杭州千鋒教育·Python數(shù)據(jù)分析

課程大綱

Excel 商業(yè)數(shù)據(jù)分析入門

數(shù)據(jù)分析概述

數(shù)據(jù)分析發(fā)展史

數(shù)據(jù)分析對現(xiàn)代企業(yè)的重要性

數(shù)據(jù)分析在各行各業(yè)的應(yīng)用

數(shù)據(jù)分析師的日常工作

數(shù)據(jù)分析師的職業(yè)規(guī)劃

數(shù)據(jù)分析師招聘需求解讀

安裝和認識 Excel

函數(shù)和公式計算

單元格的引用

鎖定行和列

實現(xiàn)跨表引用

數(shù)學函數(shù)的使用

統(tǒng)計函數(shù)的使用

文本函數(shù)的使用

日期函數(shù)的使用

邏輯函數(shù)的使用

查找與引用函數(shù)的使用

Excel 快速上手

數(shù)據(jù)的輸入、填充和格式化

定位條件和查找替換

數(shù)據(jù)篩選和高級篩選

條件格式和排序工具

數(shù)據(jù)的合并和拆分

區(qū)域和表格的相互轉(zhuǎn)換

表格功能的使用

選擇性粘貼

文檔安全性相關(guān)設(shè)置

Excel 常用快捷鍵詳解

透視表和商業(yè)數(shù)據(jù)看板

透視表的本質(zhì)和應(yīng)用場景

插入和定制透視表

常用統(tǒng)計圖表及其應(yīng)用場景介紹

基本圖表的應(yīng)用

高階圖表的應(yīng)用

迷你圖的應(yīng)用

添加和定制切片器

Excel 項目實戰(zhàn)

實戰(zhàn) 1：商業(yè)數(shù)據(jù)分析看板項目

實戰(zhàn) 2：數(shù)據(jù)分析日報制作

Python 語言入門

Python 環(huán)境安裝和語言基礎(chǔ)

Python 語言概述

Python 開發(fā)環(huán)境的安裝（3.8+）

PyCharm 的安裝和使用

認識計算機和程序

注釋的使用

定義和使用變量

變量的命名規(guī)范

標識符和關(guān)鍵字

常用數(shù)據(jù)類型

數(shù)據(jù)類型的轉(zhuǎn)換

輸入和輸出函數(shù)

常用運算符介紹

運算符的優(yōu)先級和結(jié)合性

循環(huán)結(jié)構(gòu)

循環(huán)結(jié)構(gòu)的應(yīng)用場景

for 循環(huán)和 range 函數(shù)

用 while 構(gòu)造循環(huán)

for 循環(huán)和 while 循環(huán)應(yīng)用場景區(qū)分

break 和 continue 關(guān)鍵字的使用

嵌套的循環(huán)結(jié)構(gòu)

分支和循環(huán)結(jié)構(gòu)的應(yīng)用

經(jīng)典編程練習

在線編程刷題

窮舉法（破解法）的應(yīng)用

綜合案例：CRAPS?

表達式和分支結(jié)構(gòu)

使用變量和運算符構(gòu)造表達式

通過構(gòu)造表達式解決問題

分支結(jié)構(gòu)的應(yīng)用場景

使用 if、elif、else 構(gòu)造分支結(jié)構(gòu)

嵌套的分支結(jié)構(gòu)

使用 match、case 構(gòu)造分支結(jié)構(gòu)

字符串的應(yīng)用

字符串的定義

Pythong 中字符串的表示方式

轉(zhuǎn)義字符和原始字符串

字符串長度獲取

字符串相關(guān)的運算

字符串的常用方法

格式化字符串

不變字符串和可變字符串（StringIO）

字符集和字符編碼（編碼黑洞和亂碼問題）

正則表達式簡介

Python 語言進階

列表的應(yīng)用

容器型數(shù)據(jù)類型的應(yīng)用場景

列表的定義

len 函數(shù)和列表元素個數(shù)

列表相關(guān)的運算

列表元素的循環(huán)遍歷

列表元素的添加和刪除

列表的常用方法

列表的淺拷貝和深拷貝問題

創(chuàng)建列表的生成式（推導(dǎo)式）語法

列表應(yīng)用舉例

函數(shù)使用入門

為什么要使用函數(shù)

函數(shù)的定義和調(diào)用

函數(shù)的參數(shù)（自變量）和返回值（因變量）

函數(shù)參數(shù)的默認值

可變參數(shù)和關(guān)鍵字參數(shù)

