---
atlas: "[[Task Tracker]]"
completed: 65
created: 2023-07-08 03:18:59
incomplete: 1935
modified: 2024-04-20 23:31:51
tags:
  - Task
title: 全栈工程师
total: 2000
---

# GitHub

## 尚硅谷 git 快速入门

- [x] 教程简介 ✅ 2023-09-14
- [x] 为什么学习 Git 软件 ✅ 2023-09-14
- [x] 版本控制 ✅ 2023-09-14
- [x] 版本控制软件基础功能 ✅ 2023-09-14
- [x] 集中式、分布式版本控制软件 ✅ 2023-09-14
- [x] Git 安装 ✅ 2023-09-20
- [x] GitHub Desktop - 介绍 ✅ 2023-09-20
- [x] GitHub Desktop - 仓库操作 ✅ 2023-09-20
- [x] GitHub Desktop - 文件操作 ✅ 2023-09-20
- [x] GitHub Desktop - 分支原理 ✅ 2023-09-20
- [x] GitHub Desktop - 分支操作 ✅ 2023-09-20
- [x] GitHub Desktop - 标签 ✅ 2023-09-20
- [x] GitHub Desktop - 远程仓库 GitHub ✅ 2023-09-20
- [x] GitHub Desktop - 远程仓库 Gitee ✅ 2023-09-20
- [x] GitHub Desktop - README, IGNORE ✅ 2023-09-20
- [x] GitHub Desktop - 文件图标和比对功能 ✅ 2023-09-20
- [x] IDEA 集成 - GitHub ✅ 2023-09-20
- [x] IDEA 集成 - Gitee ✅ 2023-09-20
- [x] 版本号 - 介绍 ✅ 2023-09-20
- [x] 版本号 - 文件操作 ✅ 2023-09-20
- [x] 版本号 - 分支操作 ✅ 2023-09-20
- [x] 命令 - 介绍 ✅ 2023-09-20
- [x] 命令 - 仓库操作 ✅ 2023-09-20
- [x] 命令 - 文件操作 ✅ 2023-09-20
- [x] 命令 - 文件操作误删除 ✅ 2023-09-20
- [x] 命令 - 分支操作 ✅ 2023-09-20
- [x] 命令 - 分支操作合并和冲突 ✅ 2023-09-20
- [x] 命令 - 标签操作 ✅ 2023-09-20
- [x] 命令 - 远程仓库 ✅ 2023-09-20
- [x] 搭建自己的代码托管平台 GitLab ✅ 2023-09-20
- [x] 总结 ✅ 2023-09-20

## 韩顺平 GitHub 教程

- [x] 课程内容 ✅ 2023-09-11
- [x] 创建仓库 ✅ 2023-09-11
- [x] 上传网站 ✅ 2023-09-11
- [x] 顶级域名 ✅ 2023-09-11
- [x] 项目结构 ✅ 2023-09-11
- [x] 版本比较 ✅ 2023-09-11
- [x] issues pull action ✅ 2023-09-11
- [x] 项目板 ✅ 2023-09-11
- [x] 项目设置 ✅ 2023-09-11

# Python 

## Python for everybody

### 人人都会编程

#### 为什么要编程

- [ ] 欢迎来到 Python
- [ ] 为什么要编程
- [ ] 硬件概述
- [ ] Python 作为一种语言
- [ ] 编写代码段落
- [ ] 演示：完成 "Hello World" 作业

#### 变量和表达式

- [ ] 表达式（1）
- [ ] 表达式（2）
- [ ] 表达式（3）
- [ ] 练习

#### 条件代码

- [ ] 条件语句
- [ ] 更多条件语句
- [ ] 练习

#### 函数

- [ ] 使用函数
- [ ] 构造函数

#### 循环与迭代

- [ ] 循环和迭代
- [ ] 确定循环
- [ ] 找出最大值
- [ ] 循环语句
- [ ] 练习

### Python 数据结构

#### 字符串

- [ ] 字符串
- [ ] 操作字符串
- [ ] 练习

#### 文件

- [ ] 文件
- [ ] 处理文件
- [ ] 练习

#### 列表

- [ ] 列表
- [ ] 操作列表
- [ ] 列表和字符串
- [ ] 练习

#### 字典

- [ ] 字典
- [ ] 用字典计数
- [ ] 字典和文件
- [ ] 练习

#### 元组

- [ ] 元组
- [ ] 练习

### 使用 Python 访问 Web 数据

#### 正则表达式

- [ ] 正则表达式
- [ ] 提取数据

#### 网络和套接字

- [ ] 网络化技术
- [ ] 超文本传输协议（HTTP）
- [ ] 示例：套接字
- [ ] 使用开发者控制台探索HTTP

#### 网上冲浪程序

- [ ] Unicode 字符和字符串
- [ ] 检索网页
- [ ] 示例：使用 Urllib
- [ ] 解析网页
- [ ] 示例：使用 beautifulsoap

#### 网络服务和 XML

- [ ] 网络数据
- [ ] 可扩展标记语言（XML）
- [ ] XML Schema
- [ ] 解析 XML
- [ ] 示例：XML

#### JSON 和 REST 架构

- [ ] JavaScript 对象符号（JSON）
- [ ] 示例：JSON
- [ ] 面向服务法
- [ ] 面向服务的架构
- [ ] 使用应用程序接口
- [ ] 示例：GroJSON API
- [ ] 安全 API 请求
- [ ] 示例：Twitter API

### 使用 Python 操作数据库

#### 面向对象的 Python

- [ ] 面向对象的定义和术语
- [ ] 我们的第一个类和对象
- [ ] 对象生命周期
- [ ] 对象继承

#### 基础结构化查询语言

- [ ] 关系型数据库
- [ ] 使用数据库
- [ ] 单表 CRUD
- [ ] 示例：计算数据库中的电子邮件

#### 数据模型和关系型 SQL

- [ ] 设计数据模型
- [ ] 用表格表示数据模型
- [ ] 插入管信息数据
- [ ] 使用 JOIN 重构数据
- [ ] 示例：Tracks.py

#### SQL 中的多对多关系

- [ ] 多对多关系
- [ ] 示例：roster.py
- [ ] 示例：Twfriends. py

#### 数据库和可视化

- [ ] 地理编码
- [ ] 地理编码可视化
- [ ] 示例：地理数据

### 使用 Python 检索、处理和可视化数据

#### 建立搜索引擎

- [ ] 网页排名概述
- [ ] 示例：网页排名-爬虫
- [ ] 示例：网页排名-计算
- [ ] 示例：网页排名-可视化

#### 搜索和模拟电子邮件数据

- [ ] Gmane 简介
- [ ] 示例：邮件检索
- [ ] 示例：邮件模型

#### 电子邮件数据可视化

- [ ] 示例：邮件可视化

## 黑马程序员

- [x] 初识 python ✅ 2024-04-20
- [x] 什么是编程语言 ✅ 2024-04-20
- [x] Python 环境安装 ✅ 2024-04-20
- [x] 第一个 Python 程序 - Hello World ✅ 2024-04-20
- [x] 第一个 Python 程序 - 练习讲解 ✅ 2024-04-20
- [x] 第一个 Python 程序 - 常见问题解答 ✅ 2024-04-20
- [x] Python 解释器 ✅ 2024-04-20
- [x] PyCharm 开发工具的安装和基础使用 ✅ 2024-04-20
- [x] PyCharm 的基础使用 ✅ 2024-04-20
- [x] 第一章重点内容回顾 ✅ 2024-04-20
- [x] 字面量 ✅ 2024-04-20
- [x] 注释 ✅ 2024-04-20
- [x] 变量 ✅ 2024-04-20
- [x] 数据类型 ✅ 2024-04-20
- [x] 数据类型转换 ✅ 2024-04-20
- [x] 标识符 ✅ 2024-04-20
- [x] 运算符 ✅ 2024-04-20
- [x] 字符串的三种定义方式 ✅ 2024-04-20
- [x] 字符串的拼接 ✅ 2024-04-20
- [x] 字符串的格式化 ✅ 2024-04-20
- [x] 字符串格式化的精度控制 ✅ 2024-04-20
- [x] 字符串格式化的方式 2 ✅ 2024-04-20
- [x] 对表达式进行格式化 ✅ 2024-04-20
- [x] 字符串格式化练习题讲解 ✅ 2024-04-20
- [x] 数据输入（input 语句） ✅ 2024-04-20
- [ ] 布尔类型和比较运算符
- [ ] if 语句的基本格式
- [ ] 【案例】成年人判断讲解
- [ ] if else 组合判断语句
- [ ] 【案例】我要买票吗讲解
- [ ] if elif else 组合使用的语法
- [ ] 【案例】猜猜心里数字讲解
- [ ] 判断语句的嵌套
- [ ] 判断语句综合案例
- [ ] while 循环的基础应用
- [ ] 【案例】求 1-100 的和讲解
- [ ] while 循环猜数字案例
- [ ] while 循环的嵌套应用
- [ ] 【案例】九九乘法表
- [ ] for 循环的基础语法
- [ ] 【案例】数一数多少字母 a 详解
- [ ] range 语句
- [ ] for 循环临时变量作用域
- [ ] for 循环的嵌套使用
- [ ] for 循环打印九九乘法表
- [ ] continue 和 break
- [ ] 循环综合案例
- [ ] 函数的初体验
- [ ] 函数的基础定义语法
- [ ] 函数基础定义练习案例
- [ ] 函数的传入参数
- [ ] 函数的参数练习案例
- [ ] 函数的返回值自定义语法
- [ ] 函数返回值之 None 类型
- [ ] 函数的说明文档
- [ ] 函数的嵌套调用
- [ ] 变量在函数中的作用域
- [ ] 函数综合案例
- [ ] 数据容器入门
- [ ] 列表的定义语法
- [ ] 列表的下标索引
- [ ] 列表的常用操作方法
- [ ] 列表的常用操作课后练习讲解
- [ ] 列表的循环遍历
- [ ] 元组的定义和操作
- [ ] 字符串的定义和操作
- [ ] 字符串的课后练习讲解
- [ ] 数据容器（序列）的切片
- [ ] 序列的切片课后练习讲解
- [ ] 集合的定义和操作
- [ ] 集合的课后练习
- [ ] 字典的定义
- [ ] 字典的常用操作
- [ ] 字典课后联系讲解
- [ ] 五类数据容器的总结对比
- [ ] 数据容器的通用操作
- [ ] 字符串大小比较的方式
- [ ] 函数的多返回值
- [ ] 函数的多种参数使用形式
- [ ] 函数作为参数传递
- [ ] lambda 匿名函数
- [ ] 文件编码概念
- [ ] 文件的读取操作
- [ ] 文件读取的课后练习讲解
- [ ] 文件的写出操作
- [ ] 文件的追加写入操作
- [ ] 文件操作的综合案例
- [ ] 了解异常
- [ ] 异常的捕获
- [ ] 异常的传递性
- [ ] 模块的概念和导入
- [ ] 自定义模块并导入
- [ ] 自定义 Python 包
- [ ] 安装第三方包
- [ ] 异常、模块、包综合案例讲解
- [ ] 案例介绍
- [ ] JSON 数据格式的转换
- [ ] pyecharts 的入门使用
- [ ] 数据准备
- [ ] 生成折线图
- [ ] 数据可视化案例 - 地图
- [ ] 全国疫情地图构建
- [ ] 河南省疫情地图绘制
- [ ] 基础柱状图构建
- [ ] 基础时间线柱状图绘制
- [ ] 动态 GDP 柱状图绘制
- [ ] 初识对象
- [ ] 类的成员方法
- [ ] 类和对象
- [ ] 构造方法
- [ ] 魔术方法
- [ ] 封装
- [ ] 封装的课后练习题讲解
- [ ] 继承的基础语法
- [ ] 复写父类成员和调用父类成员
- [ ] 变量的类型注解
- [ ] 函数和方法类型注解
- [ ] Union 联合类型注解
- [ ] 多态
- [ ] 数据分析案例步骤 1 文件读取
- [ ] 数据分析案例步骤 2 数据计算
- [ ] 数据分析案例步骤 3 可视化开发
- [ ] SQL 章节前言
- [ ] 数据库介绍
- [ ] MySQL 安装
- [ ] MySQL 的入门使用
- [ ] SQL 基础和 DDL
- [ ] SQL - DQL - 基础查询
- [ ] SQL - DQL - 分组聚合
- [ ] SQL - DQL - 排序分页
- [ ] Python 操作 MySQL 基础使用
- [ ] Python 操作 MySQL 数据插入
- [ ] 综合案例
- [ ] PySpark 实战前言介绍
- [ ] 基础准备
- [ ] 数据输入
- [ ] 数据计算 - map 方法
- [ ] 数据计算 - flatmap 方法
- [ ] 数据计算 - reducebykey 方法
- [ ] 数据计算 - 练习案例 1
- [ ] 数据计算 - filter 方法
- [ ] 数据计算 - distinct 方法
- [ ] 数据计算 - sortby 方法
- [ ] 数据计算 - 练习案例 2
- [ ] 数据输出 - 输出为 Python 对象
- [ ] 数据输出 - 输出到文件中
- [ ] 综合案例
- [ ] 大数据分布式集群运行综合案例代码
- [ ] 闭包
- [ ] 装饰器
- [ ] 设计模式 - 单例模式
- [ ] 设计模式 - 工厂模式
- [ ] 多线程并行执行概念
- [ ] 多线程编程
- [ ] Socket 服务端开发
- [ ] Socket 客户端开发
- [ ] 正则表达式 - 基础方法
- [ ] 正则表达式 - 元字符匹配
- [ ] 递归

