
精心研發(fā) 培養(yǎng)金字塔尖的人才
12個(gè) “大廠”級(jí)項(xiàng)目實(shí)戰(zhàn)
80+ 生動(dòng)案例與解決方案
30人 專(zhuān)職教研學(xué)服團(tuán)隊(duì)
65% 項(xiàng)目課程占比
終身 CDA 數(shù)據(jù)人脈圈
以 CDA 認(rèn)證的 LEVEL II 和 LEVEL III 大綱為核心,目標(biāo)培養(yǎng)同時(shí)具有策略?xún)?yōu)化和數(shù)據(jù)挖掘能力的全棧數(shù)據(jù)挖掘人才,而非只懂“調(diào)算法包,跑代碼”的單一技能程序員。
課程內(nèi)容兼顧培養(yǎng)每位學(xué)員的雙向技能,既有解決數(shù)據(jù)挖掘流程問(wèn)題的橫向能力,又有解決數(shù)據(jù)挖掘算法問(wèn)題的縱向能力。
數(shù)據(jù)挖掘流程問(wèn)題的橫向能力要求學(xué)備從數(shù)據(jù)治理根源出發(fā)的思維,通過(guò)數(shù)字化工作方法來(lái)探查業(yè)務(wù)問(wèn)題,通過(guò)近因分析工具、宏觀根因分析等手段,再選擇業(yè)務(wù)流程優(yōu)化工具還是算法工具,而非“遇到問(wèn)題調(diào)算法包”。
數(shù)據(jù)挖掘算法縱向能力要求學(xué)生在使用算法解決微觀根因分析、預(yù)測(cè)分析的問(wèn)題上,根據(jù)業(yè)務(wù)場(chǎng)景來(lái)綜合判斷,洞察數(shù)據(jù)規(guī)律,使用正確的數(shù)據(jù)清洗與特征工程方法,綜合使用統(tǒng)計(jì)分析方法、統(tǒng)計(jì)模型、運(yùn)籌學(xué)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、文本挖掘算法,而非單一的機(jī)器學(xué)習(xí)算法。
數(shù)據(jù)挖掘算法方向,是目前IT互聯(lián)網(wǎng)行業(yè)熱門(mén)的職業(yè)方向,國(guó)內(nèi)數(shù)據(jù)挖掘人才的招聘市場(chǎng),不管是現(xiàn)階段還是未來(lái)的至少五年到十年內(nèi),都持續(xù)保持供不應(yīng)求的狀態(tài)。
數(shù)據(jù)挖掘工程師專(zhuān)注于用數(shù)據(jù)挖掘算法為企業(yè)挖掘數(shù)據(jù)中的金礦,為決策分析和預(yù)測(cè)分析提供強(qiáng)有力的支持,是提升企業(yè)核心競(jìng)爭(zhēng)力的關(guān)鍵人才。
數(shù)據(jù)挖掘工程師遍布互聯(lián)網(wǎng)、電商、搜索、社交等眾多熱門(mén)行業(yè),未來(lái)的人工智能、自動(dòng)駕駛領(lǐng)域也將是數(shù)據(jù)挖掘工程師的舞臺(tái),學(xué)會(huì)數(shù)據(jù)挖掘的你,也將是優(yōu)秀企業(yè)最需要的數(shù)字化人才。
數(shù)據(jù)治理驅(qū)動(dòng)因素、數(shù)據(jù)治理域、數(shù)據(jù)管理域、數(shù)據(jù)應(yīng)用域、如何開(kāi)展數(shù)據(jù)治理
解決企業(yè)數(shù)據(jù)治理問(wèn)題,理清企業(yè)數(shù)據(jù)邏輯,提高企業(yè)數(shù)據(jù)質(zhì)量與價(jià)值
