數(shù)據(jù)分析實(shí)用技術(shù)：阿里云大數(shù)據(jù)分析師ACP認(rèn)證培訓(xùn)教程

目 錄
第1章 大數(shù)據(jù)分析領(lǐng)域職業(yè)介紹
1．1 職業(yè)路徑
1．1．1 大數(shù)據(jù)職業(yè)生態(tài)
1．1．2 大數(shù)據(jù)工程師職業(yè)方向
1．1．3 大數(shù)據(jù)分析師職業(yè)方向
1．1．4 大數(shù)據(jù)工作入門
1．2 技能要求
1．2．1 基本職業(yè)素養(yǎng)
1．2．2 從數(shù)據(jù)中挖掘金礦
1．2．3 大數(shù)據(jù)工程師的技能要求
1．2．4 大數(shù)據(jù)分析師的技能要求
1．3 工作情況
1．3．1 典型的工作狀態(tài)
1．3．2 大數(shù)據(jù)職業(yè)的現(xiàn)狀
1．4 職業(yè)前景
1．4．1 大數(shù)據(jù)職業(yè)的發(fā)展
1．4．2 大數(shù)據(jù)的未來
1．4．3 大數(shù)據(jù)職業(yè)的規(guī)劃
第2章 初識(shí)大數(shù)據(jù)
2．1 大數(shù)據(jù)的基礎(chǔ)知識(shí)
2．1．1 什么是大數(shù)據(jù)
2．1．2 大數(shù)據(jù)為什么重要
2．1．3 大數(shù)據(jù)的維度
2．2 大數(shù)據(jù)的類型
2．2．1 結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)
2．2．2 幾個(gè)大數(shù)據(jù)的例子
2．3 大數(shù)據(jù)的行業(yè)應(yīng)用
2．4 企業(yè)面臨的大數(shù)據(jù)挑戰(zhàn)類型
2．4．1 大數(shù)據(jù)從何而來
2．4．2 企業(yè)如何獲取大數(shù)據(jù)
2．4．3 大數(shù)據(jù)的存儲(chǔ)問題
2．4．4 大數(shù)據(jù)對分析人才的要求
2．4．5 大數(shù)據(jù)帶來的挑戰(zhàn)類型
第3章 數(shù)據(jù)庫基礎(chǔ)
3．1 數(shù)據(jù)庫簡介
3．1．1 數(shù)據(jù)管理技術(shù)發(fā)展史
3．1．2 數(shù)據(jù)庫的應(yīng)用
3．1．3 數(shù)據(jù)庫系統(tǒng)概述
3．2 關(guān)系型數(shù)據(jù)庫
3．2．1 數(shù)據(jù)模型概述
3．2．2 關(guān)系數(shù)據(jù)模型
3．2．3 E-R數(shù)據(jù)模型
3．2．4 關(guān)系型數(shù)據(jù)庫的設(shè)計(jì)原則
3．3 數(shù)據(jù)倉庫
3．3．1 數(shù)據(jù)倉庫的歷史
3．3．2 數(shù)據(jù)倉庫系統(tǒng)的組成
3．3．3 ETL
3．3．4 數(shù)據(jù)倉庫與操作型數(shù)據(jù)庫的關(guān)系
3．4 Hadoop與分布式數(shù)據(jù)存儲(chǔ)
3．4．1 大數(shù)據(jù)對存儲(chǔ)技術(shù)的挑戰(zhàn)和Hadoop的起源
3．4．2 Hadoop生態(tài)圈及系統(tǒng)架構(gòu)
3．4．3 Hadoop應(yīng)用場景
3．4．4 Hadoop局限性
3．5 阿里云MaxCompute
3．5．1 MaxCompute簡介
3．5．2 MaxCompute的基本概念
3．5．3 MaxCompute數(shù)據(jù)的導(dǎo)入導(dǎo)出
3．5．4 MaxCompute SQL
3．5．5 函數(shù)
3．5．6 MaxCompute MapReduce
3．5．7 MaxCompute權(quán)限與安全
3．6 常用Linux指令簡介
3．6．1 安裝和登錄指令
3．6．2 文件處理指令
3．6．3 系統(tǒng)管理相關(guān)指令
3．6．4 網(wǎng)絡(luò)操作指令
3．6．5 系統(tǒng)安全相關(guān)指令
3．6．6 其他指令
第4章 數(shù)據(jù)分析工具與語言
4．1 SQL基礎(chǔ)
4．1．1 SQL簡介
4．1．2 MySQL數(shù)據(jù)類型
4．1．3 數(shù)據(jù)定義語言
4．1．4 數(shù)據(jù)操作語言
4．1．5 join
4．1．6 數(shù)據(jù)表的合并、交集
4．1．7 SQL實(shí)用函數(shù)
4．2 MapReduce
4．2．1 MapReduce Job
4．2．2 MapReduce主程序
4．2．3 MapReduce主程序運(yùn)行詳解
4．2．4 MapReduce數(shù)據(jù)流與控制流詳解
4．2．5 MapReduce小結(jié)
4．3 Hive
4．4 Pig