# 爬虫

## Genji

- [ ] 课程介绍
- [ ] 快速易懂 Python 入门
- [ ] 爬虫的流程？从入门到入狱？
- [ ] 什么是 HTTP 请求和相应？
- [ ] 如何用 Python Requests 发送请求
- [ ] 如何用 Python Requests 拿到豆瓣源码
- [ ] 什么是 HTML 网页结构
- [ ] HTML 有哪些常见标签
- [ ] 练习 HTML 常见标签
- [ ] 如何用 Beautiful Soup 解析 HTML 内容
- [ ] 从源码获取豆瓣电影 TOP250
- [ ] 下一步是什么？

# 数据分析

## Google 数据分析

### 基础：无处不在的数据

#### 介绍数据分析和分析思维

- [ ] 欢迎
- [ ] 课程介绍
- [ ] 日常生活中的数据分析
- [ ] 数据分析的维度
- [ ] 什么是数据生态系统
- [ ] 数据如何帮助做出更好的决策
- [ ] 发现数据技能集
- [ ] 数据分析师的关键技能
- [ ] 关于分析思维
- [ ] 探索核心分析技能
- [ ] 数据驱动成功结果
- [ ] 见证数据魔术
- [ ] 接下来会发生什么

#### 数据的精彩世界

- [ ] 了解数据阶段和工具
- [ ] 数据生命周期的各个阶段
- [ ] 六个数据分析阶段
- [ ] 数据分析过程示例
- [ ] 探索数据分析师工具

#### 建立数据分析工具箱

- [ ] 核心数据工具的来龙去脉
- [ ] 让电子表格成为你的朋友
- [ ] SQL 的实际应用
- [ ] 每天学习新技能都面临困难
- [ ] 成为数据可视化专家
- [ ] 数据可视化的力量

#### 成为公平且有影响力的数据专家

- [ ] 言归正传
- [ ] 数据分析师的工作
- [ ] 成为数据分析师的道路
- [ ] 支持数据分析领域的职业发展
- [ ] 数据在商业中的力量
- [ ] 数据侦探
- [ ] 了解数据和公平
- [ ] 公平和合乎道德的数据决策
- [ ] 不同行业的数据分析师
- [ ] 面试最佳做法
- [ ] 课程小结

### 提出问题以做出数据驱动的决策

#### 提出有效问题

- [ ] 解决问题和有效提问的入门
- [ ] 实际应用中的数据
- [ ] 数据处理流程
- [ ] 常见问题类型
- [ ] 继续探索业务应用
- [ ] 从假设到结果
- [ ] 明智的问题
- [ ] 数据开启大门

#### 做出数据驱动的决策

- [ ] 数据和决策
- [ ] 数据如何赋能决策
- [ ] 定性和定量数据
- [ ] 分享您的发现
- [ ] 数据与指标
- [ ] 数学思维

#### 电子表格的魔力

- [ ] 令人惊叹的电子表格
- [ ] 开始使用电子表格
- [ ] 基本电子表格任务
- [ ] 成功公式
- [ ] 函数 101
- [ ] 解决问题之前先理解它
- [ ] 工作范围和结构化思维
- [ ] 保持客观

#### 永远记住利益相关者

- [ ] 与你的团队保持沟通
- [ ] 平衡团队的需求和期望
- [ ] 专注于重要的事情
- [ ] 清晰的沟通是关键
- [ ] 有效沟通技巧
- [ ] 在项目目标间平衡期望值和现实
- [ ] 如何与利益相关者沟通
- [ ] 数据权衡：速度与准确性
- [ ] 思考你的流程和产出
- [ ] 满足最佳实践
- [ ] 加入新团队
- [ ] 从冲突到合作
- [ ] 来自美国海军陆战队的数据分析
- [ ] 课程小结

### 为探索准备数据

#### 数据类型和结构

- [ ] 数据探索入门
- [ ] 令人着迷的数据洞察力
- [ ] 我们世界的数据收集
- [ ] 确定要收集什么数据
- [ ] 探索数据格式
- [ ] 继续探索结构化数据
- [ ] 了解你正在使用的数据类型
- [ ] 数据表组件
- [ ] 满足宽表和长表

#### 数据可靠性

- [ ] 偏见、可信度、隐私和道德入门
- [ ] 偏差：从问题到结论
- [ ] 有偏差和无偏差的数据
- [ ] 了解数据中的偏差
- [ ] 确定好的数据源
- [ ] 什么是坏数据
- [ ] 基本数据伦理
- [ ] 数据伦理的重要性
- [ ] 优先考虑数据隐私
- [ ] 合乎道德地使用数据
- [ ] 开放数据的特点
- [ ] 合乎道德的数据使用步骤

#### 数据库要点

- [ ] 关于数据库的一切
- [ ] 数据库特性和组件
- [ ] 揭开元数据的神秘面纱
- [ ] 用元数据管理数据
- [ ] 元数据的乐趣
- [ ] 这么多地方可以找到数据
- [ ] 从电子表格和数据库导入数据
- [ ] 排序和过滤，以集中处理相关数据
- [ ] 了解 BigQuery，包括沙盒和计费选项
- [ ] BigQuery 实际应用

#### 整理和保护数据

- [ ] 对你的数据充满信心
- [ ] 让我们整理起来
- [ ] 电子表格中的安全功能

#### 参与数据社区

- [ ] 管理您作为数据分析师的存在
- [ ] 为什么在线展示很重要
- [ ] 提升在线形象的技巧
- [ ] 网络知识
- [ ] 导师制的好处
- [ ] 导师是关键
- [ ] 课程小结

### 从脏数据到干净数据的处理

#### 数据完整性的重要性

- [ ] 数据完整性入门
- [ ] 为什么数据完整性很重要
- [ ] 平衡目标与数据完整性
- [ ] 处理不足的数据
- [ ] 样本量的重要性
- [ ] 使用统计能力
- [ ] 确定最佳样本量
- [ ] 评估数据完整性

#### 清洗数据以获得更准确的洞察力

- [ ] 清洗
- [ ] 为什么数据清洗至关重要
- [ ] 我喜欢清洗数据
- [ ] 识别并修复脏数据
- [ ] 数据清洗工具和技术
- [ ] 清洗来自多个来源的数据
- [ ] 电子表格中的数据清洗功能
- [ ] 优化数据清洗流程
- [ ] 不同的数据视角
- [ ] 更多数据清洗技术

#### 使用 SQL 进行数据清洗

- [ ] 使用 SQL 进行数据清洗
- [ ] 对 SQL 的热爱
- [ ] 理解 SQL 的功能
- [ ] 电子表格与 SQL
- [ ] 广泛使用的 SQL 查询
- [ ] 体验 SQL 的乐趣
- [ ] 使用 SQL 清洗字符串变量
- [ ] 高级数据清洗函数（1）
- [ ] 高级数据清洗函数（2）

#### 核实与报告清洁结果

- [ ] 核实与报告结果
- [ ] 确认数据清洗符合业务预期
- [ ] 核实数据清洗
- [ ] 捕捉清洗变化
- [ ] 为什么文档很重要
- [ ] 反馈和清洗

#### 添加数据到你的简历中

- [ ] 关于数据分析师招聘流程
- [ ] 数据分析师职位申请
- [ ] 制作简历
- [ ] 使你的简历独一无二
- [ ] 黑人和非裔美国人融入数据行业
- [ ] 翻译过去的工作经验
- [ ] 我的数据分析师之路
- [ ] 你的兴趣在哪里
- [ ] 课程小结

### 分析数据回答问题

#### 整理数据以进行更有效的分析

- [ ] 整理入门
- [ ] 分析过程
- [ ] 坚持不懈
- [ ] 总是需要整理
- [ ] 使用 SQL 筛选数据
- [ ] 对电子表格中的数据进行排序
- [ ] 在电子表格中使用排序函数
- [ ] 有意义的职业之旅
- [ ] 使用 SQL 排序数据

#### 格式化和调整数据

- [ ] 数据格式化入门
- [ ] 从一种类型到另一种类型
- [ ] 数据验证
- [ ] 条件格式化
- [ ] 合并文本字符串以获得洞察力
- [ ] 电子表格中的字符串
- [ ] 当你陷入困境时
- [ ] 关于分析阶段的一切
- [ ] 遇到挑战不用担心
- [ ] 何时使用哪种工具