領(lǐng)會(huì)數(shù)據(jù)分類(lèi)中的主數(shù)據(jù)、交易數(shù)據(jù)和元數(shù)據(jù)概念;理解數(shù)據(jù)庫(kù)建模中概念、邏輯、物理模型之間的關(guān)系;掌握數(shù)據(jù)治理方法與方向
EDIT數(shù)字化模型簡(jiǎn)介、業(yè)務(wù)探查(E)、問(wèn)題診斷(D)、業(yè)務(wù)策略?xún)?yōu)化和指導(dǎo)(I)、算法工具介紹(T)
解決企業(yè)數(shù)據(jù)采集,數(shù)據(jù)模型構(gòu)建,搭建數(shù)據(jù)之間的邏輯
領(lǐng)會(huì)數(shù)據(jù)分類(lèi)中的主數(shù)據(jù)、交易數(shù)據(jù)和元數(shù)據(jù)概念;理解數(shù)據(jù)庫(kù)建模中概念、邏輯、物理模型之間的關(guān)系;領(lǐng)會(huì)數(shù)據(jù)庫(kù)范式的概念、數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)集市、ETL過(guò)程;掌握關(guān)系模型與維度模型的使用場(chǎng)景
數(shù)據(jù)采集方法、數(shù)據(jù)模型管理
解決企業(yè)數(shù)據(jù)采集,數(shù)據(jù)模型構(gòu)建,搭建數(shù)據(jù)之間的邏輯
領(lǐng)會(huì)數(shù)據(jù)分類(lèi)中的主數(shù)據(jù)、交易數(shù)據(jù)和元數(shù)據(jù)概念;理解數(shù)據(jù)庫(kù)建模中概念、邏輯、物理模型之間的關(guān)系;掌握關(guān)系模型與維度模型的使用場(chǎng)景
Python標(biāo)準(zhǔn)數(shù)據(jù)類(lèi)型、控制流語(yǔ)句、自定義函數(shù)、異常和錯(cuò)誤、類(lèi)與面向?qū)ο缶幊?、Python連接數(shù)據(jù)庫(kù)操作、Python編程面試題集訓(xùn)
解決使用商業(yè)智能報(bào)表分析業(yè)務(wù)、監(jiān)控業(yè)務(wù)的問(wèn)題
具備Python代碼編寫(xiě)閱讀能力; 掌握基本的Python語(yǔ)法;熟悉面向?qū)ο蟮脑恚徽莆誔ython數(shù)據(jù)庫(kù)編程;
Numpy數(shù)組基礎(chǔ)操作、Pandas數(shù)據(jù)表的基本操作、Pandas數(shù)據(jù)探索、Pandas數(shù)據(jù)可視化、Python數(shù)據(jù)可視化包-Matplotlib介紹、Python數(shù)據(jù)可視化包-Seaborn介紹與圖形繪制
完成企業(yè)實(shí)際工作中的數(shù)據(jù)清洗、轉(zhuǎn)換等數(shù)據(jù)加工及可視化任務(wù),為后續(xù)機(jī)器學(xué)習(xí)打下基礎(chǔ)
掌握數(shù)據(jù)清洗的方法與技巧;掌握數(shù)據(jù)常用可視化的方法與技巧
實(shí)戰(zhàn)案例:斯德哥爾摩氣候可視化分析、餐飲訂單數(shù)據(jù)清洗與分析、文本數(shù)據(jù)分析之QQ聊天記錄可視化分析
實(shí)際項(xiàng)目檢驗(yàn)學(xué)習(xí)成果,學(xué)以致用,更加貼近實(shí)戰(zhàn)項(xiàng)目,達(dá)到學(xué)習(xí)價(jià)值
掌握Python綜合使用技能,掌握numpy與pandas的用法