函數(shù)的嵌套

Python 中的作用域（LEGB）

global 和 nonlocal 關(guān)鍵字的用法

元組和集合的應(yīng)用

元組的定義和使用

元組和列表的區(qū)別

元組的應(yīng)用場景（打包解包、變量值交換）

集合類型的特點

集合的定義

集合和列表的區(qū)別

集合相關(guān)的運算

集合的常用方法

包和模塊

Python 常用內(nèi)置函數(shù)

命名沖突問題

包和模塊的概念

import 和 from 關(guān)鍵字的用法

包和模塊的別名

_i******py 文件的作用

Python 標準庫中的常用模塊

如何獲取第三方模塊

安裝和使用第三方模塊（pip 命令詳解）

字典的應(yīng)用

字典類型的應(yīng)用場景

字典的定義

字典對鍵和值的要求

字典的索引運算和循環(huán)遍歷

字典的常用方法

字典應(yīng)用舉例

Python 語言應(yīng)用

函數(shù)高級用法

一等函數(shù)的概念

高階函數(shù)的概念和使用

Python 內(nèi)置函數(shù)中的高階函數(shù)

Lambda 函數(shù)的應(yīng)用

裝飾器的概念

創(chuàng)建和裝飾器函數(shù)

函數(shù)的遞歸調(diào)用

遞歸函數(shù)的優(yōu)化

Python 辦公自動化

Python 文件讀寫

異常處理機制

Python 讀寫 Excel 文件

Excel 公式計算和圖表生成

Python 生成 Word 文檔

Python 處理 PDF 文件

面向?qū)ο缶幊谈攀?/b>

面向?qū)ο缶幊趟枷?/p>

面向?qū)ο蟮膽?yīng)用場景

面向?qū)ο蟮暮诵母拍睿惡蛯ο螅?/p>

定義類（數(shù)據(jù)抽象和行為抽象）

創(chuàng)建對象（構(gòu)造器函數(shù)）

給對象發(fā)消息（調(diào)用對象方法）

類方法和靜態(tài)方法

dir 函數(shù)的使用

用 Python 處理數(shù)據(jù)

數(shù)據(jù)的保存方式

JSON 格式

從 API 接口中獲取數(shù)據(jù)

數(shù)據(jù)的描述性統(tǒng)計信息

statistics 模塊的應(yīng)用

數(shù)據(jù)可視化

pyecharts 庫的使用

面向?qū)ο缶幊踢M階

常用的魔法方法

運算符重載

繼承的概念

方法重寫和多態(tài)

多重繼承和 MRO 問題

數(shù)據(jù)庫和 SQL

關(guān)系數(shù)據(jù)庫概述和MySQL 數(shù)據(jù)庫

數(shù)據(jù)庫的作用和分類

關(guān)系型數(shù)據(jù)庫的特點

關(guān)系型數(shù)據(jù)庫產(chǎn)品介紹

MySQL 的安裝和配置

MySQL 的命令行和 GUI 客戶端

SQL（結(jié)構(gòu)化查詢語言）簡介

創(chuàng)建數(shù)據(jù)庫和二維表

MySQL 數(shù)據(jù)類型詳解

主鍵約束、默認值約束和非空約束

窗口函數(shù)及其應(yīng)用

窗口函數(shù)語法概述

使用窗口函數(shù)解決排名問題

使用窗口函數(shù)解決 TopN 查詢問題

使用窗口函數(shù)解決同比環(huán)比問題

SQL 查詢面試題深度解析

JSON 類型和用戶標簽查詢

表關(guān)系和 CRUD 操作

表關(guān)系和實體關(guān)系圖（ER 圖）

多對一關(guān)系的建立和外鍵約束

一對一關(guān)系的建立

多對多關(guān)系的建立和中間表

使用 insert 插入數(shù)據(jù)

使用 delete 刪除數(shù)據(jù)

使用 update 修改數(shù)據(jù)

使用 select 實現(xiàn)簡單查

數(shù)據(jù)庫其他相關(guān)知識

Python 程序接入數(shù)據(jù)庫概述

三方庫 mysqlclient 和 pymysql 介紹

創(chuàng)建數(shù)據(jù)庫連接對象（Connection）

創(chuàng)建和使用游標對象（Cursor）

獲取查詢結(jié)果的三種方式

使用批處理插入數(shù)據(jù)

