九天菜菜-数据分析实战
本课程《九天菜菜数据分析实战》全面覆盖了数据分析的核心技能与实际应用，从基础的数据处理到高级的机器学习算法，结合丰富的实战案例，帮助学员系统掌握数据分析思维与技术。课程内容涵盖聚类算法、决策树、线性回归、逻辑回归、集成学习（如随机森林和GBDT）、XGBoost等热门算法，并深入讲解AB测试、用户画像、RFM模型等业务分析方法。同时，课程还涉及游戏氪金、广告投放、异常检测及用户流失预测等多个行业场景，通过真实项目带领学员实践数据驱动的决策过程。无论是初学者还是希望进阶的数据分析师，都能从中获得理论与实践相结合的宝贵经验，提升解决复杂问题的能力。 课程目录 ├──100_PART4.8-聚类算法在实际应用的注意事项.mp4 151.03M ├──101_PART4.9-使用聚类算法进行图像压缩_代码讲解.mp4 118.66M ├──102_PART4.10-使用聚类算法进行异常检测_代码讲解.mp4 68.88M ├──103_PART5.1-决策树是如何工作的.mp4 60.01M ├──104_PART5.2-CART分类树的建模流程.mp4 203.18M ├──105_PART5.3-使用sklearn实现决策树建模.mp4 60.07M ├──106_PART5.4-CART分类树的参数详解.mp4 218.07M ├──107_PART5.5-实例：泰坦尼克号幸存者的预测.mp4 142.26M ├──108_PART6.1-学习曲线&交叉验证.mp4 158.14M ├──109_PART6.2-sklearn中的网格搜索.mp4 136.13M ├──10_10-MySQL的安装教程.mp4 83.40M ├──110_PART7.1-线性回归及其基本原理.mp4 155.93M ├──111_PART7.2-多元线性回归的实现及回归类模型评估指标.mp4 174.15M ├──112_PART7.3-实例：使用线性回归预测鲍鱼年龄.mp4 72.50M ├──113_PART7.4-线性回归改进算法：岭回归.mp4 85.48M ├──114_PART7.5-线性回归改进算法：LASSO.mp4 81.35M ├──115_PART7.6-非线性问题：线性模型在非线性数据上的表现.mp4 122.22M ├──116_PART7.7-非线性问题：多项式回归.mp4 137.56M ├──117_PART8.1-名为“回归”的分类器：逻辑回归.mp4 112.73M ├──118_PART8.2-逻辑回归在实际中的应用场景&优势.mp4 121.77M ├──119_PART8.3-sklearn中的逻辑回归重要参数详解.mp4 172.09M ├──11_11-Python的安装教程.mp4 122.82M ├──120_PART8.4-使用sklearn实现逻辑回归.mp4 124.61M ├──121_PART8.5-二分类中的样本不均衡问题.mp4 132.99M ├──122_PART8.6-混淆矩阵及其衍生指标.mp4 150.91M ├──123_PART8.7-ROC曲线&AUC面积.mp4 220.55M ├──124_PART8.8-利用ROC曲线找出最佳阈值.mp4 79.05M ├──125_PART8.9-【案例1】使用逻辑回归完成社交网络广告推荐的预测.mp4 274.99M ├──126_PART8.10.1【案例2】数据概览及预处理.mp4 86.95M ├──127_PART8.10.2【案例2】标签探索：离职员工状况概览.mp4 43.54M ├──128_PART8.10.3【案例2】特征探索：员工满意度与离职之间的关系.mp4 87.79M ├──129_PART8.10.4【案例2】特征探索：最新考核评估&参与项目数.mp4 124.21M ├──12_12-数据分析师为什么需要Excel.mp4 70.98M ├──130_PART8.10.5【案例2】特征探索：平均月工作时长&工作年限&工作事故.mp4 99.70M ├──131_PART8.10.6【案例2】特征探索：岗位&薪资水平.mp4 79.51M ├──132_PART8.10.7【案例2】特征工程&建模&模型调优.mp4 104.00M ├──133_PART9.1-集成学习主要研究领域及简单集成技术.mp4 115.62M ├──134_PART9.2-Bagging-VS-Boosting.mp4 109.08M ├──135_PART10.1-随机森林原理及sklearn实现.mp4 79.78M ├──136_PART10.2-弱评估器结构相关参数.mp4 95.93M ├──137_PART10.3-随机性相关参数及属性详解.mp4 261.07M ├──138_PART10.4-使用随机森林完成员工离职预测及调优.mp4 