#### 汇总分析数据

- [ ] 汇总数据进行分析
- [ ] 准备 VLOOKUP
- [ ] VLOOKUP 的实际应用
- [ ] 识别并修复常见的 VLOOKUP 错误
- [ ] 探索 JOIN 的如何运作
- [ ] 嵌套查询
- [ ] 使用子查询汇总数据
- [ ] 数据分析带您去往何处

#### 执行数据计算

- [ ] 数据计算
- [ ] 常用计算公式
- [ ] 函数和条件
- [ ] 复合函数
- [ ] 开始使用数据透视表
- [ ] 数据透视表续
- [ ] 查询与计算
- [ ] 在 SQL 中嵌入简单计算
- [ ] 与其他语句的计算
- [ ] 检查和重新检查
- [ ] 临时表
- [ ] 多表变体
- [ ] 课程小结

### 通过可视化艺术共享数据

#### 数据可视化

- [ ] 数据洞察交流入门
- [ ] 数据可视化的力量
- [ ] 数据可视化为何重要
- [ ] 连接图像与数据
- [ ] 强大可视化的秘诀
- [ ] 动态可视化
- [ ] 艺术元素
- [ ] 数据可视化的影响
- [ ] 设计思维和可视化
- [ ] 无障碍可视化
- [ ] 让数据易于访问

#### 使用 Tablesu 创建数据可视化

- [ ] 使用 Tablesu 进行数据可视化
- [ ] Tableau Public 和其他在线工具
- [ ] 了解 Tableau
- [ ] 在 Tableau 中创建数据可视化
- [ ] 优化数据可视化的调色板
- [ ] 发挥创意
- [ ] 在 Tableau 中链接多个数据集

#### 制作数据故事

- [ ] 制作数据故事
- [ ] 将想法变为现实
- [ ] 与观众交谈
- [ ] 数据新闻
- [ ] Tableau 仪表盘基础知识
- [ ] 从过滤器到图表
- [ ] 引人入胜的演示技巧
- [ ] 分享叙述
- [ ] 如何应对冒名顶替综合症

#### 制作演示文稿和幻灯片

- [ ] 把各种数据组合起来
- [ ] 使用框架进行演示
- [ ] 将数据融入演示中
- [ ] 新数据分析师的演示技能
- [ ] 杂乱无章的数据演示案例
- [ ] 良好的数据演示案例
- [ ] 行之有效的演示技巧
- [ ] 像专业人员一样演示
- [ ] 预测问题
- [ ] 处理异议
- [ ] 最佳问答技巧
- [ ] 成为数据翻译专家
- [ ] 课程小结

### 使用 R 编程进行数据分析

#### 编程和数据分析

- [ ] 精彩编程世界入门
- [ ] R 语言的乐趣
- [ ] R 语言入门
- [ ] 编程语言
- [ ] R 语言简介
- [ ] RStudio 入门

#### 使用 RStudio 编程

- [ ] 使用 RStudio 编程
- [ ] 编程基础
- [ ] 运算符和计算
- [ ] 源源不断的礼物
- [ ] 欢迎来到 tidyverse
- [ ] 有关 tidyverse 的更多信息
- [ ] 使用管道
- [ ] 编程技巧

#### 用 R 处理数据

- [ ] R 中的数据
- [ ] R 数据框架
- [ ] 使用数据框架
- [ ] 清洗基础工作
- [ ] 整理你的数据
- [ ] 转换数据
- [ ] 相同数据不同结果
- [ ] 偏差函数

#### 更多关于可视化、美学和注释的内容

- [ ] R 中的可视化
- [ ] R 和 tidyverse 中的可视化基础
- [ ] 开始使用 ggplot
- [ ] 通往人力资源分析的职业道路
- [ ] 在 R 中增强可视化
- [ ] 使用 ggplot 做更多事情
- [ ] 美学与切面
- [ ] 注释层
- [ ] 保存你的可视化

#### 文档和报告

- [ ] 文档和报告
- [ ] R Markdown 概述
- [ ] 在 RStudio 中使用 R Markdown
- [ ] Markdown 文档结构
- [ ] 编程增强能力
- [ ] 更多文档元素
- [ ] 代码块
- [ ] 导出文档

### 结业项目

#### 结业项目介绍

- [ ] 结业项目介绍
- [ ] 雇主寻找什么样的数据分析师
- [ ] 同类最佳

#### 创建你的作品集

- [ ] 开始案例研究
- [ ] 分析案例研究的无限潜力
- [ ] 分享你的作品集

#### 使用你的作品集

- [ ] 讨论你的作品集
- [ ] 情景视频：介绍
- [ ] 情景视频：案例研究
- [ ] 情景视频：解决问题
- [ ] 情景视频：谈判条款
- [ ] 向兽医提供建议

## Google 高级数据分析

### 数据科学基础

#### 数据科学概念入门

- [ ] 欢迎来到课程一
- [ ] 课程一介绍
- [ ] 欢迎来到模块一
- [ ] 探索你的数据工具箱
- [ ] 总结
- [ ] 带着好奇心探索你的数据职业生涯
- [ ] 准备第一次评估

#### 当今数据的影响

- [ ] 欢迎来到模块二
- [ ] 创建数据驱动的商业解决方案
- [ ] 数据驱动型职业推动现代企业发展
- [ ] 非营利组织利用数据分析
- [ ] 数据职业所需的顶级技能
- [ ] 数据专业人员的重要伦理考虑因素
- [ ] 数据专业人员的职业空间
- [ ] 总结

#### 作为数据专业人员的职业生涯

- [ ] 欢迎来到模块三
- [ ] 终生热爱数据
- [ ] 数据职业的未来
- [ ] 给求职者的建议
- [ ] 打造专业的在线形象
- [ ] 加强专业关系
- [ ] 为求职做好准备
- [ ] 突出技术和人员技能
- [ ] 总结

#### 数据应用和工作流程

- [ ] 欢迎来到模块四
- [ ] 沟通在数据科学职业中的重要性
- [ ] PACE 介绍
- [ ] 沟通的关键要素
- [ ] 沟通驱动 PACE
- [ ] 将 PACE 与即将到来的课程主题联系起来
- [ ] 总结

#### 课程一结业项目

- [ ] 作品集的价值
- [ ] 课程一结业项目集介绍
- [ ] 结业项目总结和职业成功秘诀
- [ ] 总结

### Python 入门

#### 你好 Python

- [ ] 课程二介绍
- [ ] 欢迎来到模块一
- [ ] 我的数据职业之路
- [ ] Python 入门
- [ ] 了解有关 Python 的更多信息
- [ ] Jupyter Notebooks
- [ ] 面向对象编程
- [ ] Python 如何助力我的数据科学生涯
- [ ] 变量和数据类型
- [ ] 创建精确的变量名
- [ ] 数据类型和转换
- [ ] 总结

#### 函数和条件语句

- [ ] 欢迎来到模块二
- [ ] 应对学习代码时遇到的挑战的技巧
- [ ] 定义函数和返回值
- [ ] 编写简洁的代码
- [ ] 使用注释构建您的代码
- [ ] 使用运算符进行比较
- [ ] 使用 if、elif、else 语句进行决策
- [ ] 总结

#### 循环和字符串

- [ ] 欢迎来到模块三
- [ ] 用分析思维解决问题
- [ ] while 循环简介
- [ ] for 循环简介
- [ ] 带有多个范围参数的循环
- [ ] 使用字符串
- [ ] 字符串切片
- [ ] 格式化字符串
- [ ] 总结

#### Python 中的数据结构

- [ ] 欢迎来到模块四
- [ ] 列表简介
- [ ] 修改列表内容
- [ ] 元组简介
- [ ] 更多有关循环、列表和元组的内容
- [ ] 字典简介
- [ ] 字典方法
- [ ] 集合简介
- [ ] 包的力量
- [ ] NumPy 简介
- [ ] 基本数组操作
- [ ] Pandas 简介
- [ ] Pandas 基础
- [ ] 布尔屏蔽
- [ ] 分组和聚合
- [ ] 合并和连接数据
- [ ] 总结

#### 课程二结业项目

- [ ] 欢迎来到模块五
- [ ] 课程二结业项目集介绍
- [ ] 结业项目总结和职业成功秘诀
- [ ] 总结

### 超越数字：将数据转化为洞察

#### 使用数据查找和分享故事

- [ ] 欢迎来到课程三
- [ ] 障碍与成就
- [ ] 欢迎来到模块一
- [ ] 使用六种探索性数据分析实践寻找故事
- [ ] 数据科学和讲故事
- [ ] 将 PACE 和 EDA 实践相结合
- [ ] 数据可视化的 PACE
- [ ] 总结

#### 探索原始数据

- [ ] 欢迎来到模块二
- [ ] 理解数据以驱动价值
- [ ] 数据来源
- [ ] 使用 Python 的基本数据函数进行电子数据处理
- [ ] 发现数据集中的缺失之处
- [ ] 使用 Python 进行日期字符串操作
- [ ] 使用结构化方法在数据集中建立顺序
- [ ] 使用 Python 构建 EDA 结构
- [ ] 总结

#### 清洗你的数据

 - [ ] 欢迎来到模块三
 - [ ] 处理缺失数据的方法
 - [ ] 在 Python 笔记本中处理缺失数据
 - [ ] 数据专家的一天
 - [ ] 考虑异常值
 - [ ] 用 Python 识别和处理异常值
 - [ ] 数字与名称排序
 - [ ] Python 中的标签编码
 - [ ] 输入验证的价值
 - [ ] 使用 Python 验证输入
 - [ ] 总结

#### 数据可视化与演示

- [ ] 欢迎来到模块四
- [ ] 可视化生命周期
- [ ] 使用 Tableau（1）
- [ ] 使用 Tableau（2）
- [ ] 探索数据的可能性
- [ ] 使用 Tableau 制作引人入胜的故事
- [ ] 使用 Tableau 进行专业演示
- [ ] 总结

#### 课程三结业项目

- [ ] 欢迎来到模块五
- [ ] 课程三结业项目集介绍
- [ ] 结业项目总结和职业成功秘诀
- [ ] 总结

### 统计的力量

#### 统计入门

- [ ] 欢迎来到课程四
- [ ] 参与和联系
- [ ] 欢迎来到模块一
- [ ] 统计在数据科学中的作用
- [ ] 实际中的统计：A/B 测试
- [ ] 描述统计与推断统计
- [ ] 中心倾向测量法
- [ ] 离散度测量法
- [ ] 位置测量法
- [ ] 统计是数据驱动型解决方案的基础
- [ ] 用 Python 计算描述统计数据
- [ ] 总结

#### 可能性

- [ ] 欢迎来到模块二
- [ ] 客观概率与主观概率
- [ ] 概率原理
- [ ] 概率和事件的基本规则
- [ ] 条件概率
- [ ] 探索贝叶斯定理
- [ ] 贝叶斯定理的扩展版
- [ ] 概率分布简介
- [ ] 二项分布
- [ ] 泊松分布
- [ ] 正态分布
- [ ] 使用 z 分数对数据进行标准化
- [ ] 用 Python 处理概率分布
- [ ] 总结

