第一天：数据分析基础与数据预处理

上午

第一讲：

零基础学Python

1. Python背景与发展现状

2. Python基础语法（变量、循环、函数、类）

3. 常用数据结构（列表、元组、字典、集合）

4. 基础绘图操作（Matplotlib快速入门）

5. NumPy向量计算模块详解

6. Python在数据分析与科学计算领域的核心优势

第二讲：

数据分析方法论

1. 统计分析基础（描述性统计、假设检验、置信区间）
2. 常见统计方法的使用场景与业务含义
3. 数据分析标准流程与常见分析思路
4. 结合真实业务案例讲解分析框架的落地应用

下午

第三讲：

数据处理技法

1. 多源数据接入：连接MySQL、Oracle、Hadoop等常见数据源
2. Pandas数据统计与操作详解
3. 数据集的关联、合并、重塑与转换
4. 海量数据处理场景：Spark平台上的数据处理技术
5. 全程结合真实环境进行操作演示

第四讲：

认识数据挖掘

1. 数据挖掘基本概念与核心任务
2. 业务理解：将业务问题转化为数据问题
3. 数据理解：数据探索与质量评估
4. 数据准备：数据整合与预处理策略
5. 建模、评估与部署各环节的工作内容
6. 结合业界经典场景讲解数据挖掘全流程方法论

第五讲：

Pandas数据预处理实战

1. 数据合并与拼接
2. 数据清洗：重复值、缺失值、异常值处理
3. 数据标准化：离差标准化、标准差标准化
4. 数据变换：哑变量编码、连续型数据离散化
5. 抽样、分区、样本平衡与特征选择
6. 结合典型业务案例讲解建模前的数据清洗与特征构造思路

第二天：数据挖掘算法与综合实战

上午

第六讲：

特征降维算法及Python实现

1. 特征降维的必要性与核心思想
2. 主成分分析（PCA）原理与实现
3. 线性判别分析（LDA）原理与实现
4. t-SNE降维原理与可视化应用
5. 结合案例进行Python代码实现
6. 海量数据场景下的降维策略与实践

第七讲：

决策树算法及Python实现

1. 决策树算法核心思想与适用场景
2. ID3、C4.5、C5.0算法原理与对比
3. CART决策树与回归树原理
4. 剪枝策略与过拟合防范
5. 结合案例进行Python实现与可视化

第八讲：

好莱坞百万级影评数据分析与电影推荐

（实战）

1. 基于百万级影评数据的建模、清洗与透视表操作
2. 用户画像构建：不同性别、年龄群体的喜好分析
3. 基于用户画像的定制化电影推荐
4. 推荐结果的综合可视化展示

下午

第九讲：

航空公司客户价值分析（K-Means实战）

1. 航空公司客户历史飞行数据的清洗与属性规约
2. 特征构造：构建LRFMC客户价值指标体系
3. 基于LRFMC模型的客户特征分析
4. K-Means聚类算法原理与客户细分实战
5. 客户群体特征的可视化展示
6. 基于细分结果制定个性化营销策略

第十讲：

XGBoost构建金融

反欺诈模型

1. XGBoost算法核心思想：梯度提升框架与树结构优化
2. XGBoost目标函数、正则化机制与性能优势
3. 实际金融交易数据集的特征构建策略
4. 模型训练、参数调优与交叉验证全流程
5. 模型评估指标（AUC、KS值、召回率、F1等）的业务含义
6. Python+XGBoost从数据加载→特征处理→模型构建→评估→可视化完整实战

第三天：AI交互式数据挖掘与智能分析

上午

第十一讲：

大模型驱动的

智能数据分析

1. 从传统数据分析到AI交互式分析的演进路径
2. 大模型对数据Schema与语义的理解机制
3. NL2SQL与NL2Python：自然语言转查询/代码的技术路径
4. 代码解释器（Code Interpreter）原理与执行沙箱机制
5. 代码自动生成、报错自纠与结果校验闭环
6. 大模型驱动PandasAI的底层原理与架构
7. 自然语言指令的Prompt工程技巧（让AI准确理解分析意图）
8. 实战：基于任意CSV/Excel数据集，通过自然语言完成数据清洗→特征生成→聚合统计→相关性分析→趋势洞察全流程（含可视化自动生成）

第十二讲：

AI+Excel智能数据

处理实战

1. 自然语言驱动的Excel智能处理（ChatExcel）核心原理
2. 数据清洗、格式转换、多表合并的AI自动化实现
3. 一句话指令完成复杂运算与统计分析
4. AI模型对Excel函数逻辑的自动生成与执行
5. 交叉对比与数据透视的智能操作
6. 分析结果的自动图表生成与可视化呈现

下午

第十三讲：

对话式数据分析与

智能可视化

1. 对话式数据分析助手（Julius AI）核心功能与适用场景
2. 上传CSV/Excel，通过自然语言提问执行数据操作与统计分析
3. 上下文理解与Python/R代码自动生成机制
4. 快速探索性数据分析（EDA）与即时数据洞察
5. 从数据到图表：AI自动选择最优可视化类型并生成
6. 数据故事化呈现：将分析结果转化为业务可读的叙事性报告

第十四讲：

AI智能体驱动的数据挖掘与报告自动化

1. AI智能体（Manus）在多源异构数据整合中的定位与能力
2. 多源数据收集与预处理（网页、文件、API接口数据）
3. 基于用户需求的自动多维度分析与建模
4. AI智能体的多工具协作机制与任务编排
5. 自动特征发现与数据模式识别（让AI辅助完成数据挖掘中的特征工程环节）
6. 分析结论、数据图表与研究报告的专业化自动生成
7. 综合实战：端到端完成从多源数据采集→AI辅助建模→可视化呈现→报告交付的完整数据挖掘任务