104.47M ├──139_PART11.1-Boosting算法的基本要素和基本流程.mp4 45.68M ├──13_13-重新认识Excel.mp4 253.31M ├──140_PART11.2-梯度提升树的基本原理.mp4 46.94M ├──141_PART11.3-GBDT分类和回归的sklearn快速实现.mp4 124.80M ├──142_PART11.4-弱评估器数量相关参数及对模型的影响.mp4 126.71M ├──143_PART11.5-迭代过程相关参数：学习率&初始值参数.mp4 113.48M ├──144_PART11.6-GBDT的损失函数.mp4 103.68M ├──145_PART11.7-模型复杂度和不纯度衡量指标相关参数.mp4 170.02M ├──146_PART11.8-提前停止机制及相关参数.mp4 132.70M ├──147_PART11.9-GBDT的袋外数据.mp4 94.89M ├──148_PART11.10-GBDT的超参数优化.mp4 75.55M ├──149_PART12.1-学习XGBoost的四个层次.mp4 107.39M ├──14_14.1-Excel的基本操作_01.mp4 446.82M ├──150_PART12.2-XGBoost的安装与卸载.mp4 56.66M ├──151_PART12.3-XGBoost分类和回归的sklearn实现.mp4 198.85M ├──152_PART12.4-XGBoost重要参数详解：迭代过程相关参数.mp4 215.40M ├──153_PART12.5-XGBoost的弱评估器.mp4 127.08M ├──154_PART12.6-弱学习器的分枝&剪枝&随机性.mp4 101.78M ├──155_PART12.7-XGBoost性能相关参数及超参数优化.mp4 105.18M ├──156_PART13-机器学习算法的模型选择问题.mp4 73.48M ├──157_【业务模型】01-业务分析模型概览.mp4 16.17M ├──158_【业务模型】02-初学者如何学习业务分析方法.mp4 104.43M ├──159_【业务模型】3.1-对比分析法.mp4 83.53M ├──15_14.2-Excel的基本操作_02.mp4 169.77M ├──160_【业务模型】3.2-多维度拆解.mp4 31.11M ├──161_【业务模型】3.3-漏斗分析法.mp4 20.34M ├──162_【业务模型】3.4-公式拆解法.mp4 50.79M ├──163_【业务模型】3.5-矩阵分析法.mp4 28.09M ├──164_【业务模型】04-数据涨跌异动如何处理？.mp4 21.06M ├──165_【业务模型】5.1-用户行为序列分析.mp4 52.56M ├──166_【业务模型】5.2-用户行为路径分析.mp4 59.79M ├──167_【业务模型】5.3-用户行为分析常用工具.mp4 16.03M ├──168_【业务模型】5.4-用户留存分析.mp4 54.71M ├──169_【业务模型】5.5-同期群分析.mp4 43.54M ├──16_14.3-Excel的基本操作_03.mp4 365.01M ├──170_【业务模型】5.6【实操】使用python完成同期群分析.mp4 63.49M ├──171_【业务模型】5.7.1-用户画像的两种概念.mp4 30.82M ├──172_【业务模型】5.7.2-为什么要分析用户画像.mp4 18.72M ├──173_【业务模型】5.7.3-不同行业的用户画像应用.mp4 23.92M ├──174_【业务模型】5.7.4-用户画像体系搭建流程.mp4 77.16M ├──175_【业务模型】6.1.1-什么是RFM模型.mp4 48.40M ├──176_【业务模型】6.1.2-如何应用RFM模型.mp4 31.80M ├──177_【业务模型】6.1.3-实操：RFM模型的实操项目.mp4 59.47M ├──178_【业务模型】6.2.1-AARRR模型.mp4 34.90M ├──179_【业务模型】6.2.2-使用AARRR模型实现用户增长（以网易云音乐为例）.mp4 20.12M ├──17_15.1-Excel的数据处理_01.mp4 580.73M ├──180_【AB测试】01-AB测试的起源.mp4 30.41M ├──181_【AB测试】02-AB测试的基本定义.mp4 11.18M ├──182_【AB测试】03-AB测试在互联网巨头公司中的发展历程.mp4 51.94M ├──183_【AB测试】04-为什么互联网热衷于AB测试.mp4 18.81M ├──184_【AB测试】05-AB测试的实际应用场景.mp4 32.06M ├──185_【AB测试】06-字节跳动是如何应用AB测试的.mp4 96.76M ├──186_【AB测试】07【补充】AA测试.mp4 25.20M ├──187_【AB测试】08【补充】多变量测试.mp4 16.61M ├──188_【AB测试】09-AB测试基本流程：明确实验改动点、观测指标&计算样本量.mp4 136.50M ├──189_【AB测试】10-AB测试基本流程：流量的分割.mp4 51.59M ├──18_15.2-Excel的数据处理_02.mp4 281.20M ├──190_【AB测试】11-AB测试的基本流程：计算实验周期&灰度测试&结果评估.mp4 107.04M ├──191_【AB测试】12-AB测试的基本原理：假设检验.mp4 77.80M ├──192_【AB测试】13.1-AB测试面试常见角度.mp4 15.22M ├──193_【AB测试】13.2.1【面试题】请描述一下什么是AB-test.mp4 15.95M ├──194_【AB测试】13.2.2【面试题】AB测试的核心原理是什么？.mp4 30.88M ├──195_【AB测试】13.2.3【面试题】AB测试有哪些应用场景？.mp4 16.33M ├──196_【AB测试】13.2.4【面试题】有没有接触过AB-test，请说说你对AB测试的理解【滴.mp4 49.07M ├──197_【AB测试】13.2.5【面试题】你怎么理解AB测试中的第一、二类错误？你觉得哪个更严重【.mp4 23.25M ├──198_【AB测试】13.3.1【面试题】为什么要做AB测试？有什么科学依据？.mp4 20.08M ├──199_【AB测试】13.3.2【面试题】AB测试成本很高，每个调整都需要做AB测试么.mp4 40.74M ├──19_16-Excel的基本公式.mp4 182.71M ├──1_01-数据分析思维是什么.mp4 22.53M ├──200_【AB测试】13.4.1【面试题】AB测试的主要流程是什么？.mp4 61.68M ├──201_【AB测试】13.4.2【面试题】选择AB实验的样本时，需要注意什么【滴滴】.mp4 39.48M ├──202_【AB测试】13.4.3【面试题】简要介绍AB测试，并给出样本量计算公式【拼多多、携程】.mp4 13.21M ├──203_【AB测试】13.4.4【面试题】AB测试的实验周期如何选择？需要考虑哪些因素？过长或过短.mp4 32.56M ├──204_【AB测试】13.4.5【面试题】如何进行合理的流量分割？.mp4 6.10M ├──205_【AB测试】13.4.6【面试题】如何验证你的改进办法有效果？如何确定此功能上线收益？【快.mp4 15.91M ├──206_【AB测试】13.4.7【面试题】请分析下AB测试的结果统计显著不等于实际显著，你怎么看？.mp4 23.43M ├──207_【AB测试】13.4.8【面试题】若在AB测试中发现实验组核心指标明显优于对照组，那么这个.mp4 12.77M ├──208_【AB测试】13.5-【场景类面试题示例】如何设计和分析一个AB测试来决定某项新功能是否上.mp4 252.87M ├──209_【AB测试】14.1-AB测试的完整业务流程.mp4 35.12M ├──20_17.1-Excel的常用函数_01.mp4 348.09M ├──210_【AB测试】14.2-AB测试的五大核心模块.mp4 119.84M ├──211_【AB测试】14.3-业界流行的AB测试架构实现方案.mp4 91.71M ├──212_【AB测试】15.1-应用实战：背景&AB测试流程.mp4 30.52M ├──213_【AB测试】15.2-应用实战：设计AB-test实验.mp4 165.52M ├──214_【AB测试】15.3-应用实战：数据分析&假设检验的Python实现.mp4 190.89M ├──215_【游戏氪金】Ch-0-前言：数据概况与案例导读.mp4 73.55M ├──216_【游戏氪金】Ch-1-游戏行业概览与游戏岗位招聘概况.mp4 163.28M ├──217_【游戏氪金】Ch-2-从流量到用户到变现：手游的运营流程.mp4 238.01M ├──218_【游戏氪金】Ch-3-甜蜜陷阱：你是如何一步步走向氪金的？.mp4 130.12M ├──219_【游戏氪金】Ch-4-数据技术辅助游戏运营的6大典型场景.mp4 291.68M ├──21_17.2-Excel的常用函数_02.mp4 204.31M ├──220_【游戏氪金】Ch-5.1-游戏数据的初步探索.mp4 271.06M ├──221_【游戏氪金】Ch-5.2-标签探索：游戏的经营状况与关键经营指标.mp4 277.67M ├──222_【游戏氪金】Ch-5.3-特征探索(1)：在线时长：用户流失状况监测.mp4 216.80M ├──223_【游戏氪金】Ch-5.3-特征探索(2)：偏度：游戏对新手玩家的友好程度.mp4 284.35M ├──224_【游戏氪金】Ch-5.3-特征探索(3)：游戏平衡性：氪金与战斗优势.mp4 107.98M ├──225_【游戏氪金】Ch-5.3-特征探索(4)：左偏带来长尾：谁是异常玩家？.mp4 190.51M ├──226_【游戏氪金】Ch-6.1-数据预处理：注册时间与氪金状况的关联.mp4 148.61M ├──227_【游戏氪金】Ch-6.2-模型选择，benchmark的建立.mp4 121.81M ├──228_【游戏氪金】Ch-6.3-特征工程(1)-根据业务模式新增特征.mp4 169.57M ├──229_【游戏氪金】Ch-6.3-特征工程(2)-达成建模所需的统计假设.mp4 199.55M ├──22_17.3-Excel的常用函数_03.mp4 209.63M ├──230_【游戏氪金】Ch-6.4-模型融合(1)-分类算法解决数据的偏态问题.mp4 207.46M ├──231_【游戏氪金】Ch-6.4-模型融合(2)-GBDT回归的预测与调优.mp4 111.97M ├──232_【异常检测】Ch-0-数据概况与案例导读.mp4 51.51M ├──233_【异常检测】Ch-1-电商的核心价值：更高的交易效率.mp4 346.49M ├──234_【异常检测】Ch-2-辨析电商交易模式：开放平台vs价值链整合.mp4 352.39M ├──235_【异常检测】Ch-3-淘宝vs京东：迥然不同的盈利模式.mp4 298.90M ├──236_【异常检测】Ch-4-异常订单检测：商家的帮手，平台的抓手.mp4 139.22M ├──237_【异常检测】Ch-5.1-数据预处理(1)：基本特征探索与缺失值处理.mp4 268.90M ├──238_【异常检测】Ch-5.2-数据预处理(2)：重复值与异常值处理.mp4 258.62M ├──239_【异常检测】Ch-6.1-特征工程(1)-建立benchmark，分割训练集与测试集.mp4 205.29M ├──23_17.4-Excel的常用函数_04.mp4 193.80M ├──240_【异常检测】Ch-6.2-特征工程(2)-基于时间与城市构建编码函数与特征衍生函数.mp4 341.17M ├──241_【异常检测】Ch-6.3-特征工程(3)-简单变量的处理，连续型变量的处理方法.mp4 233.86M ├──242_【异常检测】Ch-6.4-特征工程(4)-复杂离散型变量的特征衍生与编码.mp4 288.19M ├──243_【异常检测】Ch-7.1-建模与调参(1)-验证特征工程效果，解决样本不均衡问题.mp4 219.74M ├──244_【异常检测】Ch-7.2-建模与调参(2)-树的数量、学习率、控制过拟合.mp4 243.15M ├──245_【异常检测】Ch-7.3-建模与调参(3)-基于软投票的模型融合.mp4 153.23M ├──246_【广告投放】Ch-1.1-广告&营销的本质.mp4 76.93M ├──247_【广告投放】Ch-1.2-4P营销理论：产品.mp4 97.56M ├──248_【广告投放】Ch-1.3-4P营销理论：价格.mp4 118.29M ├──249_【广告投放】Ch-1.4-4P营销理论：渠道与推广.mp4 58.12M ├──24_18-查找引用函数：VLOOKUP-OFFSET-MATCH-INDEX.mp4 617.98M ├──250_【广告投放】Ch-1.5-互联网公司如何靠流量致富？.mp4 124.09M ├──251_【广告投放】Ch-1.6-以抖音为例聊聊互联网企业的变现之路.mp4 226.76M ├──252_【广告投放】Ch-2.1-广告投放的目的、渠道、形式及计费方式.mp4 159.89M ├──253_【广告投放】Ch-2.2-如何衡量广告效果及优化广告策略.mp4 227.08M ├──254_【广告投放】Ch-3.1-在线教育发展历程.mp4 56.50M ├──255_【广告投放】Ch-3.2-在线教育已死？