spss聚类分析(spss如何设置初始聚类中心)

spss聚类分析，spss如何设置初始聚类中心？

spss统计分析软件除了有主成分分析、因子分析功能之外还有聚类分析的功能，聚类分析能够将物理或者抽象的对象集合分组为由类似的对象组成的多个类的分析过程。本文将给大家详细介绍spss实现聚类分析的过程。

1、打开spss软件，选择“分析”--》“分类”--》“系统聚类”进入系统聚类设置选项卡。

2、进入选项卡，将标准化后的数据作为变量。然后可以在当中选择聚类的各种方式方法及要生成的图标，这里我们勾选上树状图后其他默认。点击确定即可看到spss自动处理输出的结果。

3、根据spss输出的结果进行分析。

聚类分析的目标就是在相似的基础上手机数据来分类，现在聚类分析这个功能可以应用于很多领域，其中包括数学、计算机科学、统计学等等。

统计学中pssp是什么意思？

是spss吧。spss是statistical product and service solution 的简称，即统计产品服务解决方案，说白了就是统计专用的软件。SPSS是世界上最早采用图形菜单驱动界面的统计软件，它最突出的特点就是操作界面极为友好，输出结果美观漂亮。

它将几乎所有的功能都以统一、规范的界面展现出来，使用Windows的窗口方式展示各种管理和分析数据方法的功能，对话框展示出各种功能选择项。

用户只要掌握一定的Windows操作技能，精通统计分析原理，就可以使用该软件为特定的科研工作服务。

SPSS采用类似EXCEL表格的方式输入与管理数据，数据接口较为通用，能方便的从其他数据库中读入数据。

其统计过程包括了常用的、较为成熟的统计过程，完全可以满足非统计专业人士的工作需要。

输出结果十分美观，存储时则是专用的SPO格式，可以转存为HTML格式和文本格式。

对于熟悉老版本编程运行方式的用户，SPSS还特别设计了语法生成窗口，用户只需在菜单中选好各个选项，然后按“粘贴”按钮就可以自动生成标准的SPSS程序。极大的方便了中、高级用户。SPSS图表制作SPSS for Windows是一个组合式软件包，它集数据录入、整理、分析功能于一身。

用户可以根据实际需要和计算机的功能选择模块，以降低对系统硬盘容量的要求，有利于该软件的推广应用。SPSS的基本功能包括数据管理、统计分析、图表分析、输出管理等等。SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类，每类中又分好几个统计过程，比如回归分析中又分线性回归分析、曲线估计、Logistic回归、Probit回归、加权估计、两阶段最小二乘法、非线性回归等多个统计过程，而且每个过程中又允许用户选择不同的方法及参数。

SPSS也有专门的绘图系统，可以根据数据绘制各种图形。SPSS for Windows的分析结果清晰、直观、易学易用，而且可以直接读取EXCEL及DBF数据文件，现已推广到多种各种操作系统的计算机上，它和SAS、BMDP并称为国际上最有影响的三大统计软件。

在国际学术界有条不成文的规定，即在国际学术交流中，凡是用SPSS软件完成的计算和统计分析，可以不必说明算法，由此可见其影响之大和信誉之高。最新的21.0版采用DAA（Distributed Analysis Architecture，分布式分析系统），全面适应互联网，支持动态收集、分析数据和HTML格式报告。SPSS操作界面SPSS输出结果虽然漂亮，但是很难与一般办公软件如Office或是WPS2000直接兼容，如不能用Excel等常用表格处理软件直接打开，只能采用拷贝、粘贴的方式加以交互。

在撰写调查报告时往往要用电子表格软件及专业制图软件来重新绘制相关图表，这已经遭到诸多统计学人士的批评；而且SPSS作为三大综合性统计软件之一，其统计分析功能与另外两个软件即SAS和BMDP相比仍有一定欠缺。虽然如此，SPSS for Windows由于其操作简单，已经在我国的社会科学、自然科学的各个领域发挥了巨大作用。

该软件还可以应用于经济学、数学、统计学、物流管理、生物学、心理学、地理学、医疗卫生、体育、农业、林业、商业等各个领域。

零基础如何入门数据分析？

让我来分享一个很不快速（需耗时一年），但包你从零基础学到昏厥的学习教程吧：统计、SQL、R、Python、Tableau、Excel、Forecasting & Machine Learning