先導(dǎo)課:抽樣方法、統(tǒng)計(jì)量及抽樣分布、參數(shù)估計(jì)與假設(shè)檢驗(yàn)、統(tǒng)計(jì)分析與Python實(shí)戰(zhàn)、線(xiàn)性規(guī)劃與二次優(yōu)化; 實(shí)戰(zhàn)案例:關(guān)于飲料消費(fèi)的統(tǒng)計(jì)學(xué)分析、快遞公司的路線(xiàn)策略?xún)?yōu)化
使用統(tǒng)計(jì)分析和運(yùn)籌學(xué)的基礎(chǔ)知識(shí)來(lái)解決與企業(yè)策略?xún)?yōu)化相關(guān)的問(wèn)題,比如快遞路線(xiàn)優(yōu)化問(wèn)題、商品價(jià)格定價(jià)策略問(wèn)題等等。
熟悉常見(jiàn)統(tǒng)計(jì)分布的特點(diǎn)與應(yīng)用;熟悉假設(shè)檢驗(yàn)的基本概念與方法;掌握T檢驗(yàn)、方差分析的方法步驟;掌握線(xiàn)性規(guī)劃與二次優(yōu)化
數(shù)據(jù)分析方法論介紹、方差分析、回歸分析、分類(lèi)數(shù)據(jù)分析、邏輯回歸、數(shù)據(jù)降維、時(shí)間序列分析、實(shí)戰(zhàn)案例:金融客戶(hù)行為特征分解與營(yíng)銷(xiāo)策略?xún)?yōu)化、汽車(chē)行業(yè)銷(xiāo)售預(yù)測(cè)與經(jīng)營(yíng)戰(zhàn)略?xún)?yōu)化、基于廣義線(xiàn)性模型的汽車(chē)保險(xiǎn)分類(lèi)定價(jià)策略的優(yōu)化、收益率的系列預(yù)測(cè)、基于時(shí)間序列的機(jī)
可完成電商、金融、互聯(lián)網(wǎng)等行業(yè)的用戶(hù)行為分析與預(yù)測(cè),商業(yè)策略分析等工作。
熟悉數(shù)據(jù)分析方法與步驟;掌握方差分析與應(yīng)用,回歸分析與應(yīng)用,分類(lèi)數(shù)據(jù)分析方法,時(shí)序數(shù)據(jù)的分析預(yù)測(cè)方法
用戶(hù)標(biāo)簽體系設(shè)計(jì)原理、用戶(hù)標(biāo)簽的制作方法、標(biāo)簽體系的用戶(hù)畫(huà)像應(yīng)用、實(shí)戰(zhàn)案例:用戶(hù)行為在營(yíng)銷(xiāo)活動(dòng)的價(jià)值分析、自動(dòng)預(yù)警指標(biāo)推送功能框架的搭建、app靜默用戶(hù)觸動(dòng)分析
可完成電商、金融、互聯(lián)網(wǎng)等行業(yè)的標(biāo)簽體系的設(shè)計(jì)與應(yīng)用任務(wù)。如構(gòu)建業(yè)務(wù)指標(biāo)體系、構(gòu)建用戶(hù)畫(huà)像等高價(jià)值工作。
掌握用戶(hù)標(biāo)簽體系設(shè)計(jì)原、熟悉用戶(hù)標(biāo)簽的制作方法、熟悉用戶(hù)畫(huà)像的應(yīng)用
數(shù)據(jù)挖掘概要、數(shù)據(jù)挖掘方法論、基礎(chǔ)數(shù)據(jù)挖掘技術(shù)、進(jìn)階數(shù)據(jù)挖掘技術(shù)
理解和辨別數(shù)據(jù)挖掘算法在企業(yè)不同的工作場(chǎng)景中的應(yīng)用,
熟悉數(shù)據(jù)挖掘的基本理論與技術(shù)
特征工程概要、特征建構(gòu)、特征選擇、特征轉(zhuǎn)換、特征學(xué)習(xí)
正確理解特征工程,為提高模型效果,正確使用特征工程方法做準(zhǔn)備
熟悉特征工程概念與原理;掌握特征工的構(gòu)建,特征工的選擇、轉(zhuǎn)換
KNN-最近鄰分類(lèi)算法:原理、實(shí)現(xiàn)、決策樹(shù)(分類(lèi)樹(shù)及回歸樹(shù))、聚類(lèi)分析