No，加时赛已开启.mp4 76.39M ├──256_【广告投放】Ch-3.3-行业洗牌：数据从业者机会何在？.mp4 88.47M ├──257_【广告投放】Ch-3.4-流量为王：在线教育的财富密码.mp4 81.46M ├──258_【广告投放】Ch-3.5-在线教育的广告投放流程.mp4 184.14M ├──259_【广告投放】Ch-3.6-在线教育广告投放案例分享（K12领域）.mp4 72.73M ├──25_19.1-Excel可视化_饼图&折线图.mp4 378.92M ├──260_【广告投放】Ch-4.1-数据指标体系的重要性及判断标准.mp4 108.89M ├──261_【广告投放】Ch-4.2-搭建指标体系的起点：理解业务.mp4 45.55M ├──262_【广告投放】Ch-4.3-搭建指标体系：定目标&理流程.mp4 70.62M ├──263_【广告投放】Ch-4.4-搭建指标体系：选指标&搭体系.mp4 65.83M ├──264_【广告投放】Ch-5.1-案例基本背景及数据情况.mp4 35.67M ├──265_【广告投放】Ch-5.2-【选学】互联网巨头们的数据库演变之路.mp4 54.99M ├──266_【广告投放】Ch-5.3-【选学】创建python与数据库之间的连接.mp4 58.14M ├──267_【广告投放】Ch-5.4【选学】将python中的DF数据导入数据库.mp4 73.06M ├──268_【广告投放】Ch-5.5【选学】使用pandas完成数据库数据的读取和更新.mp4 125.11M ├──269_【广告投放】Ch-5.6-数据分布情况及特征相关性分析.mp4 142.97M ├──26_19.2-Excel可视化_条形图&散点图.mp4 248.27M ├──270_【广告投放】Ch-6.1-特征探索：各渠道流量基本情况.mp4 63.49M ├──271_【广告投放】Ch-6.2-特征探索：渠道流量Top20分析.mp4 143.59M ├──272_【广告投放】Ch-6.3-特征探索：渠道质量Top20分析.mp4 94.77M ├──273_【广告投放】Ch-6.4-特征探索：投放总时间越长引流效果越好？.mp4 49.06M ├──274_【广告投放】Ch-6.5-特征探索：不同投放时间下，渠道的流量和质量表现.mp4 140.02M ├──275_【广告投放】Ch-6.6-特征探索：用户注册行为分析.mp4 44.44M ├──276_【广告投放】Ch-6.7-特征探索：用户停留时间分析.mp4 69.21M ├──277_【广告投放】Ch-6.8-特征探索：用户搜索行为分析.mp4 37.91M ├──278_【广告投放】Ch-6.9-特征探索：用户访问深度分析.mp4 49.45M ├──279_【广告投放】Ch-6.10-特征探索：广告卖点分析.mp4 91.83M ├──27_19.3-Excel可视化_气泡图&雷达图&组合图.mp4 151.45M ├──280_【广告投放】Ch-6.11-特征探索：广告物料分析.mp4 50.76M ├──281_【广告投放】Ch-6.12-特征探索：广告预算分析.mp4 92.52M ├──282_【广告投放】Ch-6.13-特征探索总结.mp4 43.40M ├──283_【广告投放】Ch-7.1-特征工程：数据预处理&编码&数据归一化.mp4 112.82M ├──284_【广告投放】Ch-7.2-聚类分析在实际工作中的应用.mp4 83.15M ├──285_【广告投放】Ch-7.3-建模分析：使用Kmeans聚类完成渠道分组.mp4 125.59M ├──286_【广告投放】Ch-7.4-分组结果的可视化展示.mp4 81.18M ├──287_【广告投放】Ch-7.5-业务应用：建模结果对业务的指导意义.mp4 55.55M ├──288_【用户流失】Part-1.1-业务背景与Kaggle平台使用方法介绍.mp4 193.18M ├──289_【用户流失】Part-1.2-数据字段解释与数据质量检验.mp4 84.99M ├──28_19.4-Excel可视化_对称比较图&瀑布图.mp4 226.00M ├──290_【用户流失】Part-1.3-字段类型转化与缺失值填补.mp4 189.39M ├──291_【用户流失】Part-1.4-异常值检测.mp4 62.11M ├──292_【用户流失】Part-1.5-相关性分析.mp4 104.75M ├──293_【用户流失】Part-1.6-数据探索性分析与可视化呈现.mp4 86.79M ├──294_【用户流失】Part-2.1-数据重编码：OrdinalEncoder过程-.mp4 110.72M ├──295_【用户流失】Part-2.2-数据重编码：OneHotEncoder过程.mp4 127.14M ├──296_【用户流失】Part-2.3-转化器流水线：ColumnTransformer过程.mp4 118.03M ├──297_【用户流失】Part-2.4-特征变换：数据标准化与归一化.mp4 53.20M ├──298_【用户流失】Part-2.5-连续变量分箱：等宽、等频与聚类分箱.mp4 147.77M ├──299_【用户流失】Part-2.6-连续变量分箱：目标编码与有监督分箱.mp4 96.88M ├──29_19.5-Excel可视化_漏斗图&增维分析&动态图表.mp4 550.87M ├──2_02-拥有数据分析的具体表现.mp4 361.36M ├──300_【用户流失】Part-2.7-逻辑回归机器学习流构建与训练.mp4 165.07M ├──301_【用户流失】Part-2.8-逻辑回归机器学习流超参数搜索调优.mp4 180.65M ├──302_【用户流失】Part-2.9-自定义sklearn评估器网格搜索.mp4 219.62M ├──303_【用户流失】Part-2.10-逻辑回归模型解释与特征系数解读.mp4 124.74M ├──304_【用户流失】Part-2.11-决策树模型训练与优化.mp4 87.17M ├──305_【用户流失】Part-2.12-决策树模型解释与结果解读.mp4 124.98M ├──306_【数分报告】01-了解数据分析报告.mp4 86.59M ├──307_【数分报告】02-数据分析报告类型——日常分析报告.mp4 79.59M ├──308_【数分报告】03-数据分析报告类型——专题型分析报告.mp4 60.68M ├──309_【数分报告】04-数据分析报告类型——综合性分析报告.mp4 41.80M ├──30_19.6-Excel可视化_商业图表.mp4 351.51M ├──310_【数分报告】05-数分报告元素——整体架构.mp4 27.06M ├──311_【数分报告】06-数分报告元素——标题.mp4 45.71M ├──312_【数分报告】07-数分报告元素——目录.mp4 14.50M ├──313_【数分报告】08-数分报告元素——分析背景&目的&思路.mp4 16.61M ├──314_【数分报告】09-数分报告元素——报告正文部分.mp4 74.01M ├──315_【数分报告】10-数分报告元素——结论与建议&附录.mp4 29.70M ├──316_【数分报告】11-数据分析报告制作流程.mp4 103.14M ├──317_【数分报告】12-数据分析竞赛信息【加餐】.mp4 15.85M ├──318_【数分报告】13-从0到1制作数据分析报告.mp4 153.53M ├──31_20-数据透视表.mp4 307.09M ├──32_21【实操】使用Excel制作数据分析监控日报.mp4 181.14M ├──33_22.1-【案例】使用Excel进行零售分析_01.mp4 474.16M ├──34_22.2-【案例】使用Excel进行零售分析_02.mp4 466.41M ├──35_22.3-【案例】使用Excel进行零售分析_03.mp4 290.11M ├──36_23.1【案例】使用Excel搭建RFM模型_01.mp4 661.69M ├──37_23.2【案例】使用Excel搭建RFM模型_02.mp4 609.25M ├──38_24-Tableau简介&工作区介绍.mp4 69.74M ├──39_25-Tableau简单图形绘制.mp4 416.57M ├──3_03-如何培养自己的数据思维.mp4 501.82M ├──40_26-Tableau仪表板、故事的创建.mp4 168.67M ├──41_27.1【案例】进行靠谱投资01_投资概况.mp4 338.36M
尚硅谷《从零搭建DeepSeek+智能体&知识库》
尚硅谷《从零搭建 DeepSeek + 智能体 & 知识库》是一门从理论到实操的入门课程：它以课程概述开篇，先围绕智能体展开基础认知 —— 包含实际举例、应用领域解析，还拆解了其 5 个核心要素；后续聚焦个人知识库，既覆盖了知识库的基础概述，又通过 Cherry-Studio、ima 两种工具的实操演示，完整呈现了结合 DeepSeek 搭建智能体与知识库的全流程，能帮学习者快速入门相关技术的落地方法。
黑马-Python+大数据年度钻石会员-价值24980-14阶段完结无密
学完收获：熟练使用DS、Oozie、AirFlow等任务调度工具，完成大数据任务调度熟悉Linux基本操作，完成分布式虚拟机搭建任务了解数据仓库开发从需求沟通、标签定义、编码开发、整个流程能够掌握Python语言基础，利用Python语言完成常见编程任务能够掌握Pandas数据处理和数据分析的工作能够掌握Java语言基础，利用Java完成MapReduce编程，Flink任务编程熟练掌握Hadoop生态体系，掌握MapReduce原理及优化技巧熟悉掌握Spark生态技术栈，利用SparkCore基础数据处理能够使用SparkSQL完成大数据数据处理及统计分析能够掌握Hive基础内容，利用HiveSQL完成基础数据仓库构建能够利用Spark?On?Hive完成企业级离线数据处理及统计工作熟练Mysql数据库，有使用一种ETL方式经验优先完成Spark/Hadoop/HBase/Kafka/Flink等组件的搭建能够基于Flink进行实时分析和离线分析掌握Flink核心4大特性能够基于FlinkSQL完成常见大数据统计分析任务能够使用Hbase完成大数据异构数据存储能够掌握Kafka消息队列基础使用能够掌握Kafka和Flume对接完成实时数据采集工作熟练使用FineBi等BI工具完成数据展示任务