4．5 HDFS
4．5．1 HDFS的相關(guān)概念
4．5．2 HDFS的基本操作
4．5．3 HDFS常用的Java API介紹
第5章 數(shù)據(jù)可視化
5．1 數(shù)據(jù)可視化概念
5．1．1 數(shù)據(jù)可視化的定義與原則
5．1．2 數(shù)據(jù)可視化的設(shè)計(jì)思路
5．2 數(shù)據(jù)可視化元素
5．2．1 表格
5．2．2 柱狀圖
5．2．3 折線圖
5．2．4 餅圖
5．2．5 地圖
5．2．6 散點(diǎn)圖
5．2．7 其他常見圖
5．3 數(shù)據(jù)可視化設(shè)計(jì)原則
5．4 DataV設(shè)計(jì)
5．5 BI報(bào)表設(shè)計(jì)
第6章 數(shù)據(jù)項(xiàng)目質(zhì)量控制
6．1 數(shù)據(jù)質(zhì)量控制理論
6．1．1 數(shù)據(jù)質(zhì)量的五個(gè)維度
6．1．2 臟數(shù)據(jù)類型
6．2 評(píng)估數(shù)據(jù)的質(zhì)量及其對項(xiàng)目的影響
6．2．1 數(shù)據(jù)如何創(chuàng)造價(jià)值――DIK
6．2．2 數(shù)據(jù)質(zhì)量問題對企業(yè)創(chuàng)造價(jià)值的影響
6．3 數(shù)據(jù)預(yù)處理
6．3．1 數(shù)據(jù)預(yù)處理的五大步驟
6．3．2 數(shù)據(jù)清洗場景
6．3．3 臟數(shù)據(jù)清洗過程
6．3．4 臟數(shù)據(jù)與臟數(shù)據(jù)清洗的基本方法
6．3．5 臟數(shù)據(jù)處理的案例
6．3．6 SQL處理臟數(shù)據(jù)示例
6．4 數(shù)據(jù)脫敏
6．4．1 確定數(shù)據(jù)脫敏對象
6．4．2 隱私數(shù)據(jù)泄露類型
6．4．3 隱私數(shù)據(jù)脫敏的要求
6．4．4 常見的數(shù)據(jù)脫敏算法
6．5 數(shù)據(jù)項(xiàng)目質(zhì)量控制的類型
第7章 數(shù)據(jù)編程基礎(chǔ)
7．1 面向分析的數(shù)據(jù)編程范例
7．1．1 數(shù)據(jù)項(xiàng)目的特點(diǎn)
7．1．2 數(shù)據(jù)項(xiàng)目編程的流程
7．1．3 面向分析的數(shù)據(jù)編程范例
7．2 編程效率和程序運(yùn)行效率
7．2．1 編程效率
7．2．2 程序運(yùn)行效率
7．3 編程質(zhì)量控制流程
第8章 數(shù)據(jù)項(xiàng)目設(shè)計(jì)與執(zhí)行
8．1 數(shù)據(jù)分析項(xiàng)目計(jì)劃管理流程
8．2 數(shù)據(jù)項(xiàng)目設(shè)計(jì)方法
8．2．1 項(xiàng)目目標(biāo)
8．2．2 背景調(diào)查
8．2．3 分析范圍
8．2．4 分析結(jié)果交付形式
8．3 數(shù)據(jù)分析項(xiàng)目的分類
8．4 項(xiàng)目前分析和項(xiàng)目績效考評(píng)
第9章 數(shù)據(jù)分析技術(shù)
9．1 指標(biāo)體系
9．1．1 績效指標(biāo)(KPI)的定義
9．1．2 企業(yè)構(gòu)建指標(biāo)體系
9．1．3 平衡計(jì)分卡常見指標(biāo)
9．2 數(shù)據(jù)分析
9．2．1 數(shù)據(jù)分析的定義
9．2．2 數(shù)據(jù)分析的目的
9．2．3 數(shù)據(jù)分析的作用
9．3 探索性數(shù)據(jù)分析(EDA)
9．3．1 EDA簡介
9．3．2 單一變量探索性分析
9．3．3 多變量探索性分析
9．4 探索性數(shù)據(jù)分析應(yīng)用案例
9．4．1 情況介紹
9．4．2 數(shù)據(jù)介紹
9．4．3 EDA探索分析遵循銀行政策情況
9．4．4 EDA探索分析懶惰的銀行客戶代表
9．4．5 EDA探索分析銀行客戶代表是否執(zhí)行了有效的溝通
9．5 EDA中的指標(biāo)變換形式
9．5．1 總量指標(biāo)
9．5．2 相對指標(biāo)
第10章 常用數(shù)據(jù)挖掘技術(shù)
10．1 決策樹
10．1．1 決策樹概述
10．1．2 信息熵
10．1．3 ID3算法
10．1．4 C4．5算法
10．1．5 CART算法
10．2 聚類分析
10．2．1 聚類概述
10．2．2 樣本間距離
10．2．3 K-means聚類
10．2．4 群體距離
10．2．5 層次聚類
10．2．6 聚類算法的評(píng)估
10．3 關(guān)聯(lián)分析
10．3．1 關(guān)聯(lián)規(guī)則量化指標(biāo)
10．3．2 Apriori算法