本階段課程學(xué)習(xí)基礎(chǔ)機(jī)器學(xué)習(xí)算法,有分類(lèi)算法與聚類(lèi)算法。這些算法可應(yīng)用在大部分的商業(yè)問(wèn)題中:如信用評(píng)分、客戶(hù)畫(huà)像等。
掌握KNN算法原理與基于Python的應(yīng)用;掌握決策樹(shù)算法原理、scikit-learn應(yīng)用以及算法優(yōu)化技巧;掌握K-means聚類(lèi)算法原理及應(yīng)用;熟悉保險(xiǎn)行業(yè)客戶(hù)分群意義;掌握決策樹(shù)算法在客戶(hù)分群中的實(shí)際運(yùn)用;
樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)、支持向量機(jī)、集成方法 實(shí)戰(zhàn)案例:航空客戶(hù)價(jià)值分析綜合案例、基于集成算法的乳腺癌疾病預(yù)測(cè)、基于神經(jīng)網(wǎng)絡(luò)的汽車(chē)燃油率預(yù)測(cè)
本階段課程學(xué)習(xí)高階機(jī)器學(xué)習(xí)算法與集成算法,這些算法在企業(yè)內(nèi)的應(yīng)用也比較多,如客戶(hù)流失預(yù)警、動(dòng)態(tài)定價(jià)、客戶(hù)細(xì)分、欺詐檢測(cè)、垃圾郵件檢測(cè)、圖像分類(lèi)與識(shí)別等。
掌握樸素貝葉斯算法原理與應(yīng)用;掌握常見(jiàn)神經(jīng)網(wǎng)絡(luò)算法的原理與應(yīng)用;掌握SVM算法原理與應(yīng)用,常見(jiàn)集成算法的原理;熟悉xgboost 、LightGBM算法原理;通過(guò)案例熟悉相關(guān)行業(yè)背景知識(shí),并熟練運(yùn)用算法;
關(guān)聯(lián)規(guī)則、序列模式、模型評(píng)估、實(shí)戰(zhàn)項(xiàng)目:推薦系統(tǒng)實(shí)戰(zhàn)
掌握推薦系統(tǒng)主要的算法,并能依據(jù)模型結(jié)果提供實(shí)際營(yíng)銷(xiāo)建議。
掌握關(guān)聯(lián)規(guī)則的核心原理與應(yīng)用;掌握序列算法的原理及應(yīng)用; 熟悉模型評(píng)估算法;掌握模型評(píng)估算法原理及應(yīng)用
實(shí)戰(zhàn)案例:以自動(dòng)機(jī)器學(xué)習(xí)技術(shù)開(kāi)發(fā)銀行業(yè)信用風(fēng)險(xiǎn)評(píng)分模型并進(jìn)行最佳模型調(diào)參、以類(lèi)別不平衡處理技術(shù)開(kāi)發(fā)銀行業(yè)中小企業(yè)信貸營(yíng)銷(xiāo)模型并進(jìn)行最佳模型調(diào)參、以半監(jiān)督式學(xué)習(xí)技術(shù)開(kāi)發(fā)電信業(yè)客戶(hù)流失模型并進(jìn)行最佳模型調(diào)參
可完成電商、金融、互聯(lián)網(wǎng)等行業(yè)中的分類(lèi)、預(yù)測(cè)問(wèn)題,如用戶(hù)購(gòu)買(mǎi)預(yù)測(cè)、垃圾郵件檢測(cè)、商品精準(zhǔn)推薦等等。
掌握自動(dòng)機(jī)器學(xué)習(xí)原理;熟悉類(lèi)別不平衡問(wèn)題的解決方法;掌握半監(jiān)督學(xué)習(xí)算法原理與應(yīng)用,模型優(yōu)化技巧
自然語(yǔ)言處理概要、分詞與詞性標(biāo)注、文本挖掘概要、關(guān)鍵詞提取