#### 抽样

- [ ] 欢迎来到模块三
- [ ] 重视每个人的贡献
- [ ] 抽样简介
- [ ] 抽样流程
- [ ] 比较抽样方法
- [ ] 抽样偏差的影响
- [ ] 抽样如何影响你的数据
- [ ] 中心极限定理
- [ ] 比例的抽样分布
- [ ] 用 Python 对分布进行抽样
- [ ] 总结

#### 置信区间

- [ ] 欢迎来到模块四
- [ ] 置信区间简介
- [ ] 解释置信区间
- [ ] 构建比例的置信区间
- [ ] 构建均值的置信区间
- [ ] 使用 Python 的置信区间
- [ ] 总结

#### 假设检验简介

- [ ] 欢迎来到模块五
- [ ] 在瞬息万变的数据领域不断学习
- [ ] 假设检验简介
- [ ] 均值单样本检验
- [ ] 双样本测试：均值
- [ ] 双样本测试：比例
- [ ] 使用 Python 进行假设检验
- [ ] 总结

#### 课程四结业项目

- [ ] 欢迎来到模块六
- [ ] 向潜在雇主展示你的才能
- [ ] 课程四结业项目集介绍
- [ ] 总结

### 回归分析：简化复杂的数据关系

#### 复杂数据关系简介

- [ ] 欢迎来到课程五
- [ ] 利用回归模型获得可执行的洞察力
- [ ] 欢迎来到模块一
- [ ] 回归分析中的 PACE
- [ ] 线性回归简介
- [ ] 数学线性回归
- [ ] 逻辑回归简介
- [ ] 总结

#### 简单线性回归

- [ ] 欢迎来到模块二
- [ ] 导师的惊人价值
- [ ] 普通最小二乘估计
- [ ] 进行线性回归假设
- [ ] 用 Python 探索线性回归
- [ ] 评估回归分析中的不确定性
- [ ] 模型评估指标
- [ ] 解释并展示线性回归结果
- [ ] 总结

#### 多元线性回归

- [ ] 欢迎来到模块三
- [ ] 多元回归简介
- [ ] 表示分类变量
- [ ] 利用多重线性回归进行假设
- [ ] 解释多元回归系数
- [ ] 用 Python 解释多元回归结果
- [ ] 过拟合问题
- [ ] 顶级变量选择方法
- [ ] 正则化：Lasso、Ridge 和弹性网回归
- [ ] 总结

#### 高级假设检验

- [ ] 欢迎来到模块四
- [ ] 卡方假设检验
- [ ] 方差分析简介
- [ ] 用 Python 探索单因子与双因子方差分析测试
- [ ] 用 Python 进行协方差事后分析
- [ ] 在你职业生涯的每个阶段进行探索
- [ ] 协方差分析
- [ ] 更多因变量：多元方差分析和多变量协方差分析
- [ ] 总结

#### 逻辑回归

- [ ] 欢迎来到模块五
- [ ] 为你的数据找到最佳逻辑回归模型
- [ ] 用 Python 构建逻辑回归模型
- [ ] 评估二项式逻辑回归模型
- [ ] 评估逻辑回归结果的关键指标
- [ ] 解释逻辑回归的结果
- [ ] 用回归模型回答问题
- [ ] 总结

#### 课程五结业项目

- [ ] 欢迎来到模块六
- [ ] 共享模型和建模技术的策略
- [ ] 课程五结业项目集介绍
- [ ] 结业项目总结和职业成功秘诀
- [ ] 总结

### 机器学习的基础知识

#### 不同类型的机器学习

- [ ] 欢迎来到课程六
- [ ] 用数据取悦他人
- [ ] 欢迎来到模块一
- [ ] 机器学习的主要类型
- [ ] 确定特征何时为无限
- [ ] 分类特征和分类模型
- [ ] 利用推荐系统引导用户兴趣
- [ ] 机器学习中的公平与公正
- [ ] 建立道德模型
- [ ] 用于机器学习的 Python
- [ ] 不同类型的 Python IDE
- [ ] 关于 Python 软件包的更多信息
- [ ] 回答编程问题的资源
- [ ] 你的机器学习团队
- [ ] 与数据专业社区建立联系
- [ ] 总结

#### 构建复杂模型的工作流程

- [ ] 欢迎来到模块二
- [ ] 机器学习中的 PACE
- [ ] 规划一个机器学习项目
- [ ] 克服挑战并从错误中学习
- [ ] 为机器学习模型分析数据
- [ ] 特征工程简介
- [ ] 解决数据集不平衡带来的问题
- [ ] 特征工程和类平衡
- [ ] 朴素贝叶斯简介
- [ ] 用 Python 构建朴素贝叶斯模型
- [ ] 分类模型的主要评估指标
- [ ] 总结

#### 无监督学习技术

- [ ] 欢迎来到模块三
- [ ] K 均值简介
- [ ] 使用 Python 对颜色进行 K 均值压缩
- [ ] 表示 K 均值聚类的关键指标
- [ ] 惯性和轮廓系数指标
- [ ] 用 Python 应用惯性和轮廓分数
- [ ] 总结

#### 基于树的模型

- [ ] 欢迎来到模块四
- [ ] 基于树的模型
- [ ] 用 Python 构建决策树
- [ ] 调整决策树
- [ ] 使用验证功能验证性能
- [ ] 使用 Python 调整和验证决策树
- [ ] 引导聚合
- [ ] 探索随机森林
- [ ] 调整随机森林
- [ ] 用 Python 构建并交叉验证随机森林模型
- [ ] 使用验证数据集构建并验证随机森林模型
- [ ] 自适应增强简介
- [ ] 梯度提升机
- [ ] 调整梯度提升机模型
- [ ] 使用 Python 构建极端梯度提升模型
- [ ] 总结

#### 课程六结业项目

- [ ] 欢迎来到模块五
- [ ] 用你独特的解决方案给面试官留下深刻印象
- [ ] 课程六结业项目集介绍
- [ ] 结业项目总结和职业成功秘诀
- [ ] 总结

### 结业项目

#### 结业项目介绍 

- [ ] 欢迎来到课程七
- [ ] 期望在结业项目中获得什么
- [ ] 结业项目总结和职业成功秘诀

#### 以数据为中心的职业资源

- [ ] 数据专业人员招聘流程
- [ ] 将项目工作纳入你的数据分析集
- [ ] 完善简历
- [ ] 制作一份引人注目的简历
- [ ] 准备面试
- [ ] 数据职业生涯可以从任何地方开始
- [ ] 为什么在线展示很重要
- [ ] 提升在线形象的技巧
- [ ] 制作一份引人注目的简历
- [ ] 让你的简历独一无二

#### 让你的高级数据分析证书发挥作用

- [ ] 恭喜您完成 Google 高级数据分析证书
- [ ] 探索职业机会

## IBM 数据分析师

### 数据分析入门

#### 什么是数据分析

- [ ] 课程介绍
- [ ] 现代数据生态系统
- [ ] 数据生态系统中的主要参与者
- [ ] 定义数据分析
- [ ] 观点：什么是数据分析？
- [ ] 数据分析师的职责
- [ ] 观点：成为数据分析师的素质和技能
- [ ] 数据分析师的一天
- [ ] 观点：数据分析的应用

#### 数据生态系统

- [ ] 数据分析师生态系统概述
- [ ] 数据类型
- [ ] 了解不同类型的文件格式
- [ ] 数据来源
- [ ] 数据专业人员使用的语言
- [ ] 数据存储库概述
- [ ] 关系型数据库管理系统
- [ ] 非关系型数据库
- [ ] 数据集市、数据湖、ETL 和数据管道
- [ ] 大数据基础
- [ ] 大数据处理工具

#### 收集和整理数据

- [ ] 确定分析数据
- [ ] 数据来源
- [ ] 如何收集和导入数据
- [ ] 什么是数据整理？
- [ ] 数据整理工具
- [ ] 数据清理
- [ ] 观点：数据准备和可靠性

#### 数据挖掘和可视化以及结果交流

- [ ] 统计分析概述
- [ ] 什么是数据挖掘？
- [ ] 数据挖掘工具
- [ ] 交流和共享数据分析结果概述
- [ ] 观点：在数据分析中讲故事
- [ ] 数据可视化入门
- [ ] 可视化和仪表板软件简介
- [ ] 观点可视化工具

#### 职业机会和数据分析实践

- [ ] 数据分析领域的就业机会
- [ ] 观点：进入数据行业
- [ ] 观点：雇主对数据分析师有何要求？
- [ ] 数据分析的多种途径
- [ ] 观点：数据专业人员的职业选择
- [ ] 观点：给有抱负的数据分析师的建议
- [ ] 观点：数据专业中的女性

### 数据分析 Excel 基础

#### 使用电子表格进行数据分析入门

- [ ] 课程介绍
- [ ] 电子表格入门
- [ ] 电子表格基础知识（1）
- [ ] 电子表格基础知识（2）
- [ ] 观点：将电子表格用作数据分析工具

#### 开始使用 Excel 速成表

- [ ] 查看、输入和编辑数据
- [ ] 复制、填充和格式化单元格和数据
- [ ] 公式基础
- [ ] 函数入门
- [ ] 在公式中引用数据

#### 使用电子表格清洗和整理数据

- [ ] 数据质量简介
- [ ] 导入文件数据
- [ ] 数据隐私基础知识
- [ ] 观点：数据质量与隐私
- [ ] 删除重复或不准确的数据和空行
- [ ] 处理数据中的不一致之处
- [ ] 清理数据的更多 Excel 功能
- [ ] 观点：数据质量问题

#### 使用电子表格分析数据

- [ ] 使用电子表格分析数据入门
- [ ] 在 Excel 中筛选和排序数据
- [ ] 观点：筛选和排序
- [ ] 数据分析的实用功能
- [ ] 使用 VLOOKUP 和 HLOOKUP 函数
- [ ] 在 Excel 中创建数据透视表简介
- [ ] 观点：透视表
- [ ] 透视表功能

### 使用 Excel 和 Cognos 实现数据可视化和仪表盘

#### 使用电子表格实现数据可视化

- [ ] 课程介绍
- [ ] 图表简介
- [ ] 访谈：使用可视化技术讲述数据故事
- [ ] 在 Excel 中创建基本图表（折线图、饼图和柱状图）
- [ ] 使用 Excel PivotChart 功能

#### 使用电子表格创建可视化和仪表盘

- [ ] 创建树状图、散点图和直方图
- [ ] 创建填充式地图图表和标示线
- [ ] 仪表板简介
- [ ] 访谈：使用仪表盘展示数据结果
- [ ] 使用 Excel 创建一个简单的仪表盘

#### 使用 Cognos Analytics 创建可视化和仪表盘

- [ ] Cognos Analytics：简介和如何注册
- [ ] 在 Cognos Analytics 中导航
- [ ] 在 Cognos Analytics 中创建简单仪表盘
- [ ] Cognos 分析仪表盘的高级功能

