Python数据分析学习，资源教程下载

《Python数据分析》 升级版第二期

主讲老师：

梁斌  资深算法工程师

查尔斯特大学（Charles Sturt University）计算机博士，从事机器学习、计算机视觉及模式识别等相关方向的研究，在计算机视觉等国际会议及期刊发表10余篇学术论文。现就职于澳大利亚某科学研究机构，负责算法改进及其产品化、数据分析处理及可视化。

课程简介：

近两年来，数据分析师的岗位需求非常大，90%的岗位技能需要掌握Python作为数据分析工具，本课程以案例驱动的方式讲解如何利用Python完成数据获取、处理、数据分析及可视化方面常用的数据分析方法与技巧。

升级版第二期的课程更新内容：

本期课程在《Python数据分析》升级版的基础上，主要新增了探索性数据分析（Exploratory Data Analysis，EDA）、金融数据量化分析及深度学习基础等三大数据分析工具，覆盖了时下最前沿的数据分析技术。具体新增内容如下：

新增探索性数据分析，更好地结合数据可视化发掘数据的模式与特点

新增金融数据量化分析，更好地结合时间序列分析探索金融数据的发展趋势

新增深度学习基础，更好地结合机器学习探索人工智能的技术趋势

升级并调整全部随课项目，并提供更详细的分析步骤

系统性地将相关章节的项目整理成一个完整的项目，使学员能够更加充分地理解数据分析的流程和步骤

面向人群：

1. 想了解和学习典型的数据分析流程和实践方法的学习者

2. 想接触和学习非结构化数据(比如：文本、图像等)分析的学习者

3. 想学习数据分析中常用建模知识的相关从业人员

4. 尚不会使用Python的数据分析师从业者

5. 想转行从事数据分析师行业的学习者

6. 想使用Python实现金融数据分析、机器学习或深度学习的工程师

学习收益：

通过本课程的学习，学员将会收获：

1. 熟悉数据分析的流程，包括数据采集、处理、可视化、数据建模等

2. 掌握Python语言作为数据分析工具，从而有能力驾驭不同领域数据分析实践

3. 掌握非结构化数据的处理与分析、探索性数据分析及量化分析

4. 快速积累多个业务领域数据分析项目经验，包括金融数据、文本数据及图像数据

5. 掌握使用Python实现基于机器学习及深度学习的数据分析和预测

6. 掌握数据分析中常用的建模知识

开课时间：

2017年5月28日

学习方式：

在线直播，共10次课，每次2-3小时

每周2次（周六、日，晚上20:00 – 22:00）

注意：第一次课是5月28日晚上20:00 – 22:00

第二次课是5月29日晚上20:00 – 22:00

直播后提供录制回放视频，可在线反复观看，有效期1年

课程大纲：

第一课 工作环境准备及数据分析建模理论基础 (2-3课时)

1. 课程介绍

2. 数据分析的基本概念

3. Python简介和环境部署

4.  NumPy数据结构及向量化

5. 数据分析建模理论基础

a. 机器学习基础

b. 数据分析建模过程

c. 常用的数据分析建模工具

6. 实战案例1：使用Python实现蒙特卡洛模拟的期权估值

第二课 数据分析工具Pandas (2-3课时)

1. Pandas的数据结构

2. Pandas的数据操作

a. 数据的导入、导出

b. 数据的过滤筛选

c. 索引及多重索引

3. Pandas统计计算和描述

4. 数据的分组与聚合

5. 数据清洗、合并、转化和重构

6. 实战案例2-1：Lending Club借贷数据处理及初步分析

第三课 探索性数据分析(EDA)及数据可视化 (2-3课时)

1. 什么是EDA

2. 探索单变量、多变量的关系及其可视化

3. 3D绘图

4. 实战案例2-2：Lending Club借贷数据探索性分析及可视化

第四课 机器学习及scikit-learn(2-3课时)

1. 机器学习基本概念与流程

2. Python机器学习库scikit-learn

3. 常用评价指标

4. 分类预测模型– Logistic回归与Softmax回归

5. 实战案例2-3：Lending Club借贷违约预测

第五课 金融数据分析(1)–金融时间序列(2-3课时)

1. Pandas的时间处理及操作

2. 金融数据

3. 金融学图表

4. 高频数据分析

5. 实战案例3-1：股票收益率回归分析

第六课 金融数据分析(2)–量化分析 (2-3课时)量化分析基础

1. 量化策略建模流程及回测

2. 常用量化分析指标及框架

3. TA-Lib金融软件工具

4. 实战案例3-2：多因子策略模型

第七课 图像数据处理及分析 (2-3课时)

1. 基本的图像操作和处理

2. 常用的图像特征描述

3. 聚类模型：K-Means

4. 实战案例4：电影海报主色调聚类分析

第八课 深度学习及TensorFlow (2-3课时)

1. 人工神经网络及深度学习

2. TensorFlow框架学习及使用

3. TensorFlow实现卷积神经网络

4. 实战案例5：基于TensorFlow的101类图像识别(Caltech101)

第九课 文本数据分析 (2-3课时)

1. Python文本分析工具NLTK

2. 情感分析与文本分类

3. TensorFlow实现文本深度表示模型Word2Vec

4. 分类与预测模型– 朴素贝叶斯

5. 实战案例6：搜狐新闻数据分类

第十课 项目实战(2-3课时)

1. 交叉验证及参数调整

2. 特征降维与特征选择

3. 实战案例7：根据日常新闻预测股市动向

4. 课程总结

常见问题：

Q： 本课程需要什么基础？

A：有基本的大学数学基础， 掌握Python基本编程。

Q： 会有实际上机演示和动手操作吗？

A： 有，几乎每节课，老师均会准备上机演示部分，学员可以学习老师的实践经验。

Q： 本课程必须提前掌握Python吗？

A： 不是必须的，本课程将系统讲授Python编程语言。如果你熟悉其他编程语言Java、C、Scala，学习Python是很容易的。

资源下载

此资源下载价格为12学分，VIP免费，请先登录

充值比例 1元=1学分
资源失效，请咨询客服
客服QQ 980264305