生成和解讀 SQL 執(zhí)行計劃

索引的創(chuàng)建和底層數(shù)據(jù)結(jié)構(gòu)（B+ 樹）

前綴索引、復(fù)合索引、覆蓋索引

使用 DQL 授予和召回權(quán)限

視圖的概念和應(yīng)用場景

函數(shù)和存儲過程的應(yīng)用

SQL 數(shù)據(jù)查詢詳解

投影、別名和運算

數(shù)據(jù)篩選和空值處理（where 子句）

模糊查詢和通配符的使用

去重操作（distinct）

排序（order by 子句）

限制查詢數(shù)量（limit 子句）

函數(shù)的使用

分組和聚合函數(shù)（group by 子句）

分組后的數(shù)據(jù)篩選（having 子句）

嵌套查詢（子查詢）

笛卡爾積、內(nèi)連接和自然連接

左外連接、右外連接和全外連接

數(shù)據(jù)分析思維和商業(yè)智能工具

指標和指標體系

互聯(lián)網(wǎng)行業(yè)認知

互聯(lián)網(wǎng)產(chǎn)品的定義和商業(yè)模式認知

互聯(lián)網(wǎng)營收通用公式拆解

互聯(lián)網(wǎng)產(chǎn)品和用戶的生命周期

指標的概念和常用業(yè)務(wù)指標

北極星指標和伴隨指標

指標體系的概念和作用

如何為企業(yè)搭建指標體系

數(shù)據(jù)規(guī)劃的 OSM 模型和 UJM 模型

Tableau 項目實戰(zhàn)

項目背景和數(shù)據(jù)介紹

使用 Tableau Prep Builder 實現(xiàn)數(shù)據(jù)清洗

數(shù)據(jù)的加載和建模

制作指標概覽視圖

制作細分數(shù)據(jù)統(tǒng)計圖表

儀表板的創(chuàng)建和使用

故事的創(chuàng)建和使用

Tableau Server 介紹

使用 Tableau Public 發(fā)布工作簿

數(shù)據(jù)分析方法和模型

使用對比法發(fā)現(xiàn)問題

通過拆解法縮小問題范圍

通過漏斗法定位問題環(huán)節(jié)

通過相關(guān)分析找尋業(yè)務(wù)抓手

通過象限分析進行分群

RFM 模型用戶價值分群

AIPL 模型和運營三件套

AARRR 模型和 RARRA 模型

Python 數(shù)據(jù)分析工具介紹

Jupyter 的安裝和啟動

新建和使用 Notebook

編寫和運行代碼

Markdown 筆記和查看文檔

常用快捷鍵和魔法指令介紹

安裝和配置插件

執(zhí)行系統(tǒng)命令的方法

安裝數(shù)據(jù)分析相關(guān)三方庫

NumPy、Pandas 和 Matplotlib 初體驗

Power BI 入門

Excel 中的 Power Query 插件介紹

從 Excel 升級到 Power BI 的理由

Power BI Desktop 的安裝

Power BI 的組成部分

Power BI 的官方網(wǎng)站和幫助功能

Power BI 功能初體驗

輸入和連接數(shù)據(jù)

使用 NumPy 實現(xiàn)批量數(shù)據(jù)處理

創(chuàng)建 ndarray 對象

ndarray 對象的屬性

ndarray 對象的索引和切片

ndarray 對象的方法

ndarray 對象和標量的運算

兩個 ndarray 對象的運算

廣播機制

NumPy 中操作數(shù)組的函數(shù)

Power BI 數(shù)據(jù)清洗和建模

Power Query 編輯器的使用

更改數(shù)據(jù)類型

處理重復(fù)值和異常值

數(shù)據(jù)的排序和篩選

刪除行和列

列的合并和拆分

添加自定義列

合并和追加表數(shù)據(jù)

表關(guān)系的編輯和刪除

pandas 數(shù)據(jù)分析入門

pandas 三種核心數(shù)據(jù)類型

讀取 CSV 和 Excel 文件創(chuàng)建 DataFrame

從數(shù)據(jù)庫二維表讀取數(shù)據(jù)創(chuàng)建 DataFrame

DataFrame 對象的屬性

DataFrame 對象的常用方法

操作 DataFrame 對象的行和列

操作 DataFrame 對象的單元格

DataFrame 對象的數(shù)據(jù)篩選

DataFrame 對象的數(shù)據(jù)拼接和合并

數(shù)據(jù)清洗的概念

DataFrame 處理缺失值、異常值和重復(fù)值

DataFrame 對象數(shù)據(jù)的變形和預(yù)處理

生成虛擬變量

數(shù)據(jù)的分箱（離散化）

Power BI 數(shù)據(jù)可視化和報表制作

DAX 的概念和語法

常用 DAX 函數(shù)