可解決工作中自然語(yǔ)言處理相關(guān)問(wèn)題,如輿情監(jiān)控、用戶(hù)情感分析、語(yǔ)義分析、KOL畫(huà)像等工作。
熟悉自然語(yǔ)言處理的基本概念;掌握分詞以及詞性標(biāo)注技術(shù),文本挖掘技術(shù)流程方法,信息檢索技術(shù)
實(shí)戰(zhàn)案例:金融信用評(píng)分卡風(fēng)控建模綜合項(xiàng)目實(shí)戰(zhàn)、以特征工程技術(shù)開(kāi)發(fā)文本情感分析模型、以深度學(xué)習(xí)技術(shù)開(kāi)發(fā)銀行業(yè)信用卡盜刷偵測(cè)模型、以圖像處理技術(shù)、深度學(xué)習(xí)及遷移學(xué)習(xí)技術(shù),開(kāi)發(fā)人臉口罩偵測(cè)模型
通過(guò)課程的學(xué)習(xí),能完成評(píng)分卡建模、情感分析模型構(gòu)建、信用卡盜刷偵測(cè)相關(guān)工作能力 。
綜合使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、自然語(yǔ)言處理算法來(lái)解決金融、銀行、AI科技等行業(yè)的場(chǎng)景應(yīng)用。
職業(yè)規(guī)劃、職場(chǎng)溝通力、團(tuán)隊(duì)協(xié)作力培養(yǎng)
了解職業(yè)現(xiàn)狀和前景,解決職業(yè)溝通和團(tuán)隊(duì)協(xié)作問(wèn)題
專(zhuān)職職業(yè)導(dǎo)師培養(yǎng)職業(yè)規(guī)劃、職場(chǎng)溝通、以及團(tuán)隊(duì)協(xié)作能力。
1V1面試技巧指導(dǎo)、簡(jiǎn)歷修改
解決面試技巧不足、簡(jiǎn)歷書(shū)寫(xiě)不專(zhuān)業(yè)問(wèn)題
專(zhuān)職就業(yè)老師1V1面試技巧輔導(dǎo)與簡(jiǎn)歷修改指導(dǎo)。
何為數(shù)據(jù)產(chǎn)品經(jīng)理?Python爬蟲(chóng)、Python辦公自動(dòng)化、數(shù)據(jù)挖掘項(xiàng)目選修項(xiàng)目
解決學(xué)員在不同數(shù)據(jù)崗位方向和行業(yè)方向的業(yè)務(wù)經(jīng)驗(yàn)和項(xiàng)目經(jīng)驗(yàn)不足的問(wèn)題。
根據(jù)學(xué)員面試方向、就業(yè)方向來(lái)選擇合適的選修課程來(lái)進(jìn)一步進(jìn)修。
對(duì)口專(zhuān)業(yè),高校數(shù)據(jù)科學(xué)、
統(tǒng)計(jì)相關(guān)專(zhuān)業(yè)在校生
職場(chǎng)晉升,從事數(shù)據(jù)相關(guān)崗位,
遇到職場(chǎng)晉升瓶頸
計(jì)算機(jī)相關(guān)
專(zhuān)業(yè)轉(zhuǎn)行人群
喜歡鉆研
數(shù)據(jù)科學(xué)的人群
涵蓋行業(yè)中的各個(gè)場(chǎng)景,運(yùn)用自動(dòng)機(jī)器學(xué)習(xí)技術(shù)、類(lèi)別不平衡處理技術(shù)、半監(jiān)督式學(xué)習(xí)技術(shù)、特征工程技術(shù)、深度學(xué)習(xí)技術(shù)、圖像處理技術(shù)、
深度學(xué)習(xí)及遷移學(xué)習(xí)技術(shù)等前沿挖掘模型,處理風(fēng)控、信貸、客戶(hù)流失、情感分析、人臉偵測(cè)等廣泛的行業(yè)應(yīng)用.