路飞-AI大模型就业班
为什么要学习人工智能？ 学习人工智能是顺应时代发展、提升个人核心竞争力的必然选择。如今 AI 已深度渗透进医疗、教育、金融、制造等几乎所有行业，从智能诊断辅助医生决策，到个性化推荐优化生活体验，再到工业机器人提升生产效率，它正重塑着社会运转模式与职业需求 —— 不了解 AI 的基本逻辑，就可能在未来的工作与生活中陷入被动。同时，学习 AI 的过程也是锻炼数据思维、逻辑分析与问题解决能力的过程，这些能力能帮助我们更理性地看待复杂问题，更高效地应对工作挑战。无论是想在专业领域借助 AI 工具突破瓶颈，还是想抓住新技术带来的职业机遇，学习人工智能都不是单纯的 “追赶潮流”，而是为未来发展储备核心能力的必要投资。
MKPython全能工程师
1. Python基础与进阶 Python3系统入门+进阶（程序员必备第二语言） 基础语法、函数、面向对象、装饰器 Python3高级核心技术（多线程、多进程、异步IO、asyncio等） 2. 数据库开发 Python操作三大主流数据库（MySQL、MongoDB、Redis） ORM与ODM技术实战 网易新闻移动端项目后台实战 3. Web全栈开发 Django/Flask框架开发 前后端分离开发（Vue+Django REST framework） Tornado从入门到进阶 4. 爬虫开发 Python爬虫系统入门与多领域实战 原生爬虫实践，把Python用起来 移动端Python爬虫实战 5. 数据分析与AI应用 Python数据分析入门与实践 数据分析50+高频场景实战 AI大模型应用开发（聊天机器人、LangChain框架） 课程亮点 系统化学习路径：从Python基础到高级应用，再到实战项目，形成完整学习闭环 企业级项目实战：包含网易新闻客户端、鱼书精品项目等真实业务场景 最新技术融合：涵盖2022年主流技术趋势，如异步IO、大模型应用 就业支持：提供职业规划、面试技巧、企业内推等全方位就业服务 适合人群 0基础，想要进入Python开发领域的在校大学生与应届生 想转型成为Python全栈开发工程师的在职人员 对数据分析、爬虫、人工智能等方向感兴趣的编程爱好者 希望提升Python技能的在职开发者 学习成果 完成本课程学习后，学员将能够： 独立完成Web全栈应用开发 掌握数据采集、处理与分析能力 熟练使用Python进行爬虫开发 具备基础的AI应用开发能力 达到企业要求的Python开发工程师水平
老男孩-Python全栈开发脱产班
老男孩教育的Python全栈开发脱产班采用全日制、沉浸式教学模式，从Python基础语法、Web开发框架（如Django/Flask）到数据库设计、API接口开发、项目部署等全流程技术体系，结合企业级实战项目（如电商系统、在线教育平台）强化编码能力，课程覆盖前后端开发、自动化脚本、测试与运维等核心技能，配备一线互联网公司资深讲师指导，提供简历优化、模拟面试及企业内推服务，适合零基础转行或IT从业者系统提升，目标是培养能独立完成项目开发并胜任Python开发工程师岗位的复合型人才。
bs安全SRC教程
SRC 课程是面向网络安全入门者、白帽爱好者及从业者的实战型培训课程，核心围绕企业安全响应中心（SRC）的漏洞挖掘全流程搭建知识体系，从基础认知到实战落地层层递进。课程不仅会系统解读 SRC 平台规则、合法合规挖掘边界，规避法律风险，还会深入讲解核心技术模块 —— 包括精准信息收集（域名、IP、端口、资产测绘）、常见高危漏洞原理与利用（如 SQL 注入、XSS、命令执行、逻辑漏洞等）、主流挖掘工具（Burp Suite、Nessus、Shodan 等）的实战运用，同时覆盖 Web 应用、移动 APP、物联网设备等多场景的挖掘策略，以及规范漏洞报告的撰写技巧与提交要点。 课程采用 “理论精讲 + 真实案例拆解 + 模拟环境实战” 的模式，既为新手扫清 SRC 入门障碍，搭建从 “懂原理” 到 “会挖掘” 的完整路径；也为有基础者优化挖掘思路，提升漏洞发现效率与报告通过率。通过学习，学员可具备对接企业 SRC 平台实战的能力，积累真实漏洞案例，既能通过漏洞提交获取奖励，也能为网络安全职业发展（如渗透测试、安全服务）夯实实战基础，是快速切入白帽实战领域、衔接企业安全防护需求的核心培训载体。
易*云C++编程逆向等课程
C/C++ 是编程领域经典的编译型语言，二者关联紧密又各有定位。C 由丹尼斯・里奇 1970 年代在贝尔实验室开发，初衷是编写 UNIX 系统，以简洁高效、贴近硬件、支持指针直接内存操作为核心，适合操作系统内核、驱动程序、嵌入式设备等底层开发。 C++ 由斯特劳斯特鲁普 1983 年基于 C 扩展而来，新增面向对象（类、继承、多态）、泛型编程（模板、STL 标准库）等特性，既保留 C 的性能，又能应对复杂项目，多用于游戏引擎、高频交易系统、大型应用及科学计算。C++ 兼容大部分 C 代码，但 C 侧重底层控制，C++ 侧重复杂系统构建。