度量值和計算列

常用視覺對象的介紹

調(diào)整視覺對象的外觀

從市場加載更多視覺對象

Power BI 編輯交互和工具提示

數(shù)據(jù)的鉆取

切片器的應(yīng)用

動態(tài)數(shù)據(jù)單位和指標切換

Power BI 報表設(shè)計

pandas 數(shù)據(jù)分析進階

DataFrame 對象的數(shù)據(jù)排序和頭部值獲取

DataFrame 對象的數(shù)據(jù)分組聚合操作

生成透視表和交叉表

基于 DataFrame 對象繪制統(tǒng)計圖表

DataFrame 對象的數(shù)據(jù)抽樣

DataFrame 對象的窗口計算

計算協(xié)方差和相關(guān)系數(shù)

Index 類型及其子類型概述

時間序列和 DatatimeIndex 對象的常用方法

認識和使用Tableau

Tableau 簡介

Tableau Desktop 的安裝和功能區(qū)介紹

Tableau 連接數(shù)據(jù)源

數(shù)據(jù)類型和運算符

表關(guān)系、表連接和數(shù)據(jù)合并

創(chuàng)建和使用工作表

可視化圖表的應(yīng)用

matplotlib 統(tǒng)計圖表繪制

Matplotlib 概述

Matplotlib 的配置參數(shù)

創(chuàng)建畫布

定制坐標系

折線圖和面積圖

散點圖和氣泡圖

柱狀圖和堆疊柱狀圖

餅圖和環(huán)狀餅圖

箱線圖和小提琴圖

雷達圖和玫瑰圖

深入探索 Tableau

分層結(jié)構(gòu)和數(shù)據(jù)鉆取

數(shù)據(jù)分箱和數(shù)據(jù)桶

計算字段、函數(shù)和參數(shù)

組、集和篩選器

高級可視化圖表的應(yīng)用

參考線和參考區(qū)間

相關(guān)分析和回歸模型

時間序列分析

LOD 表達式的應(yīng)用場景

統(tǒng)計思維及其應(yīng)用

概率論概述

概率論和統(tǒng)計學概述

統(tǒng)計思維對數(shù)據(jù)分析師的重要性

數(shù)據(jù)和數(shù)據(jù)的分類

獲取數(shù)據(jù)的描述性統(tǒng)計信息

探索數(shù)據(jù)的分布

隨機事件、樣本空間和隨機試驗

概率的定義

復(fù)合事件和條件概率

隨機變量的概念

期望和方差

離散型隨機變量及其分布

區(qū)間估計和方差分析

參數(shù)估計的方法

點估計的實施方法

區(qū)間估計的原理

應(yīng)用區(qū)間估計解決實際問題

樣本容量的確定

區(qū)間估計和假設(shè)檢驗的聯(lián)系

方差分析的基本思路

方差分析的實施細節(jié)

中心極限定理和假設(shè)檢驗

正態(tài)分布

數(shù)據(jù)獲取和抽樣

常用統(tǒng)計量

基于正態(tài)分布的三大分布

抽樣均值分布

中心極限定理

假設(shè)檢驗的基本原理

z檢驗、t檢驗和卡方檢驗

相關(guān)性和回歸分析

變量關(guān)系的確定

相關(guān)關(guān)系和相關(guān)系數(shù)

一元線性回歸和最小二乘法

回歸模型的驗證

啞變量回歸

多元線性回歸

消除多重共線性

嶺回歸和邏輯回歸

時間序列分析

時間序列的基本定義

平穩(wěn)時間序列

自回歸模型

移動平均模型

自相關(guān)移動平均模型

ARIMA 模型

時間序列分析案例講解

機器學習算法

決策樹和隨機森林算法

決策樹算法概述

特征選擇依據(jù)

決策樹的剪枝

決策樹應(yīng)用實戰(zhàn)

決策樹模型超參數(shù)調(diào)優(yōu)

隨機森林算法

隨機森林的優(yōu)缺點

隨機森林超參數(shù)調(diào)優(yōu)

神經(jīng)網(wǎng)絡(luò)模型

什么是神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)機器學習對比

神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域

感知機基本結(jié)構(gòu)

激活函數(shù)和損失函數(shù)