1. 统计

统计需要掌握的姿势：

Descriptive StatisticsProbability Concepts and Probability DistributionsSampling Distributions and the Central Limit TheoremConfidence IntervalsHypothesis TestingAnalysis of VarianceChi Square and Nonparametric TestsSimple and Multiple Regression

想躲过统计？？？

入门课收好，Coursera上阿姆斯特丹大学的Basic Statistics，卡通配图教学，和萌萌哒的你最配！！

University of Amsterdam：Basic Statistics | Coursera （旁听免费）

喏，还有一本简洁易懂的step by step英文教材，也是我们课上用的教材~

Basic Business Statistics by Mark L.Berenson & Others2. SQL

常用语句来来回回就那么几个，但是要熟，要熟，要熟！

简历上有SQL技能，很重要！！！很重要！！！

常用语句总结：SQL Quick Reference From W3Schools

再送你一门超好，超好，超好的MySQL课！Coursera！杜克大学！我太喜欢教课的那个温柔美丽的大姐姐了~

Managing Big Data with MySQL | Coursera （旁听免费）

我学R上的课是Coursera上Johns Hopkins University的经典R课程和在Data Application Lab实习的时候上的商业分析师培训课。Coursera的那门课我上得不太走心，默默吐槽一下课程莫名散发着浓浓的时代感，老师有点面无表情，比较打击我的学习激情...... 好吧，我知道我作......

后来实习的时候上公司的培训课，教R的是个讲话干脆利落的小姐姐，才让我重新喜欢上R......

R Programming | Coursera （旁听免费）商业分析师 - Data Application Lab

作为一名主观上比较站Python的小粉丝，我目前学过的R就这么多啦！！大体了解了R的语言思维，碰到不会的问题再Google找代码就差不多了~

另外，我在Udemy上找到一门R的课，看课程设置觉得还是挺不错的，想学R的可以试试~ 关于Udemy上课程的价格补充一句，原价是吓人的，常年打折，但是打折力度经常变来变去的，最便宜的时候一般是10-20块的价格可以买到好课...... BTW，下面这门课目前15刀。

R Programming A-Z™: R For Data Science With Real Exercises!4. Python

Python 是一门可以让人浑然忘我的语言......

这辈子学过韩语、日语、英语，和一丢丢R，但Python是我学得最有激情的......

最沉浸的那段时间里，不管几点回家，晚上睡觉前一定要看一点Python爬虫才能安心睡下，晚上做梦也是爬虫代码......

我最开始接触Python的时候上的课是Coursera上University of Michigan的经典系列：Python for Everybody，里面包含五门专项课，除了最后一门Capstone，其他四门都刷过（没写作业）。

这门课非常实在，内容非常赞，上课的是个亲切的老爷爷，学下来有助于你系统了解Python的功能~ 个人感觉 Using Python to Access Web 对于纯小白来说可能有点难度~

提醒一下，如果你搜Python for Everybody，会发现...... 要交钱上啊！！！省钱小tip就是在搜索栏里一门一门搜专项课，进入专项课的页面就可以免费旁听了...... 同理适用于Coursera很多其他的系列课程。

University of Michigan: Python for Everybody | Coursera

密西根大学还出了Python的数据科学进阶课，包含了数据分析、画图和机器学习等内容：

University of Michigan: Applied Data Science with Python | Coursera

另外，我还追过大神

@秦路

的运营大湿兄知乎专栏，从“开始Python的新手教程” 到“用Python分析用户消费行为”，一共六篇文章，超快速入门Python数据分析。

Udemy上也有一门很棒的Python数据分析课，我目前在上，觉得好棒棒~

教numpy、pandas、画图、带着练三个数据小项目，至此觉得内容量已经很良心了，老师竟然还教机器学习！！！20个机器学习视频，用SciKit Learn这个包！还有还有！11个统计视频！还没完还没完！还有几个SQL和Web Scraping的小视频！满满的良心学习大礼包~

Learning Python for Data Analysis and Visualization

想必还有很多盆友们对爬虫充满了兴趣......