HM-java14.5线下就业课程
（一）课程体系 课程分为基础阶段、框架进阶、微服务实战、AI 融合开发四大模块，具体内容包括： Java 核心基础： 数据结构（数组、链表、红黑树等）、算法（排序、二分查找、动态规划）。 多线程编程、JVM 性能调优、设计模式（单例、工厂、代理等）。 Web 开发与框架： 前端技术（Vue3、ElementPlus、TypeScript）、Spring MVC、MyBatis。 微服务架构（Spring Cloud Alibaba、Nacos、Sentinel）、分布式事务解决方案。 企业级项目实战： 苍穹外卖：前后端分离架构，涉及 Redis 缓存、WebSocket 消息推送、分布式锁。 黑马头条：微服务内容管理系统，包含 ElasticSearch 搜索、Kafka 消息队列、Jenkins 持续集成。 神领物流：智能调度系统，集成 XXL-JOB 任务调度、物联网消息中间件 EMQx。 AI 融合开发： 结合 NLP 技术优化日志分析系统，实现异常检测与自动分类。 基于 TensorFlow Serving 构建智能推荐系统，支持毫秒级模型推理。 通过 Py4J 实现 Java 与 Python 跨语言调用，部署 AI 模型到生产环境。 （二）V14.5 升级要点 技术栈迭代： 前端框架升级为 Vue3，后端 Spring Boot 升级至 3.1，Spring Cloud 采用 2021 版本。 新增微信小程序支付、物联网 IOT 数据传输（基于阿里云平台）等企业级解决方案。 AI 深度整合： 引入大模型技术，如基于 Ollama 部署本地 QWen 模型，实现聊天机器人功能。 强化 AI 工具辅助开发（如代码生成、测试用例自动生成）。 实战项目扩容： 新增金融证券智牛股项目、电商秒杀高并发解决方案等场景。 采用 “1+N” 项目模式（1 个主项目 + 多个拓展项目），培养灵活应用能力。 通过百度网盘分享的文件：2、【更新至20....5线下就业班【黑m】 链接：https://pan.baidu.com/s/1EUtIk2v2sWqClUuihe7vGA 提取码：s6JQ 复制这段内容打开「百度网盘APP 即可获取」
谷歌SEO与AEO实战课程
谷歌SEO（搜索引擎优化）聚焦于通过优化网站结构、关键词布局和反向链接建设，提升网页在谷歌搜索结果中的自然排名，从而获取持续的有机流量。而AEO（答案引擎优化）则是针对AI驱动的搜索场景（如Google AI、ChatGPT等）设计的新兴策略，旨在通过模块化内容、精准问答格式和结构化数据（如Schema标记），让内容更易被AI工具直接引用为摘要或答案。两者并非对立：SEO仍是吸引用户访问的基础，而AEO则是适应AI时代“零点击搜索”的延伸——通过同时优化传统搜索排名和AI内容引用率，企业可实现流量增长与品牌权威性的双重提升
码农有X -Linux C C++课程
C++是由比雅尼·斯特劳斯特鲁普(Bjarne Stroustrup)于1983年在贝尔实验室开发的编程语言，最初称为"C with Classes"，后更名为C++。作为C语言的超集，C++既保留了C语言的高效性、灵活性和接近硬件的特性，又通过面向对象编程(OOP)三大特性——封装、继承和多态——极大地增强了程序设计能力。C++支持多范式编程(过程式、面向对象、泛型编程)，拥有强大的标准模板库(STL)和丰富的现代特性(如C++11引入的智能指针、lambda表达式等)。自C++98首个国际标准发布以来，C++持续演进，C++11、C++14、C++17和C++20等版本不断引入新特性，使其成为系统软件开发、游戏引擎、高性能计算和嵌入式系统开发的首选语言。C++的强类型系统和编译型特性使其在保证高性能的同时，也提供了较高的代码安全性和可维护性，是掌握现代软件工程的核心语言之一
苹果 iOS开发 零基础特训班
苹果 iOS 开发零基础特训班是专为零编程基础学习者打造的高强度实战课程，以 “45 天从入门到 App 上架” 为核心目标，通过系统化项目驱动教学，从零讲解 Swift 语言核心语法、Xcode 开发环境搭建，重点覆盖 SwiftUI 为主、兼顾 UIKit 的界面开发，以及相册访问、定位获取、网络请求等 iOS 系统功能集成，搭配待办清单、天气 App 等实战项目，全程手把手指导学员掌握从需求设计到代码实现的完整流程，最终详解 App Store 上架全流程（证书申请、打包提审、元数据填写等），帮助学习者快速跨越从 “小白” 到 “能独立开发并发布 iOS 应用” 的鸿沟，适配转行就业、副业创收或独立开发者的多样需求。
备案中