从 Python、SQL、可视化一路学到统计与机器学习，建立能够独立解决数据问题的完整框架。
12 周小班 · 开放报名
零基础 → 可发布作品
AI 启航计划Python 数据分析
从 Python、Pandas 和可视化开始，逐步进入 SQL、统计分析、机器学习与完整项目发布，把每周练习连接成一套可展示的作品集。
- 第 01–03 周Python、Pandas 与 EDA
建立分析工作台，完成数据读取、处理、可视化与探索。
- 第 04–06 周SQL、清洗与统计
处理多表问题、异常数据与统计判断，让结论可复核。
- 第 07–10 周机器学习与 AI 应用
从监督学习、聚类到时间序列与模型应用，建立模型判断力。
- 第 11–12 周项目交付与作品发布
完成项目、报告、README 与展示材料，形成作品集。
适合谁
从你的基础与目标出发。
- 从零开始建立 Python、SQL 与数据分析基础
- 工作、课程或转型中需要处理真实数据
- 想完成一套可以运行和讲解的项目作品集
- 留学生、转码者以及准备数据相关岗位的学习者
- 每周可以稳定投入练习、作业与项目复盘
- 希望通过小班反馈持续改进分析与表达
学习成果
练习之后，能做些什么。
把练习、图表、模型和报告连成可运行、可展示的完整作品集。
能够读懂真实数据、讲清分析结论，也为项目、求职表达和后续 AI 学习打下基础。
课程安排
12 周，每一周都有明确成果。
Week 01 Python 基础语法入门
用一组订单数据完成第一条可运行分析链。
- 变量与数据类型
- 列表、字典与集合
- 条件、循环与函数
本节成果Python 基础练习 Notebook 与学习环境记录
Week 02 NumPy 与 Pandas 数据处理
把原始 CSV 整理成结构清楚、可以继续分析的数据表。
- 数组与批量计算
- DataFrame 与索引
- 数据导入、转换与导出
本节成果清洗后的 CSV、Notebook 与字段说明
Week 03 数据可视化与 EDA
用图表寻找模式，并把观察写成可核对的结论。
- Matplotlib 与 Seaborn
- 探索性数据分析
- 图表表达与数据故事
本节成果核心图表、结论卡与 EDA 报告
Week 04 SQL 多表分析
从单表查询走到 JOIN、分组指标和多表业务问题。
- SELECT 与筛选排序
- GROUP BY 与聚合
- JOIN 与查询审计
本节成果SQL 查询集与多表分析报告
Week 05 数据预处理与清洗
建立缺失、重复、异常与缩放的处理决策。
- 缺失值策略
- 重复与异常审计
- 标准化与归一化
本节成果清洗前后对照与数据质量清单
Week 06 统计分析基础
用统计证据回答差异、相关与线性关系问题。
- 描述性统计
- 假设检验
- 相关与简单线性回归
本节成果统计分析 Notebook 与结论摘要
Week 07 监督学习入门
完成一条从任务定义到模型评估的监督学习流程。
- 训练与评估流程
- 回归与分类
- 指标与错误分析
本节成果监督学习模型与评估说明
Week 08 无监督学习入门
用聚类、层次结构和降维发现样本结构。
- K-means
- 层次聚类
- PCA 与特征选择
本节成果分群结果、画像与可视化
Week 09 时间序列分析
识别趋势与季节性，并用回测选择基础预测方法。
- 日期与时间索引
- 趋势、季节性与移动平均
- 预测基线与回测
本节成果时间序列图与预测结果说明
Week 10 AI 模型应用实战
比较树模型并记录调参、交叉验证与评估证据。
- 决策树原理
- 随机森林集成学习
- 模型调参
- 交叉验证和模型评估
本节成果模型对比、调参记录与评估报告
Week 11 项目开发实战
从课程内外的真实问题出发，选择适配的数据、基线与验证路线，完成一份可复现开放项目；UCI 项目作为完整参考与保底路线。
- 项目主题选择与规划
- 数据源查找与获取
- 完整建模流程实现
- 结果分析与可视化展示
本节成果可复现开放项目、本地证据包、核心图表与最小运行说明
Week 12 项目发布与求职准备
冻结 Week11 已确认的项目证据，把成果整理成安全、可核验的 Git/GitHub 发布候选、README、简历与讲解材料。
- GitHub 项目提交规范
- 项目说明文档撰写
- 简历优化建议
- 项目讲解与模拟面试
本节成果GitHub 发布候选、README、作品集报告、简历表达与项目讲解稿
学习方式
选择小班共学或文字版自学。
小班包含课程、讨论与反馈；文字版提供课程正文与配套资料。