### 用于数据科学、人工智能和开发的 Python

#### Python 基础知识

- [ ] 类型
- [ ] 表达式和变量
- [ ] 字符串操作

#### Python 数据结构 

- [ ] 列表和元组
- [ ] 字典
- [ ] 设置

#### Python 编程基础

- [ ] 条件和分支
- [ ] 循环
- [ ] 函数
- [ ] 异常处理
- [ ] 对象和类

#### 用 Python 处理数据

- [ ] 使用 "打开" 读取文件
- [ ] 使用 "打开" 功能编写文件
- [ ] 使用 Pandas 加载数据
- [ ] Pandas 处理和保存数据
- [ ] 一维 Numpy
- [ ] 二维 Numpy

#### 应用程序接口和数据收集

- [ ] 简单的应用程序接口 (1)
- [ ] 简单的应用程序接口 (2)
- [ ] REST API 和 HTTP 请求 (1)
- [ ] REST API 和 HTTP 请求 (2)
- [ ] 用于网络爬虫的 HTML
- [ ] 网络爬虫
- [ ] 处理不同的文件格式（csv、xml、json、xlsx）

### 数据科学 Python 项目

#### Crowdsourcing Short Squeeze Dashboard

- [ ] 用于网络爬虫的 HTML
- [ ] 网络爬虫

### 使用 Python 的数据科学数据库和 SQL

#### SQL 入门

- [ ] 课程介绍
- [ ] 数据库简介
- [ ] SELECT 语句
- [ ] 计数、去重、限制
- [ ] INSERT 语句
- [ ] 更新和删除语句

#### 关系数据库和表格简介

- [ ] 关系数据库概念
- [ ] SQL 语句类型（DDL 与 DML）
- [ ] 创建表语句
- [ ] 更改、删除和清空表
- [ ] 如何在云上创建数据库实例

#### 中级 SQL

- [ ] 使用字符串模式和范围
- [ ] 结果集排序
- [ ] 分组结果集
- [ ] 内置数据库函数
- [ ] 内置日期和时间函数
- [ ] 子查询和嵌套选择
- [ ] 使用多个表格

#### 使用 Python 访问数据库

- [ ] 如何使用 Python 访问数据库
- [ ] 使用 DB-API 编写代码
- [ ] 使用 SQL Magic 访问数据库
- [ ] 用 Python 分析数据
- [ ] 使用 ibm_db API 连接数据库
- [ ] 创建表格、加载数据和查询数据

#### 课程作业

- [ ] 使用真实世界数据集
- [ ] 获取表和列详细信息

#### 数据工程师高级 SQL

- [ ] 视图
- [ ] 存储过程
- [ ] ACID 事务
- [ ] 连接概述
- [ ] 内连接
- [ ] 外连接

### 使用 Python 进行数据分析

#### 导入数据集

- [ ] 课程介绍
- [ ] 了解数据
- [ ] 数据科学 Python 软件包
- [ ] 用 Python 导入和导出数据
- [ ] 开始用 Python 分析数据
- [ ] 用 Python 访问数据库

#### 数据整理工具

- [ ] 用 Python 预处理数据
- [ ] 在 Python 中处理缺失值
- [ ] Python 中的数据格式化
- [ ] Python 中的数据规范化
- [ ] Python 中的分选
- [ ] 用 Python 将分类变量转化为定量变量

#### 探索性数据分析

- [ ] 探索性数据分析
- [ ] 描述性统计
- [ ] Python 中的 GroupBy
- [ ] 相关性
- [ ] 相关性统计

#### 模型开发

- [ ] 模型开发
- [ ] 线性回归和多重线性回归
- [ ] 利用可视化技术进行模型评估
- [ ] 多项式回归和管道
- [ ] 抽样评估措施
- [ ] 预测与决策

#### 模型评估与完善

- [ ] 模型评估与完善
- [ ] 过拟合、欠拟合和模型选择
- [ ] 岭回归
- [ ] 网格搜索

### 使用 Python 进行数据可视化

#### 数据可视化工具介绍

- [ ] 欢迎
- [ ] 数据可视化简介
- [ ] Plots 类型
- [ ] Plot 图书馆
- [ ] Matplotlib 简介
- [ ] 使用 Matplotlib 绘制基本图形
- [ ] 加拿大移民数据集
- [ ] 线性图

#### 基本和专用可视化工具

- [ ] 面积图
- [ ] 直方图
- [ ] 柱状图
- [ ] 饼图
- [ ] 箱线图
- [ ] 散点图
- [ ] 直接使用 Matplotlib 绘图

#### 高级可视化和地理空间数据

- [ ] 蜂窝图和词云
- [ ] seaborn 和回归图
- [ ] Folium 简介
- [ ] 带标记的地图
- [ ] 全景地图

#### 使用 Plotly 和 Dash 创建仪表盘

- [ ] 仪表板概述
- [ ] Plotly 简介
- [ ] Dash 简介
- [ ] 制作交互式仪表盘
- [ ] 了解实验室环境

### 结业项目

#### 展示研究成果

- [ ] 课程介绍
- [ ] 成功数据结果报告的要素
- [ ] 介绍研究结果的最佳做法

## IBM 数据科学

### 什么是数据科学

#### 定义数据科学和数据科学家的工作

- [ ] 课程介绍
- [ ] 什么是数据科学？
- [ ] 数据科学基础
- [ ] 通往数据科学的多种途径
- [ ] 给新数据科学家的建议
- [ ] 课程摘要：定义数据科学
- [ ] 数据科学家的一天
- [ ] 数据科学技能与大数据
- [ ] 了解不同类型的文件格式
- [ ] 数据科学主题和算法
- [ ] 课程总结：数据科学家做什么？

#### 数据科学主题

- [ ] 大数据如何推动数字化转型
- [ ] 云计算简介
- [ ] 数据科学云
- [ ] 大数据基础
- [ ] 数据科学与大数据
- [ ] 什么是 Hadoop？
- [ ] 大数据处理工具：Hadoop、HDFS、Hive 和 Spark
- [ ] 课程摘要：大数据和数据挖掘
- [ ] 人工智能和数据科学
- [ ] 生成式人工智能和数据科学
- [ ] 神经网络和深度学习
- [ ] 机器学习的应用
- [ ] 课程摘要：深度学习和机器学习

#### 数据科学的应用和职业

- [ ] 公司应如何开始数据科学？
- [ ] 老问题，新数据科学解决方案
- [ ] 数据科学的应用
- [ ] 数据科学如何拯救生命
- [ ] 课程摘要：数据科学应用领域
- [ ] 如何成为数据科学家？
- [ ] 数据科学招聘
- [ ] 数据科学职业
- [ ] 数学和统计学对数据科学的重要性
- [ ] 课程摘要：数据科学的职业和招聘

#### 数据科学的数据知识

- [ ] 了解数据
- [ ] 数据来源
- [ ] 观点：处理各种数据源和数据类型
- [ ] 课程总结：了解数据
- [ ] 数据收集和组织
- [ ] 关系型数据库管理系统
- [ ] 非关系型数据库
- [ ] 数据集市、数据湖、ETL 和数据管道
- [ ] 观点：选择数据存储库的考虑因素
- [ ] 数据集成平台
- [ ] 课程摘要：欢迎学习数据素养

### 数据科学工具

#### 数据科学工具概述

- [ ] 课程介绍
- [ ] 数据科学工具类别
- [ ] 数据科学的开源工具（1）
- [ ] 数据科学的开源工具（2）
- [ ] 数据科学商业工具
- [ ] 基于云的数据科学工具

#### 数据科学语言

- [ ] 数据科学语言
- [ ] Python 简介
- [ ] R 语言简介
- [ ] SQL 简介
- [ ] 数据科学的其他语言

#### 软件包、应用程序接口、数据集和模型

- [ ] 数据科学图书馆
- [ ] 应用程序编程接口 (API)
- [ ] 数据集：为数据科学提供动力
- [ ] 共享企业数据：数据资产交换
- [ ] 机器学习模型：从模型中学习进行预测
- [ ] 示范资产交易所

#### Jupyter 笔记本和 JupyterLab

- [ ] Jupyter 笔记本简介
- [ ] Jupyter 入门
- [ ] Jupyter 内核
- [ ] Jupyter 架构
- [ ] 其他 Anaconda Jupyter 环境
- [ ] 其他基于云的 Jupyter 环境

#### RStudio 和 GitHub

- [ ] R 和 RStudio 简介
- [ ] RStudio 中的绘图
- [ ] Git/GitHub 概述
- [ ] GitHub 简介
- [ ] GitHub 存储库
- [ ] GitHub入门
- [ ] GitHub使用分支

### 数据科学方法论

#### 从问题到方法、从需求到采集

- [ ] 课程介绍
- [ ] 数据科学方法概述
- [ ] 业务理解
- [ ] 分析方法
- [ ] 数据要求
- [ ] 数据收集

#### 从了解到准备、从建模到评估

- [ ] 数据理解
- [ ] 数据准备：概念
- [ ] 数据准备：案例研究
- [ ] 建模：概念
- [ ] 建模：案例研究
- [ ] 评估

#### 从部署到反馈和最终评估

- [ ] 部署
- [ ] 反馈意见
- [ ] 讲故事
- [ ] 课程摘要

### 用于数据科学、人工智能和开发的 Python

#### Python 基础知识

- [ ] 类型
- [ ] 表达式和变量
- [ ] 字符串操作

#### Python 数据结构 

- [ ] 列表和元组
- [ ] 字典
- [ ] 设置

#### Python 编程基础

- [ ] 条件和分支
- [ ] 循环
- [ ] 函数
- [ ] 异常处理
- [ ] 对象和类

#### 用 Python 处理数据

- [ ] 使用 "打开" 读取文件
- [ ] 使用 "打开" 功能编写文件
- [ ] 使用 Pandas 加载数据
- [ ] Pandas 处理和保存数据
- [ ] 一维 Numpy
- [ ] 二维 Numpy

#### 应用程序接口和数据收集

- [ ] 简单的应用程序接口 (1)
- [ ] 简单的应用程序接口 (2)
- [ ] REST API 和 HTTP 请求 (1)
- [ ] REST API 和 HTTP 请求 (2)
- [ ] 用于网络爬虫的 HTML
- [ ] 网络爬虫
- [ ] 处理不同的文件格式（csv、xml、json、xlsx）

### 数据科学 Python 项目

#### Crowdsourcing Short Squeeze Dashboard

- [ ] 用于网络爬虫的 HTML
- [ ] 网络爬虫

### 使用 Python 的数据科学数据库和 SQL

#### SQL 入门

- [ ] 课程介绍
- [ ] 数据库简介
- [ ] SELECT 语句
- [ ] 计数、去重、限制
- [ ] INSERT 语句
- [ ] 更新和删除语句

#### 关系数据库和表格简介

- [ ] 关系数据库概念
- [ ] SQL 语句类型（DDL 与 DML）
- [ ] 创建表语句
- [ ] 更改、删除和清空表
- [ ] 如何在云上创建数据库实例

#### 中级 SQL

- [ ] 使用字符串模式和范围
- [ ] 结果集排序
- [ ] 分组结果集
- [ ] 内置数据库函数
- [ ] 内置日期和时间函数
- [ ] 子查询和嵌套选择
- [ ] 使用多个表格

