先看它解决什么问题，再决定要不要学
这份资料对应的是一门偏向求职与转岗的数据科学强化课，主题是机器学习基础加 Python 编程，同时覆盖商业分析和数据科学两个方向。它解决的核心场景很具体：你已经会一点 Excel 或 SQL，但遇到需要用 Python 处理数据、用机器学习模型做预测或分类的任务时无从下手；或者你想投数据分析师、商业分析师、初级算法岗，却卡在编程基础不牢、模型原理讲不清楚这两关。资料不是泛泛的科普，而是按周排布的理论加编码练习，前两个月统一夯实概率、Python 语法、线性数据结构和传统机器学习模型，第三个月分方向准备面试。如果你目前的工作完全没接触过代码，或者只想学几招可视化技巧，这份内容会偏重，不必硬啃。
建议先看哪几块，资料怎么配合练习
拿到资料后，不要从头逐字看理论，先从 Python 基础和概率基础这两块入手。Python 部分重点过变量与语法、函数与类，因为后续所有机器学习代码都依赖这两层；概率部分不用追求推导完美，但要理解分布、期望、条件概率这些概念，否则后面讲模型评估指标时会断档。看完基础后，直接进入传统机器学习模型部分，配合资料里的编码练习，自己用小数据集跑一遍分类和回归流程，重点练数据读取、特征处理、模型训练、结果评估这四步。资料里的代码示例不要只读，建议本地配好 Python 环境，边看边敲，遇到报错先查文档再往下走。第三个月的分方向内容，如果你目标是商业分析岗，优先看业务指标拆解和案例题；如果目标是数据科学或算法岗，把时间投在模型原理问答和编码题上。
学完能独立做什么
把前两个月的理论和编码部分踏实走完，你能独立完成一个标准的机器学习小项目：从拿到一份结构化数据开始，用 Python 做清洗和探索，选择合适的传统模型做分类或回归，输出评估指标并解释结果。第三个月的面试准备内容走完后，你能应对大多数初中级数据岗的技术问答，包括讲清一个模型为什么选、怎么调、指标怎么看。需要提醒的是，这份资料不涉及深度学习和大模型开发，如果你的目标是算法工程师或 AI 研究岗，它只够做前置基础，后面还需要补深度学习框架和项目经验。对转行者和想从业务岗往数据方向挪一步的上班族来说，这个定位是够用的，关键看你自己有没有把代码练到能独立跑通的程度。
课程目录
从这里，踏上人工智能与数据科学创新之路，商业分析与数据科学两大方向，强化培养面试技能！ 针对学员的职业规划，分商业分析和数据科学两个方向教学。前两个月共同上课，夯实基础，后一个月，分班上课，有针对性的准备面试。两个方向课程时间不冲突，您如果学有余力，也可以全方面准备。 #### 第1部分 机器学习理论+Python编程基础 您将学习Python语法、基本的线性数据结构和搜索算法、以及工业界主流的传统机器学习模型，夯实数据科学基础。 上课频率: 1个月，每周5节课，每节课2-3小时 第1周 Introduction of Data Science Fundamentals of Probability [Coding] Python Basics 1 variable and syntax 第2周 [Coding] Python Basics 2 function and class Linear Regression & Logistic Regression I [Coding] Python Basics 3 base data structure [Coding] Python Binary Search Logistic Regression II & Regularization 第3周 [Coding] Python Array Basic Sorting Model Evaluation [Coding] Python LinkedList and Recursion I [Coding] Python LinkedList & Recrusion I cont Nonlinear Models I 第4周 [Coding] Python Practice Nonlinear Models II & Feature Selection [Coding] Python Advanced Sorting and Practice [Coding] Python Review PCA & Unsupervised Learning #### 第2部分 概率与统计知识 & Python编程进阶 您将进一步学习Python、数据结构和算法知识，锻炼Coding能力，并学习数理统计、概率等相关的重要知识点。 上课频率: 3周，每周5节课，每节课2-3小时 第5周 Data Manipulation in Python 1 [Coding] Python Queue and Stack [Coding] Python Advanced Sorting and Practice Data Manipulation in Python 2 [Coding] Python Review [Coding] Python Review [Coding] Exam 1 第6周 Machine Learning Project 1 - Customer Churn Prediction [Coding] Python Binary Tree [Coding] Recursion II - recursion on tree Machine Learning Project 2 - NLP and Topic Modeling [Coding] Python Practice 第7周 Introduction to statistics [Coding] Python Binary Search Tree [Coding] Python review Resume and Interview Preparation I Resume and Interview Preparation II A/B testing 1 [Coding] Python Heap A/B testing 2 第8周 A/B testing 3 [Coding] Python Review A/B testing 4 Inference in regression 第9周 [Coding] String I SQL I [Coding] Recursion III DFS [Coding] Recursion III DFS cont SQL II #### 第3部分 OA经典案例分析与简历辅导 本阶段，您将学习经典Online Assessment破题思路，了解如何选择track，并获得深入准备和提升简历。 上课频率: 2 周, 每周5节课，每节课2-3小时 第10周 [Coding] Exam 2 SQL III Stats review [Coding] Probability, Sampling, Randomization Resume and interview preparation Career guide: BA vs DS Online Assessment - deep dive 1 Online Assessment - deep dive 2 #### 第4部分 商业/数据分析Track 4+案例分析与项目实战，加强您的分析能力和统计知识，夯实SQL和Python基础，提升沟通等软实力，帮助您顺利通过商业分析岗位面试。 上课频率: 1个月，每周4节课，每节课2-3小时 第11周 BA track introduction BA track mock interview [Coding-for-BA] Queue, Stack 第12周 eCommerce deep dive 1: System design eCommerce deep dive 2: Data driven marketing eCommerce deep dive 3: Data lab [Coding-for-BA] HashTable 第13周 eCommerce deep dive 4: Data lab Data visualization In Tableau Data visualization in Python [Coding-for-BA] String practice 第14周 Case study deep dive 1 Case study deep dive 2 Case study deep dive 3 Anomaly Detection 1 第15周 Anomaly Detection 2 Anomaly Detection 3 Supply chain data 1 Supply chain data 2 第16周 Review of BA/DA track 数据科学/工程Track 7+个机器学习项目实战，深入讲解分布式系统Spark和深度学习TensorFlow等前沿知识，帮助您拿到数据科学岗位offer。 上课频率: 1月, 每周4节课, 每节课2-3小时 第11周 Big data and ML I: Data pipeline Big data and ML I: Course project introduction [Coding] Advanced Tree (complete tree, segment tree, trie tree) 第12周 Big data and ML II: Spark RDD, SQL, DataFrame Big data and ML III: Spark ML Big data and ML IV: Spark ML and CTR [Coding] Graph Search Algorithm 第13周 Big data and ML V: Recommendation system Big data and ML VI: Apache Spark and Flink Streaming ML Advanced Topics I - Model Implementation [Coding] Graph Search Algorithm Cont 第14周 ML Advanced Topics II - Gradient Boosting Machine ML Advanced Topics III - Data Science Case Study ML Advanced Topics IV - XGBoost Practice [Coding] Python practice: mock interviews 第15周 Deep Learning I - Neural Network Basics Deep Learning II - Implement Neural Network from Scratch Spark lab practice and code review Deep Learning III - Convolutional Neural Network 第16周 Deep Learning IV - Recursive Neural Network