以自動(dòng)機(jī)器學(xué)習(xí)技術(shù)開(kāi)發(fā)銀行業(yè)信用風(fēng)險(xiǎn)評(píng)分模型并進(jìn)行最佳模型調(diào)參案例本項(xiàng)目將介紹如何將機(jī)器學(xué)習(xí)中的數(shù)據(jù)預(yù)處理、特征選擇、算法選擇、模型優(yōu)化等步驟,將其放在一個(gè)“黑箱”里,通過(guò)黑箱,我們只需要輸入數(shù)據(jù),就可以得到我們想要的模型預(yù)測(cè)結(jié)果。學(xué)習(xí)并掌握自動(dòng)機(jī)器學(xué)習(xí)的模型建構(gòu)方法,并以銀行業(yè)信用風(fēng)險(xiǎn)評(píng)分為例,進(jìn)行信用風(fēng)險(xiǎn)評(píng)分模型的自動(dòng)化。
以類(lèi)別不平衡處理技術(shù)開(kāi)發(fā)銀行業(yè)中小企業(yè)信貸營(yíng)銷(xiāo)模型并進(jìn)行最佳模型調(diào)參案例本項(xiàng)目將介紹多個(gè)類(lèi)別不平衡的處理方法,以有效地對(duì)少數(shù)類(lèi)別做正確的預(yù)測(cè),幫助組織制定適當(dāng)?shù)臎Q策,并節(jié)省許多成本與損失。學(xué)習(xí)并掌握多個(gè)目標(biāo)類(lèi)別分布不平衡的處理方法,并以銀行業(yè)中小企業(yè)信貸營(yíng)銷(xiāo)為例,進(jìn)行信貸營(yíng)銷(xiāo)模型的開(kāi)發(fā)。
以半監(jiān)督式學(xué)習(xí)技術(shù)開(kāi)發(fā)電信業(yè)客戶(hù)流失模型并進(jìn)行最佳模型調(diào)參案例,本項(xiàng)目將介紹多個(gè)半監(jiān)督式學(xué)習(xí)的方法,從未標(biāo)記目標(biāo)字段的數(shù)據(jù)中,找出一些模型比較有把握的預(yù)測(cè)結(jié)果當(dāng)作目標(biāo)字段的標(biāo)記,以提升整體分類(lèi)模型的預(yù)測(cè)效能。
本項(xiàng)目將介紹多個(gè)特征工程的技術(shù),從原始數(shù)據(jù)中,構(gòu)建、提取、并選擇好的特征,并建置一個(gè)文本情感分析預(yù)測(cè)模型。學(xué)習(xí)并掌握多個(gè)特征工程的技術(shù),并以文本情感分析預(yù)測(cè)為例,進(jìn)行情感分析預(yù)測(cè)模型的開(kāi)發(fā)。
本項(xiàng)目將通過(guò)利用信用卡的歷史交易數(shù)據(jù),進(jìn)行機(jī)器學(xué)習(xí),構(gòu)建信用卡反欺詐預(yù)測(cè)模型,提前發(fā)現(xiàn)客戶(hù)信用卡被盜刷的事件。學(xué)習(xí)并掌握常見(jiàn)信用卡盜刷的種類(lèi)及信用卡盜刷的偵測(cè)的方法。學(xué)習(xí)信用卡盜刷的業(yè)務(wù)邏輯,發(fā)現(xiàn)關(guān)鍵業(yè)務(wù)結(jié)點(diǎn),并掌握深度學(xué)習(xí)的建模能力。
本項(xiàng)目將以圖像處理技術(shù)并結(jié)合深度學(xué)習(xí)及遷移學(xué)習(xí),開(kāi)發(fā)人臉口罩偵測(cè)模型。學(xué)習(xí)并掌握?qǐng)D像處理、深度學(xué)習(xí)及遷移學(xué)習(xí)的技術(shù),并以人臉口罩偵測(cè)為例,進(jìn)行人臉口罩偵測(cè)模型的開(kāi)發(fā)。
解析數(shù)據(jù)分析業(yè)務(wù)全流程 厘清數(shù)字化人才技能需求
課程講師均為國(guó)內(nèi)數(shù)據(jù)挖掘領(lǐng)域、人工智能領(lǐng)域、咨詢(xún)領(lǐng)域一線(xiàn)專(zhuān)家,具備深厚的學(xué)術(shù)背景與行業(yè)經(jīng)驗(yàn)。
同時(shí)他們也都具備豐富的講課經(jīng)驗(yàn),累計(jì)講課經(jīng)驗(yàn)時(shí)長(zhǎng)超過(guò)10000小時(shí),授課能力得到長(zhǎng)期實(shí)踐與驗(yàn)證。