#### 使用 Python 访问数据库

- [ ] 如何使用 Python 访问数据库
- [ ] 使用 DB-API 编写代码
- [ ] 使用 SQL Magic 访问数据库
- [ ] 用 Python 分析数据
- [ ] 使用 ibm_db API 连接数据库
- [ ] 创建表格、加载数据和查询数据

#### 课程作业

- [ ] 使用真实世界数据集
- [ ] 获取表和列详细信息

#### 数据工程师高级 SQL

- [ ] 视图
- [ ] 存储过程
- [ ] ACID 事务
- [ ] 连接概述
- [ ] 内连接
- [ ] 外连接

### 使用 Python 进行数据分析

#### 导入数据集

- [ ] 课程介绍
- [ ] 了解数据
- [ ] 数据科学 Python 软件包
- [ ] 用 Python 导入和导出数据
- [ ] 开始用 Python 分析数据
- [ ] 用 Python 访问数据库

#### 数据整理工具

- [ ] 用 Python 预处理数据
- [ ] 在 Python 中处理缺失值
- [ ] Python 中的数据格式化
- [ ] Python 中的数据规范化
- [ ] Python 中的分选
- [ ] 用 Python 将分类变量转化为定量变量

#### 探索性数据分析

- [ ] 探索性数据分析
- [ ] 描述性统计
- [ ] Python 中的 GroupBy
- [ ] 相关性
- [ ] 相关性统计

#### 模型开发

- [ ] 模型开发
- [ ] 线性回归和多重线性回归
- [ ] 利用可视化技术进行模型评估
- [ ] 多项式回归和管道
- [ ] 抽样评估措施
- [ ] 预测与决策

#### 模型评估与完善

- [ ] 模型评估与完善
- [ ] 过拟合、欠拟合和模型选择
- [ ] 岭回归
- [ ] 网格搜索

### 使用 Python 进行数据可视化

#### 数据可视化工具介绍

- [ ] 欢迎
- [ ] 数据可视化简介
- [ ] Plots 类型
- [ ] Plot 图书馆
- [ ] Matplotlib 简介
- [ ] 使用 Matplotlib 绘制基本图形
- [ ] 加拿大移民数据集
- [ ] 线性图

#### 基本和专用可视化工具

- [ ] 面积图
- [ ] 直方图
- [ ] 柱状图
- [ ] 饼图
- [ ] 箱线图
- [ ] 散点图
- [ ] 直接使用 Matplotlib 绘图

#### 高级可视化和地理空间数据

- [ ] 蜂窝图和词云
- [ ] seaborn 和回归图
- [ ] Folium 简介
- [ ] 带标记的地图
- [ ] 全景地图

#### 使用 Plotly 和 Dash 创建仪表盘

- [ ] 仪表板概述
- [ ] Plotly 简介
- [ ] Dash 简介
- [ ] 制作交互式仪表盘
- [ ] 了解实验室环境

### 使用 Python 进行机器学习

#### 机器学习入门

- [ ] 课程介绍
- [ ] 欢迎
- [ ] 机器学习入门
- [ ] Python 机器学习
- [ ] 监督与非监督

#### 回归

- [ ] 回归简介
- [ ] 简单线性回归
- [ ] 回归模型中的模型评估
- [ ] 回归模型的评估指标
- [ ] 多元线性回归

#### 分类

- [ ] 分类简介
- [ ] K 近邻
- [ ] 分类的评估指标
- [ ] 决策树简介
- [ ] 构建决策树

#### 线性分类

- [ ] 逻辑回归简介
- [ ] 逻辑回归与线性回归
- [ ] 逻辑回归的训练
- [ ] 支持向量机

#### 聚类

- [ ] 聚类简介
- [ ] K 均值简介
- [ ] K 均值的更多内容

### 结业项目

#### 导言

- [ ] 项目设想和概述
- [ ] 数据收集概述
- [ ] 数据整理概述

#### 探索性数据分析 

- [ ] 探索性数据分析概述

#### 交互式可视分析和仪表盘

- [ ] 交互式可视分析和仪表板

#### 预测分析

- [ ] 预测分析概述

#### 展示数据驱动的洞察力

- [ ] 成功数据结果报告的要素
- [ ] 介绍研究结果的最佳做法

# 机器学习

## 有监督的机器学习：回归与分类

### 机器学习入门

- [ ] 课程介绍
- [ ] 机器学习应用
- [ ] 机器学习定义
- [ ] 监督学习（1）
- [ ] 监督学习（2）
- [ ] 无监督学习（1）
- [ ] 无监督学习（2）
- [ ] Jupyter notebooks
- [ ] 线性回归模型（1）
- [ ] 线性回归模型（2）
- [ ] 代价函数公式
- [ ] 理解代价函数
- [ ] 可视化代价函数
- [ ] 可视化举例
- [ ] 梯度下降
- [ ] 梯度下降的实现
- [ ] 理解梯度下降
- [ ] 学习率
- [ ] 用于线性回归的梯度下降法
- [ ] 运行梯度下降

### 多元线性回归

- [ ] 多维特征
- [ ] 向量化（1）
- [ ] 向量化（2）
- [ ] 用于多元线性回归的梯度下降法
- [ ] 特征缩放（1）
- [ ] 特征缩放（2）
- [ ] 判断梯度下降是否收敛
- [ ] 如何设置学习率
- [ ] 特征工程
- [ ] 多项式回归

### 分类

- [ ] 动机
- [ ] 逻辑回归
- [ ] 决策边界
- [ ] 逻辑回归中的代价函数
- [ ] 简化逻辑回归代价函数
- [ ] 实现梯度下降
- [ ] 过拟合问题
- [ ] 解决过拟合
- [ ] 正则化
- [ ] 用于线性回归的正则方法
- [ ] 用于逻辑回归的正则方法
- [ ] Andrew Ng 和 Fei-Fei Li 谈以人为中心的人工智能

## 高级学习算法

### 神经网络

- [ ] 欢迎
- [ ] 神经元和大脑
- [ ] 需求预测
- [ ] 示例：图像感知
- [ ] 神经网络层
- [ ] 更复杂的神经网络
- [ ] 神经网络向前传播
- [ ] 如何用代码实现推理
- [ ] Tensorflow 中数据形式
- [ ] 搭建一个神经网络
- [ ] 单个网络层上的前向传播
- [ ] 前向传播的一般实现
- [ ] 强人工智能
- [ ] 神经网络为何如此高效
- [ ] 矩阵乘法
- [ ] 矩阵乘法规则
- [ ] 矩阵乘法代码

### 神经网络训练

- [ ] Tensorflow 实现
- [ ] 模型训练细节
- [ ] Sigmoid 激活函数的替代方案
- [ ] 如何选择激活函数
- [ ] 为什么模型需要激活函数
- [ ] 多分类问题
- [ ] Softmax
- [ ] 神经网络的 Softmax 输出
- [ ] Softmax 的改进实现
- [ ] 多个输出的分类
- [ ] 高级优化方法
- [ ] 其它的网络层类型
- [ ] 什么是导数
- [ ] 计算图
- [ ] 大型神经网络案例

### 应用机器学习的建议

- [ ] 决定下一步做什么
- [ ] 模型评估
- [ ] 模型选择和交叉验证测试集的训练方法
- [ ] 通过偏差与方法进行诊断
- [ ] 正则化、偏差、方差
- [ ] 指定一个用于性能评估的基准
- [ ] 学习曲线
- [ ] 决定下一步做什么
- [ ] 方差与偏差
- [ ] 机器学习开发的迭代
- [ ] 误差分析
- [ ] 添加更多数据
- [ ] 迁移学习 - 使用其他任务中的数据
- [ ] 机器学习项目的完整周期
- [ ] 公平、偏见与伦理
- [ ] 倾斜数据集的误差指标
- [ ] 精确率与召回率的权衡

### 决策树

- [ ] 决策树模型
- [ ] 学习过程
- [ ] 纯度
- [ ] 选择拆分信息增益
- [ ] 整合
- [ ] 独热编码 One-hot
- [ ] 连续有价值的功能
- [ ] 回归树
- [ ] 使用多个决策树
- [ ] 有放回抽样
- [ ] 随机森林
- [ ] XGBoost
- [ ] 何时使用决策树

## 无监督学习、推荐器、强化学习

### 无监督学习

- [ ] 欢迎
- [ ] 什么是聚类
- [ ] K-means 直观理解
- [ ] K-means 算法
- [ ] 优化目标
- [ ] 初始化 K-means
- [ ] 选择聚类数量
- [ ] 发现异常事件
- [ ] 高斯正态分布
- [ ] 异常检测算法
- [ ] 开发与评估异常检测系统
- [ ] 异常检测与监督学习对比
- [ ] 选择使用什么特征

### 推荐系统

- [ ] 提出建议
- [ ] 使用每个特征
- [ ] 协同过滤算法
- [ ] 二进制标签
- [ ] 均值归一化
- [ ] 协同过滤 Tensorflow 实现
- [ ] 寻找相关特征
- [ ] 协同过滤与基于内容过滤对比
- [ ] 基于内容过滤的深度学习方法
- [ ] 从大型目录中推荐
- [ ] 推荐系统中的伦理
- [ ] 基于内容过滤的 Tensorflow 实现
- [ ] 降低特征数量
- [ ] PCA 算法
- [ ] PCA 代码实现

### 强化学习

- [ ] 什么是强化学习
- [ ] 示例：火星探测器
- [ ] 强化学习的回报
- [ ] 决策：强化学习的策略
- [ ] 审查关键概念
- [ ] 动作价值函数定义
- [ ] 动作价值函数示例
- [ ] 贝尔曼方程
- [ ] random stochastic environment
- [ ] 示例：连续状态空间应用
- [ ] 登月器
- [ ] 学习状态值函数
- [ ] 改进的神经网络架构
- [ ] ϵ贪婪策略
- [ ] 小批量和软更新
- [ ] 强化学习的状态
- [ ] 课程总结和致谢
- [ ] 吴恩达和切尔西芬谈人工智能和机器人技术

# 深度学习

## 神经网络和深度学习

### 深度学习简介

- [ ] 欢迎
- [ ] 什么是神经网络
- [ ] 用神经网络进行监督学习
- [ ] 为什么深度学习会兴起
- [ ] 关于这门课
- [ ] 杰弗里辛顿访谈
- [ ] 课程资源

### 神经网络基础知识

- [ ] 二分类
- [ ] logistic 回归
- [ ] logistic 回归成本函数
- [ ] 梯度下降法
- [ ] 导数
- [ ] 更多导数的例子
- [ ] 计算图
- [ ] 使用计算图求导
- [ ] logistic 回归中的梯度下降
- [ ] m 个样本的梯度下降
- [ ] 向量化
- [ ] 向量化的更多例子
- [ ] 向量化 logistic 回归
- [ ] 向量化 logistic 回归的梯度输出
- [ ] Python 中的广播
- [ ] 关于 Python_numpy 向量的说明
- [ ] Jupyter_ipython 笔记本的快速指南
- [ ] logistic 成本函数的解释
- [ ] 彼得阿贝尔访谈

