"熟练掌握数据科学领域最受欢迎的编程语言-Python
掌握使用Python和pandas库进行数据清洗和预处理
使用Python爬虫获取网络数据
学会使用matplotlib、seaborn进行初级可视化
学会使用Pyecharts进行高级数据可视化
学会构建机器学习算法进行分类、预测和聚类模型
使用Python进行数据分析整体思路、针对业务做出模型最优化选择
善用机器学习解决用户画像、精准营销、风险管理等商业问题
使用机器学习实操电商、金融、电信、医药行业真实项目案例"

"1章Python基础
1-1准备工作-Python开发环境配置
1-2Python标准数据类型
1-3控制流语句
1-4异常和错误（穿插在其他内容中讲）
1-5文件操作
2章Python进行数据整理和数据清洗
2-1Python标准库简介
2-2Numpy数组基础
2-3Pandas对象基础
3章python数据可视化（线上）
3-1绘图思想的基本原理
3-2Python数据可视化包-Matplotlib介绍
3-3使用Python数据处理包Pandas做可视化
3-4Python数据可视化包-Seaborn介绍与图形绘制
3-5Python数据可视化包-Pyecharts介绍与图形绘制
4章Python爬虫（线上）
4-1网络爬虫基础知识
4-2网络请求及响应-requests库
4-3HTML文档解析-BeautifulSoup库
4-4常见反爬虫机制及应对
4-5网络爬虫 VS 网络数据抓取
4-6实战一：批量下载头像
4-7实战二：抓取豆瓣书籍简介
4-8实战三：模拟浏览器selenium抓取电商商品信息及评论

5章Python数据清洗高级操作及案例实战
5-1数据的获取与存储
5-2数据探索
5-3数据清洗思维
5-4数据清洗实战案例一：泰坦尼克幸存者数据清洗（根据实际上课情况调整数据集）
5-5数据清洗实战案例二：USDA食品数据清洗（根据实际上课情况调整数据集）
6章Python编程考试（线上）
6-1Python基础部分
6-2Python数据清洗的实现
7章机器学习算法
7-1准备工作：开发环境配置（以文档的形式给出）
7-2机器学习入门介绍：
7-3scikit-learn入门：Scikit-Learn库简介
7-4KNN-最近邻分类算法：原理、实现
7-5决策树算法：原理、实现、相关技术应用及实例
7-6随机森林算法：原理、实现及相关技术应用：以乳腺癌预测为例
7-7K-Means聚类算法：原理、实现及簇选择与矢量化应用
7-8关联规则算法：原理、实现
7-9线性回归
7-10逻辑回归
7-11SVM支持向量机
7-12分类模型的评估指标（续）
7-13朴素贝叶斯算法
8章电商案例
8-1分析目标：
8-2基于国外大型电商用户购买信息数据的客户购买预测模型构建流程：
9章金融案例
9-1分析目标:
9-2基于大型金融公司的客户贷款信息，构建用户信用评分卡模型的建模步骤："

能讲简单的故事
为什么需要成为一个不错的讲故事的人?因为数据需要有人去澄清和简化它,而一个“好”的数据分析师必须能够做到这一点。清晰而自信地交流,或者表达他们认为听众可以很容易理解的主题,也能帮助决策者做出正确的决定,花更少的时间了解数据背后的意义。
对细节的关注
一个“合格”的数据分析师应该注意细节，这可以帮助他们在任何数据分析项目中质疑或管理可疑事件，从而避免出现代价高昂的错误。俗话说，“细节决定成败”。
商业的头脑
一个“合格”的数据分析师必须对业务操作有深刻的理解。在任何企业中，分析师都必须在商业上理解客户、自己团队中的人员、不同的部门和业务线，并且必须识别和区分他们的分析真实影响以及它如何影响企业的业务决策。
熟悉数据
熟练使用数据和通过数据分析解决公司问题的人才是一个好的数据分析师能力的体现，这些能力可以帮助分析师发现事物或数据中的错误。
重要的是能够看到思想或行动的分离，看到普通人会忽略的模式，并将那些不太明显的模式转化为商业意义。我们很少看到天生具有这种技能的人，但它是可以发展的。
良好的人际关系
一个“合格”的数据分析师必须善于与不同行业的每一个人沟通。一个“合格”数据分析师应该经常建立关系，因为他们将成为人与业务之间的中间人，需要增强与他人的交互，从而容易理解业务需求并交付优秀的数据分析项目。