課程依據(jù)大量不同行業(yè)、不同崗位的企業(yè)內(nèi)訓(xùn)需求,結(jié)合主流的數(shù)據(jù)體系進(jìn)行課程研發(fā),課程內(nèi)容更符合市場(chǎng)需求
課程的底蘊(yùn)來(lái)自企業(yè)的信賴(lài),上百家企業(yè)需求提煉,課程更貼合企業(yè)訴求。
自2015年以來(lái),我們已為超過(guò)百家企業(yè)提供了內(nèi)訓(xùn)服務(wù),見(jiàn)證了企業(yè)從數(shù)據(jù)分析中實(shí)現(xiàn)真正價(jià)值的全過(guò)程,越來(lái)越多的企業(yè)要求全員掌握數(shù)據(jù)化思維,對(duì)數(shù)據(jù)人才需求十分迫切。
課程大綱依據(jù) CDA 的 「EDIT數(shù)字化人才模型」設(shè)計(jì)研發(fā)。CDA是數(shù)據(jù)人才認(rèn)證標(biāo)準(zhǔn),在國(guó)內(nèi)由中成協(xié)大數(shù)據(jù)專(zhuān)業(yè)委員會(huì)監(jiān)管
并是經(jīng)國(guó)標(biāo)委發(fā)布認(rèn)定的數(shù)據(jù)分析師人才標(biāo)準(zhǔn)
該模型體現(xiàn)層次和縱深兩個(gè)方面
層次方面:強(qiáng)調(diào)戰(zhàn)略、管理、操作三個(gè)層級(jí)的業(yè)務(wù)部門(mén)人員均借助數(shù)據(jù)支持創(chuàng)造性的優(yōu)化業(yè)務(wù)流程。 縱深方面:以數(shù)據(jù)使用區(qū)分企業(yè)的前、中、后臺(tái),數(shù)據(jù)用戶(hù)即業(yè)務(wù)人員,數(shù)據(jù)加工者即技術(shù)人員。
專(zhuān)業(yè)度
師資
授課形式
講師經(jīng)驗(yàn)
課程內(nèi)容
課程體系
內(nèi)容覆蓋理論
內(nèi)容覆蓋行業(yè)
項(xiàng)目課
課程迭代
學(xué)習(xí)效果
IT培訓(xùn)機(jī)構(gòu)臨時(shí)開(kāi)設(shè)課程
本科IT程序員為主
視頻自學(xué),有惑難解
以軟件開(kāi)發(fā)經(jīng)驗(yàn)為主,與數(shù)據(jù)科學(xué)相關(guān)性不大
無(wú)授課經(jīng)驗(yàn)或IT開(kāi)發(fā)授課經(jīng)驗(yàn)為主
工具堆砌
課程內(nèi)容東拼西湊不成體系
機(jī)器學(xué)習(xí)為主
互聯(lián)網(wǎng)企業(yè)為主
視頻自學(xué)與視頻直播為主
無(wú)
視頻自學(xué)一年,不敢面對(duì)崗位
學(xué)員綜合素質(zhì)測(cè)評(píng)
定制專(zhuān)屬職業(yè)路徑規(guī)劃
發(fā)放預(yù)習(xí)視頻
課前預(yù)習(xí)督導(dǎo)
學(xué)情回訪督學(xué)
班組長(zhǎng)會(huì)議
關(guān)懷學(xué)員會(huì)議
班級(jí)會(huì)議
建立學(xué)員成長(zhǎng)日記
意見(jiàn)收集反饋
1v1答疑
階段測(cè)試
共性問(wèn)題串講
面試中技術(shù)支持
CDA 數(shù)據(jù)人脈圈
獵頭內(nèi)推服務(wù)
免費(fèi)CDA活動(dòng)
免費(fèi)資料
項(xiàng)目眾包
簡(jiǎn)歷優(yōu)化
面試教練
職業(yè)咨詢(xún)
面試邀約
市場(chǎng)趨勢(shì)分析
簡(jiǎn)歷指導(dǎo)
數(shù)據(jù)分析業(yè)務(wù)流
面試技巧
萬(wàn)人報(bào)名
千人參加
行業(yè)大咖
盡情交流
專(zhuān)屬實(shí)名制社群
線(xiàn)上線(xiàn)下不定期分享
分享適合你的
數(shù)據(jù)分析報(bào)告
領(lǐng)域研習(xí)交流
行業(yè)大牛講座
技術(shù)大牛分享
緊跟科技前沿
上百家企業(yè)
獵頭對(duì)接
助力職場(chǎng)晉升
突破職業(yè)瓶頸