### 浅层神经网络

- [ ] 神经网络概览
- [ ] 神经网络表示
- [ ] 计算神经网络的输出
- [ ] 多个样本的向量化
- [ ] 向量化实现的解释
- [ ] 激活函数
- [ ] 为什么需要非线性激活函数
- [ ] 激活函数的导数
- [ ] 神经网络的梯度下降法
- [ ] 直观理解反向传播
- [ ] 随机初始化
- [ ] 伊恩古德费洛访谈

### 深度神经网络

- [ ] 深层神经网络
- [ ] 前向和反向传播
- [ ] 深层网络中的前向传播
- [ ] 正确设置矩阵维度
- [ ] 为什么使用深层表示
- [ ] 搭建深层神经网络块
- [ ] 参数 VS 超参数
- [ ] 这和大脑有什么关系

## 改进深度神经网络：超参数调整、正则化和优化

### 深度学习的实践方面

- [ ] 训练集 / 开发集 / 测试集
- [ ] 偏差 / 方差
- [ ] 机器学习基础
- [ ] 正则化
- [ ] 为什么正则化能减少过拟合
- [ ] Dropout 正则化
- [ ] 理解 Dropout
- [ ] 其他正则化方法
- [ ] 输入规范化
- [ ] 梯度消失与梯度爆炸
- [ ] 神经网络的权重初始化
- [ ] 梯度的数值近似
- [ ] 梯度检验
- [ ] 关于梯度检验实现的注记
- [ ] 约书亚本吉奥访谈

### 优化算法

- [ ] 小批量梯度下降法
- [ ] 理解小批量梯度下降法
- [ ] 指数加权平均
- [ ] 理解指数加权平均
- [ ] 指数加权平均的偏差校正
- [ ] 动量梯度下降法
- [ ] RMSprop
- [ ] Adam 优化算法
- [ ] 学习率衰减
- [ ] 局部最优的问题
- [ ] 林元庆访谈

### 超参数调优、正则化和编程框架

- [ ] 调优过程
- [ ] 使用适当的量级来选取超参数
- [ ] 超参数调优的实践：Pandas VS Caviar
- [ ] 正则化网络的激活函数
- [ ] 将 Batch Norm 拟合进神经网络
- [ ] Batch Norm 为什么奏效
- [ ] 测试时的 Batch Norm
- [ ] Softmax 回归
- [ ] 训练一个 Softmax 分类器
- [ ] 深度学习框架
- [ ] TensorFlow

## 构建机器学习项目

### ML 策略

- [ ] 为什么要制定 ML 策略
- [ ] 正交化
- [ ] 单一评估指标
- [ ] 满足要求和优化指标
- [ ] 训练集 / 开发集 / 测试集的分布
- [ ] 开发集和测试集的大小
- [ ] 什么时候该更改开发集 / 测试集和指标
- [ ] 为什么需要人类水平的性能
- [ ] 可避免偏差
- [ ] 理解人类水平的性能
- [ ] 超过人类水平的性能
- [ ] 提高模型性能
- [ ] 安德烈卡尔帕斯访谈
- [ ] 进行误差分析
- [ ] 清除标注错误的数据
- [ ] 快速搭建你的第一个系统并进行迭代
- [ ] 在不同的划分上进行训练并测试
- [ ] 不匹配数据划分的偏差和方差
- [ ] 解决数据不匹配
- [ ] 迁移学习
- [ ] 多任务学习
- [ ] 什么是端到端的深度学习
- [ ] 是否要使用端到端的深度学习
- [ ] 鲁斯兰萨拉胡季诺夫访谈

## 卷积神经网络

### 卷积神经网络基础

- [ ] 计算机视觉
- [ ] 边缘检测示例
- [ ] 更多边缘检测内容
- [ ] 填充
- [ ] 卷积步长
- [ ] 三维卷积
- [ ] 单层卷积网络
- [ ] 简单卷积网络示例
- [ ] 池化层
- [ ] 卷积神经网络示例
- [ ] 为什么使用卷积
- [ ] Yann LeCun 访谈

### 深度卷积模型：案例研究

- [ ] 为什么要进行案例研究
- [ ] 经典网络
- [ ] 残差网络
- [ ] 残差网络为什么有用
- [ ] 网络中的网络以及 1x1 卷积
- [ ] 谷歌 Inception 网络简介
- [ ] Inception 网络
- [ ] 使用开源的实现方案
- [ ] 迁移学习
- [ ] 数据扩充
- [ ] 计算机视觉现状

### 物体检测

- [ ] 目标定位
- [ ] 特征点检测
- [ ] 物体检测
- [ ] 卷积的滑动窗口实现
- [ ] 边界框预测
- [ ] 交并比
- [ ] 非极大值抑制
- [ ] Anchor Boxes
- [ ] YOLO 算法
- [ ] 候选区域
- [ ] 利用 U-Net 进行语义分割
- [ ] 移调卷积
- [ ] U-Net 架构直观理解
- [ ] U-Net 架构

### 特殊应用：人脸识别与神经风格转换

- [ ] 什么是人脸识别
- [ ] One-Shot 学习
- [ ] Siamese 网络
- [ ] Triplet 损失
- [ ] 人脸识别与二分类
- [ ] 什么是神经风格转换
- [ ] 什么是深度卷积网络
- [ ] 代价函数
- [ ] 内容代价函数
- [ ] 风格 / 代价 / 功能
- [ ] 一维到三维推广

## 序列模型

### 递归神经网络

- [ ] 为什么选择序列模型
- [ ] 数学符号
- [ ] 循环神经网络
- [ ] 通过时间的反向传播
- [ ] 不同类型的循环神经网络
- [ ] 语言模型和序列生成
- [ ] 新序列采样
- [ ] 带有循环神经网络的梯度消失
- [ ] GRU 单元
- [ ] 长短期记忆
- [ ] 双向循环神经网络
- [ ] 深层循环神经网络

### 自然语言处理与单词嵌入

- [ ] 词汇表征
- [ ] 使用词嵌入
- [ ] 词嵌入的特性
- [ ] 嵌入矩阵
- [ ] 学习词嵌入
- [ ] Word2Vec
- [ ] 负采样
- [ ] GloVe 词向量
- [ ] 情绪分类
- [ ] 词嵌入除偏

### 序列模型和注意机制

- [ ] 基础模型
- [ ] 选择最可能的句子
- [ ] 定向搜索
- [ ] 改进定向搜索
- [ ] 定向搜索的误差分析
- [ ] Bleu 得分
- [ ] 注意力模型直观理解
- [ ] 注意力模型
- [ ] 语音辨识
- [ ] 触发词检测

### Transformer 神经网络

- [ ] Transformer 神经网络直观理解
- [ ] Self Attention
- [ ] Multi-Head Attention
- [ ] Transformer 神经网络
- [ ] 结论和致谢

# Linux

## 韩顺平

- [ ] 课程内容
- [ ] 应用领域
- [ ] 概述
- [ ] Linux 与 Unix
- [ ] VMware 安装
- [ ] CentOS 安装
- [ ] 网络连接的三种方式
- [ ] 虚拟机克隆
- [ ] 虚拟机快照
- [ ] 虚拟机迁移删除
- [ ] VMtools
- [ ] 目录结构介绍
- [ ] 目录结构详解
- [ ] 远程登陆
- [ ] 远程文件传输
- [ ] vim 快速入门
- [ ] vim 快捷键
- [ ] vim 内容梳理
- [ ] 关机重启
- [ ] 登陆注销
- [ ] 用户管理（1）
- [ ] 用户管理（2）
- [ ] 用户管理（3）
- [ ] 用户管理（4）
- [ ] 运行级别
- [ ] 找回 root 密码
- [ ] 帮助指令
- [ ] 文件目录指令（1）
- [ ] 文件目录指令（2）
- [ ] 文件目录指令（3）
- [ ] 文件目录指令（4）
- [ ] 文件目录指令（5）
- [ ] 文件目录指令（6）
- [ ] 时间日期指令
- [ ] 查找指令（1）
- [ ] 查找指令（2）
- [ ] 压缩和解压（1）
- [ ] 压缩和解压（2）
- [ ] 实用指令小结
- [ ] Linux 组的介绍
- [ ] 所有者
- [ ] 所在组
- [ ] 修改所在组
- [ ] rwx 权限
- [ ] 权限说明案例
- [ ] 修改权限
- [ ] 修改所有者和所在组
- [ ] 权限管理应用实例（1）
- [ ] 权限管理应用实例（2）
- [ ] 权限管理应用实例（3）
- [ ] 权限管理应用实例（4）
- [ ] crond 快速入门
- [ ] crond 时间规则
- [ ] crond 应用实例
- [ ] at 任务调度机制
- [ ] at 任务调度实例
- [ ] 任务调度小结
- [ ] 磁盘分区机制
- [ ] 增加磁盘应用实例
- [ ] 磁盘情况查询
- [ ] 磁盘实用指令
- [ ] 磁盘分区挂载小结
- [ ] NAT 网络原理图
- [ ] 网络配置指令
- [ ] 网络配置实例
- [ ] 主机名和 hosts 映射
- [ ] 网络配置小结
- [ ] 进程基本介绍
- [ ] ps 指令详解
- [ ] 父子进程
- [ ] 终止进程
- [ ] pstree 指令
- [ ] 服务管理（1）
- [ ] 服务管理（2）
- [ ] 服务管理（3）
- [ ] 服务管理（4）
- [ ] 服务管理（5）
- [ ] 动态监控系统（1）
- [ ] 动态监控系统（2）
- [ ] 监控网络状态
- [ ] 进程管理小结
- [ ] rpm 管理（1）
- [ ] rpm 管理（2）
- [ ] yum
- [ ] 软件包管理小结
- [ ] 安装配置 JDK 8
- [ ] 安装配置 tomcat8
- [ ] 安装配置 IDEA
- [ ] 安装配置 MySQL
- [ ] 小结
- [ ] shell 编程快速入门
- [ ] shell 变量
- [ ] 设置环境变量
- [ ] 设置参数变量
- [ ] 预定义变量
- [ ] 运算符
- [ ] 条件判断
- [ ] 单分支多分支
- [ ] case 语句
- [ ] for 循环
- [ ] while 循环
- [ ] read 获取输入
- [ ] 系统函数
- [ ] 自定义函数
- [ ] 定时备份数据库（1）
- [ ] 定时备份数据库（2）
- [ ] shell 编程笔记梳理
- [ ] Ubuntu 安装
- [ ] Ubuntu 的中文支持
- [ ] Ubuntu 的 root
- [ ] hello python
- [ ] APT 原理机制图
- [ ] APT 更新源和实例
- [ ] Ubuntu 远程登录和集群
- [ ] python 定制篇梳理
- [ ] CentOS 安装和介绍
- [ ] 日志介绍和实例
- [ ] 日志服务原理图
- [ ] 日志服务配置文件
- [ ] 自定义日志服务
- [ ] 日志轮替介绍
- [ ] 自定义日志轮替
- [ ] 日志轮替机制
- [ ] 内存日志
- [ ] 日志管理笔记梳理
- [ ] 定制自己的 Linux（1）
- [ ] 定制自己的 Linux（2）
- [ ] 定制自己的 Linux（3）
- [ ] 阅读 Linux 内核源码好处
- [ ] 阅读 Linux 内核源码技巧
- [ ] 内核源码阅读及 main
- [ ] 内核升级
- [ ] 备份与恢复介绍
- [ ] 数据备份 dump
- [ ] 数据恢复 restore
- [ ] 数据备份恢复梳理
- [ ] webmin 安装和配置
- [ ] webmin 功能演示
- [ ] 宝塔介绍和安装
- [ ] 宝塔应用实例
- [ ] 可视化管理小结
- [ ] 统计访问量和连接数
- [ ] 找回 MySQL 的 root 密码
- [ ] 访问量排名和 tcpdump
- [ ] 系统权限划分（1）
- [ ] 系统权限划分（2）
- [ ] 权限思考题
- [ ] CentOS 启动流程详解
- [ ] I/O 读写监控
- [ ] 统计文件个数和行数
- [ ] 无人值守备份目录
- [ ] Linux 系统优化策略
- [ ] 卖油翁和老黄牛