多層神經(jīng)網(wǎng)絡(luò)模型

前向傳播和反向傳播原理

實現(xiàn)一個神經(jīng)網(wǎng)絡(luò)模型

深度神經(jīng)網(wǎng)絡(luò)模型和深度學習

深度學習在計算機視覺中的應(yīng)用

回歸算法

回歸模型的分類

線性回歸算法原理和數(shù)學推導(dǎo)

線性回歸代碼實現(xiàn)

回歸模型評價標準

多重共線性的危害、檢驗和避免

Ridge 回歸和 Lasso 回歸原理及應(yīng)用

梯度下降算法和極大似然估計

損失函數(shù)構(gòu)造及優(yōu)化

回歸模型的超參數(shù)調(diào)優(yōu)

多項式回歸

邏輯回歸的算法原理

邏輯斯蒂回歸的應(yīng)用及優(yōu)化

特征工程

數(shù)據(jù)挖掘標準流程

特征工程概述

特征選擇方法

主成分分析（PCA）

線性判別分析（LDA）

t 分布隨機鄰域嵌入（t-SNE）

聚類算法

無監(jiān)督學習算法介紹

聚類算法的應(yīng)用場景

K-Means 聚類原理

簇的概念和質(zhì)心的尋找

K-Means 算法的代碼實現(xiàn)

K-Means 算法優(yōu)缺點和擴展優(yōu)化

?K 值選擇和手肘法

機器學習項目實戰(zhàn)

信用風險評估體系

申請者模型、評級模型、催收模型、欺詐模型

的關(guān)系及意義

信用風險評級模型開發(fā)流程

業(yè)務(wù)場景定義（觀察窗口、表現(xiàn)窗口）

異常值和空值的處理

探索性數(shù)據(jù)分析（EDA）

WOE、IV 值意義及特征轉(zhuǎn)換

特征重要性評估

模型訓練和超參數(shù)調(diào)優(yōu)

變量選擇

特征重要性評估（RFE）

IV 值檢驗

信用評分轉(zhuǎn)換和評分卡制作

模型監(jiān)控及拒絕推斷

支持向量機

SVM 算法原理和數(shù)學推導(dǎo)

幾何間隔和拉格朗日乘子法

線性核函數(shù)的應(yīng)用及優(yōu)化

線性核函數(shù)的斜率和截距

高斯核函數(shù)應(yīng)用及優(yōu)化

SVC 分類算法應(yīng)用及調(diào)參

SVR 回歸算法應(yīng)用及調(diào)參

軟間隔與硬間隔

數(shù)據(jù)倉庫和大數(shù)據(jù)挖掘

Linux 系統(tǒng)概述

Linux 操作系統(tǒng)簡介

Linux 的常用發(fā)行版本介紹

常用 SSH 客戶端工具介紹

Linux 系統(tǒng)命令講解

Linux 系統(tǒng)常用工具

Linux 系統(tǒng)軟件和服務(wù)的安裝和管理

Vim 和 Shell 腳本編寫

PySpark 大數(shù)據(jù)分析

Spark 架構(gòu)與核心組件

RDD、DataFrame、Dataset

Spark 本地環(huán)境和集群環(huán)境

安裝與配置 PySpark

數(shù)據(jù)讀取和基本操作

數(shù)據(jù)清洗和轉(zhuǎn)換

使用 Spark SQL 執(zhí)行復(fù)雜任務(wù)

PySpark MLlib 的應(yīng)用

PySpark Streaming 和實時數(shù)據(jù)處理

數(shù)據(jù)倉庫基礎(chǔ)

數(shù)據(jù)倉庫概述

數(shù)據(jù)倉庫分層架構(gòu)

維度建模和關(guān)系建模

星型模型和雪花模型

ETL 流程和相關(guān)工具

使用 Python+pandas 實現(xiàn) ETL 流程

增量 ETL 實現(xiàn)方案

數(shù)據(jù)倉庫的存儲優(yōu)化和安全管理

數(shù)據(jù)倉庫項目實戰(zhàn)

項目需求與目標

數(shù)據(jù)源介紹

企業(yè)級數(shù)據(jù)倉庫設(shè)計

數(shù)據(jù)加載和準備

使用 Hive 進行數(shù)據(jù)查詢與分析

Spark SQL 與 Hive 整合

查詢性能優(yōu)化

BI 工具接入和數(shù)據(jù)可視化

Hive 實戰(zhàn)

