶第11周
12-1径向基网络
12-2卷积神经网络
12-3循环神经网络
12-4图像分析-手写数字自动识别
12-5自然语言处理-用户情绪自动识别
12-6实战项目-金融行业反欺诈

13章机器学习进阶第12周
13-1实战项目-信用评分卡
13-2实战项目-用户复购预测
13-3大型项目案例

14章机器学习进阶毕业周
14-1毕业答辩

15章拓展训练（选修课）
15-1互联网数字化运营【18课时】
15-2何为数据产品经理？【1课时】
15-3Python爬虫【15课时】
15-4Python办公自动化【10课时】
15-5人工智能(深度学习)实战之图像识别【6课时】
15-6采销、物流与供应链数据分析应用实战【10课时】 (需额外付费）
15-7Tableau数据可视化视频【1.5课时】(需额外付费）
15-8SPSS Modeler数据挖掘实战【34课时】（需额外付费）
15-9增长黑客入门【2.5课时】（需额外付费）

1.朝九晚九全程跟班答疑
助教线上服务时间由原先的上课期间答疑调整为课程持续期间答疑，包括中途休息时间；同时，每日答疑时间由原先的“朝九晚六”调整为“朝九晚九”，全面覆盖同学晚自习时间。

2.一对一督学
每个班级、每位同学、每月都会进行至少一次一对一辅导，询问同学学习状态、解决学员学习问题；同时，针对每个模块测试结果后10%的学员进行额外辅导，以确保学员能够跟上学习进度。

3.定期直播串讲
对于重难点知识和同学普遍反应的问题，助教将进行每周1-2次的晚自习串讲，串讲时常为2小时左右，且相关内容需要重新制作、有别于课程内容，帮助同学攻克重难点知识。

4.有问必答
助教线上服务要求有问必答，并能真正做到解决所有课程中遇到的问题。在原先每个班一个助教+一个班主任的配置下，调整为每个班2名助教+项目服务团队的模式，以确保快速、高质量的解决线上提问。

5.出勤率和进度监督
在课程持续期间，助教还需实时统计学员出勤情况，监督课堂纪律，跟进学习进度。除正常答疑外，服务团队会与班级同学保持沟通、给予正确指引，从而营造积极学习氛围。

6.作业与测试
在远程授课期间，每个课程会安排相关课后作业，确保同学课下能够进行适当练习，提升同学实时参与感、保证当日学习效果。除了作业，服务团队还会组织学员进行阶段性测试，以考试性质为主，主要考察学员对本阶段知识掌握程度。