# MySQL

## 黑马程序员

- [ ] 基础篇介绍
- [ ] 课程内容和数据库相关概念
- [ ] MySQL 安装及启动
- [ ] 数据模型
- [ ] DDL - 通用语法及分类
- [ ] DDL - 数据库操作
- [ ] DDL - 表操作 - 创建和查询
- [ ] DDL - 数据类型及案例
- [ ] DDL - 表操作 - 删除和修改
- [ ] DDL 小结
- [ ] 图形化界面 DataGrip
- [ ] DML - 插入
- [ ] DML - 更新和删除
- [ ] DML 小结
- [ ] DQL - 基础查询
- [ ] DQL - 条件查询
- [ ] DQL - 聚合函数
- [ ] DQL - 分组查询
- [ ] DQL - 排序查询
- [ ] DQL - 分页查询
- [ ] DQL - 案例练习
- [ ] DQL - 执行顺序
- [ ] DQL 小结
- [ ] DCL - 用户管理
- [ ] DCL - 权限控制
- [ ] DCL 小结
- [ ] 函数 - 字符串函数
- [ ] 函数 - 数值函数
- [ ] 函数 - 日期函数
- [ ] 函数 - 流程函数
- [ ] 函数小结
- [ ] 约束 - 概述
- [ ] 约束 - 演示
- [ ] 约束 - 外键约束
- [ ] 约束 - 外键删除更新行为
- [ ] 约束小结
- [ ] 多表查询 - 多表关系介绍
- [ ] 多表查询 - 概述
- [ ] 多表查询 - 内连接
- [ ] 多表查询 - 外连接
- [ ] 多表查询 - 自连接
- [ ] 多表查询 - 联合查询
- [ ] 多表查询 - 子查询介绍
- [ ] 多表查询 - 标量子查询
- [ ] 多表查询 - 列子查询
- [ ] 多表查询 - 行子查询
- [ ] 多表查询 - 表子查询
- [ ] 多表查询 - 练习 1
- [ ] 多表查询 - 练习 2
- [ ] 多表查询小结
- [ ] 事务 - 简介
- [ ] 事务 - 操作演示
- [ ] 事务 - 四大特性 ACID
- [ ] 事务 - 并发事务问题
- [ ] 事务 - 并发事务演示及隔离级别
- [ ] 事务小结
- [ ] 基础篇总结
- [ ] 进阶篇介绍
- [ ] 存储引擎 - MySQL 体系结构
- [ ] 存储引擎 - 简介
- [ ] 存储引擎 - InnoDB 介绍
- [ ] 存储引擎 - MyISAM 和 Memory
- [ ] 存储引擎 - 选择
- [ ] 存储引擎小结
- [ ] MySQL 安装（Linux 版本）
- [ ] 索引 - 概述
- [ ] 索引 - 结构 - 介绍
- [ ] 索引 - 结构 - Btree
- [ ] 索引 - 结构 - B+tree
- [ ] 索引 - 结构 - hash
- [ ] 索引 - 结构思考题
- [ ] 索引 - 分类
- [ ] 索引 - 思考题
- [ ] 索引 - 语法
- [ ] 索引 - 性能分析 - 查看执行频次
- [ ] 索引 - 性能分析 - 慢查询日志
- [ ] 索引 - 性能分析 - show profiles
- [ ] 索引 - 性能分析 - explain
- [ ] 索引 - 使用规则 - 验证索引效率
- [ ] 索引 - 使用规则 - 最左前缀法则
- [ ] 索引 - 使用规则 - 索引失效情况（1）
- [ ] 索引 - 使用规则 - 索引失效情况（2）
- [ ] 索引 - 使用规则 - SQL 提示
- [ ] 索引 - 使用规则 - 覆盖索引和回表查询
- [ ] 索引 - 使用规则 - 前缀索引
- [ ] 索引 - 使用规则 - 单列索引和联合索引
- [ ] 索引 - 设计原则
- [ ] 索引小结
- [ ] SQL 优化 - 插入数据
- [ ] SQL 优化 - 主键优化
- [ ] SQL 优化 - order by 优化
- [ ] SQL 优化 - group by 优化
- [ ] SQL 优化 - limit 优化
- [ ] SQL 优化 - count 优化
- [ ] SQL 优化 - update 优化
- [ ] SQL 优化小结
- [ ] 视图 - 介绍及基本语法
- [ ] 视图 - 检查选项（cascaded）
- [ ] 视图 - 检查选项（local）
- [ ] 视图 - 更新及作用
- [ ] 视图 - 案例
- [ ] 存储过程 - 介绍
- [ ] 存储过程 - 基本语法
- [ ] 存储过程 - 变量 - 系统变量
- [ ] 存储过程 - 变量 - 用户定义变量
- [ ] 存储过程 - 变量 - 局部变量
- [ ] 存储过程 - if 判断
- [ ] 存储过程 - 参数（IN, OUT, INOUT）
- [ ] 存储过程 - case
- [ ] 存储过程 - 循环 - while
- [ ] 存储过程 - 循环 - repeat
- [ ] 存储过程 - 循环 - loop
- [ ] 存储过程 - 游标 - cursor
- [ ] 存储过程 - 条件处理程序 - handler
- [ ] 存储函数
- [ ] 触发器 - 介绍
- [ ] 触发器 - 案例 1（insert 类型）
- [ ] 触发器 - 案例 2（update 类型）
- [ ] 触发器 - 案例 3（delete 类型）
- [ ] 视图&存储过程&触发器小结
- [ ] 锁 - 介绍
- [ ] 锁 - 全局锁 - 介绍
- [ ] 锁 - 全局锁 - 一致性数据备份
- [ ] 锁 - 表级锁 - 表锁
- [ ] 锁 - 表级锁 - 元数据锁
- [ ] 锁 - 表级锁 - 意向锁
- [ ] 锁 - 表级锁 - 意向锁测试
- [ ] 锁 - 行级锁 - 介绍
- [ ] 锁 - 行级锁 - 行锁
- [ ] 锁 - 行级锁 - 间隙锁&临键锁（1）
- [ ] 锁 - 行级锁 - 间隙锁&临键锁（2）
- [ ] 锁小结
- [ ] InnoDB 引擎 - 逻辑存储结构
- [ ] InnoDB 引擎 - 架构 - 内存结构（1）
- [ ] InnoDB 引擎 - 架构 - 内存结构（2）
- [ ] InnoDB 引擎 - 架构 - 磁盘结构
- [ ] InnoDB 引擎 - 架构 - 后台线程
- [ ] InnoDB 引擎 - 事务原理 - 概述
- [ ] InnoDB 引擎 - 事务原理 - redolog
- [ ] InnoDB 引擎 - 事务原理 - undolog
- [ ] InnoDB 引擎 - MVCC - 基本概念
- [ ] InnoDB 引擎 - MVCC - 隐藏字段
- [ ] InnoDB 引擎 - MVCC - undolog 版本链
- [ ] InnoDB 引擎 - MVCC - readview 介绍
- [ ] InnoDB 引擎 - MVCC - 原理分析（RC 级别）
- [ ] InnoDB 引擎 - MVCC - 原理分析（RR 级别）
- [ ] InnoDB 引擎小结
- [ ] MySQL 管理 - 系统数据库介绍
- [ ] MySQL 管理 - 常用工具（1）
- [ ] MySQL 管理 - 常用工具（2）
- [ ] MySQL 管理小结
- [ ] 进阶篇总结
- [ ] 运维篇介绍
- [ ] 日志 - 错误日志
- [ ] 日志 - 二进制日志
- [ ] 日志 - 查询日志
- [ ] 日志 - 慢查询日志
- [ ] 主从复制 - 概述
- [ ] 主从复制 - 原理
- [ ] 主从复制 - 主库配置
- [ ] 主从复制 - 从库配置
- [ ] 主从复制 - 测试
- [ ] 分库分表 - 介绍
- [ ] 分库分表 - 介绍 - 拆分方式
- [ ] 分库分表 - MyCat 概述 - 安装
- [ ] 分库分表 - MyCat 概述 - 核心概念
- [ ] 分库分表 - MyCat 入门
- [ ] 分库分表 - MyCat 入门 - 测试
- [ ] 分库分表 - MyCat 配置（1）
- [ ] 分库分表 - MyCat 配置（2）
- [ ] 分库分表 - MyCat 分片 - 垂直分库
- [ ] 分库分表 - MyCat 分片 - 垂直分库测试
- [ ] 分库分表 - MyCat 分片 - 水平分表
- [ ] 分库分表 - 分片规则 - 范围分片
- [ ] 分库分表 - 分片规则 - 取模分片
- [ ] 分库分表 - 分片规则 - 一致性 hash 算法
- [ ] 分库分表 - 分片规则 - 枚举分片
- [ ] 分库分表 - 分片规则 - 应用指定算法
- [ ] 分库分表 - 分片规则 - 固定 hash 算法
- [ ] 分库分表 - 分片规则 - 字符串 hash 解析
- [ ] 分库分表 - 分片规则 - 按天分片
- [ ] 分库分表 - 分片规则 - 按自然月分片
- [ ] 分库分表 - MyCat 管理与监控原理
- [ ] 分库分表 - MyCat 管理工具
- [ ] 分库分表 - MyCat 监控（1）
- [ ] 分库分表 - MyCat 监控（2）
- [ ] 分库分表总结
- [ ] 读写分离 - 介绍
- [ ] 读写分离 - 一主一从准备
- [ ] 读写分离 - 一主一从读写分离
- [ ] 读写分离 - 双主双从介绍
- [ ] 读写分离 - 双主双从搭建
- [ ] 读写分离 - 双主双从读写分离
- [ ] 读写分离总结
- [ ] 运维篇总结