Hadoop 大數(shù)據(jù)生態(tài)圈概述

安裝和配置 Hive 環(huán)境

配置和初始化 Hive 元數(shù)據(jù)庫

啟動和驗證 Hive

HiveSQL 語法和數(shù)據(jù)類型

創(chuàng)建數(shù)據(jù)庫和表

加載數(shù)據(jù)到 Hive 表

Hive 查詢操作

分區(qū)表和分桶表

管理表和外部表

Hive 常用內(nèi)置函數(shù)

Hive 性能優(yōu)化

大模型應(yīng)用和AI 智能體開發(fā)

大模型概述和本地化部署

大模型及其發(fā)展史概述

大模型基本原理和架構(gòu)（Transformer）

大模型的應(yīng)用領(lǐng)域、優(yōu)勢和挑戰(zhàn)

商業(yè)和開源大模型對比

大模型私有化部署概述

部署大模型的硬件需求

Ollama 介紹

Ollama 安裝和模型導(dǎo)入

Ollama 相關(guān)命令介紹

Ollama API 的使用

使用 FastAPI 部署 Ollama 可視化界面

LangChain 框架入門

LangChain 概述

LangChain 核心模塊

使用 Pipeline

代理（Agents）與工具（Tools）機制介紹

LCEL 的應(yīng)用

LangChain 調(diào)用本地 LLM

提示詞工程

提示詞的基本概念

提示詞結(jié)構(gòu)與格式

提示詞的上下文設(shè)置

如何設(shè)計有效的提示詞

基礎(chǔ) Prompt：Few-shot、Zero-shot、CoT

高級 Prompt：ReAct、ToT、Program-aided

提示詞調(diào)優(yōu)工具

設(shè)計并優(yōu)化提示詞生成特定內(nèi)容

RAG 和大模型微調(diào)

RAG 的概念與應(yīng)用場景

向量數(shù)據(jù)庫概述

通過 LangChain 實現(xiàn)基礎(chǔ) RAG 流程

結(jié)合 Embedding 模型優(yōu)化檢索

高級 RAG 優(yōu)化

RAG+LangChain Agents 結(jié)合

RAG 的性能評估與優(yōu)化指標

微調(diào)與適配層（PEFT、LoRA）

使用 Hugging Face Trainer 進行 SFT

低秩適配（LoRA）優(yōu)化大模型微調(diào)的成本

大模型開發(fā)工具庫 transformers

transformers 庫是什么

transformers 核心功能模塊

大模型開發(fā)環(huán)境搭建

Hugging Face 數(shù)據(jù)集

模型訓練基類（Trainer）

訓練參數(shù)與超參數(shù)配置（TrainingArguments）

模型訓練評估庫（Hugging Face Evaluate）

transformers 預(yù)訓練模型

大模型高效微調(diào)技術(shù)（PEFT）

LangChain 實戰(zhàn)

Agents 的基本原理（LLM+ 計劃 + 記憶 + 工具）

AI 應(yīng)用架構(gòu)與系統(tǒng)設(shè)計

OpenAI Function 調(diào)用

LangChain 工具

ReAct 與 Self-Refine Agent 實現(xiàn)

讓 Agents 具備長期記憶

AI 銷售助理 / 智能客服助手項目實戰(zhàn)

Dify 的部署和應(yīng)用

Dify 的概念和核心功能

使用 Dify 平臺部署模型

如何可視化構(gòu)建 AI Agent

數(shù)據(jù)集管理

Workflow 自動化

結(jié)合 LangChain 優(yōu)化 AI Agent 能力

Dify 與其他工具集成

其他智能體開發(fā)框架和工具概述

就業(yè)指導(dǎo)和模擬面試

就業(yè)期的技術(shù)和心理準備

數(shù)據(jù)分析師的硬實力和軟技能

數(shù)據(jù)挖掘工程師的技能棧

如何成為一個優(yōu)秀的職業(yè)人

就業(yè)期的心理準備和心態(tài)調(diào)整

自我介紹話術(shù)指導(dǎo)

面試流程和注意事項

校招面試流程解析

社招面試流程解析

高頻面試題回答技巧

如何回答開放式問題

如何避開面試中的坑

面試后的總結(jié)和復(fù)盤

職業(yè)規(guī)劃的相關(guān)問題

入職第一周注意事項

如何制作一份優(yōu)質(zhì)的簡歷

數(shù)據(jù)分析師簡歷要點

數(shù)據(jù)挖掘工程師簡歷要點

簡歷排版注意事項

簡歷制作常見問題剖析

STAR 法則的應(yīng)用

如何給簡歷做標注稿

網(wǎng)投簡歷的注意事項和投遞方法