学爬虫当然要看崔庆才大神的系列教程啊！！！

文字版教程免费，使用的是Python 2.7版本↓

Python爬虫学习系列教程 | 静觅

视频教程499软妹币，之前有过折扣，印象中270多~

Python3爬虫视频学习教程 | 静觅

如果你只是比较随意，不想玩那么高深，或者你真的和我一样穷，可以看看文字版教程，了解urlib库、Requests库、BeautifulSoup库、Selenium库以及正则表达式后，跟着崔大神的三个免费case练一遍~ 我觉得对于小白来说就差不多了~

Python3爬虫三大案例实战分享

对于数据分析师来说，会爬虫不属于必备技能，那么学爬虫的意义是什么呢？大神

@董伟明

在他接近满分的“爬虫从入门到进阶”的Live简介中说得直戳心坎~

Hello World，醒醒啊！！！你的女神来了！！！

5. Tableau

终于，数据分析界的女神出场了！！！让我们大声喊出她的名字：T! A! B! L! E! A! U!

读作“Tab-low”！！！

我身边很多学Tableau的孩纸们，反应不是酱紫的，

就是酱紫的......

纷纷表示在这个看脸的时代，要好好学习女神软件......

（Source: Best Practices for Designing Efficient Tableau Workbook）

凭借着打娘胎起就异于常人的颜值，Tableau迅速蹿红，逐渐渗透进业界和美国高校。对于在美帝的数据分析师来说，Tableau也是简历上必备的技能之一。

我目前觉得学习Tableau的最好方式，还是去Coursera上上杜克大学的那门课，基本涵盖入门到中高级操作，墙裂打call，墙裂推荐！！！真的好喜欢教课的杜克大姐姐......

Data Visualization and Communication with Tableau | Coursera

另外，Tableau为了推广自家软件，在免费培训方面也是做得很拼......

Tableau Training & Tutorials (中英文都有)Live Training ResourcesWebinars

还有很多很棒的Tableau使用者的case展示~

Gallery

还有Moveover Monday Project，每周一po一个数据集和数据分析展示~

A weekly social data project

至于有些人说，下载都这么贵，土豪才学得起吧...... 只要你乖乖去上Coursera杜克大姐姐的课，会有惊喜......

6. Excel

无论你多喜欢Excel或者多不喜欢Excel...... 作为数据分析师，简历上有Excel技能也是必备......

最重要的当然是会Pivot Tables~

我也是通过DAL的商业分析培训课学的Pivot Tables，如果你只想学Pivot Tables，可以去Udemy上这门↓

Microsoft Excel - Data Analysis with Excel Pivot Tables

当然，还有一个免费的学习神器，YouTube啊~ 哈哈，Pivot Tables一搜一大把~

我真的非常热爱YouTube，基本没有YouTube不到的姿势......

7. Forecasting

预测/时间序列也是我们数据分析僧要掌握的技能，不过学得比较浅显，大概了解几个预测模型的原理和会用软件操作就行了。我们用过的教材是Business Forecasting，有中文版，不过我相信你不会想看的......

商业预测 (豆瓣)

Udemy上依旧有药！介绍Moving Average, Simple Exponential Smoothing, Double Exponential Smoothing / Holts, Winters / HoltWinters等模型以及在R和Tableau中的操作。

Data Science-Forecasting/Time series Using XLMiner,R&Tableau

如果你对Tableau女神是真爱！可以去上Udemy新课，目前评价4.7分，感觉还挺不错的样子，反正是安利到我了~

Forecasting and Time Series Analysis in Tableau8. Data Mining and Machine Learning

想当年，刚接触数据时，我还是个蠢萌的宝宝，在听说“Machine Learning”这个东东的时候，内心是下面那样的......

何方的妖魔鬼怪，尼玛听名字就不明觉厉......

入坑数据分析一年，但才刚接触机器学习一个月（网课加这学期修的数据挖掘专业课），感觉难度明显拔高了一级，但越学越刺激，越学越稀饭~

目前还是个渣渣，不敢瞎说，就大概罗列一下机器学习入门需要掌握的知识点和网上的学习资源吧：

Linear RegressionLogistic RegressionDecision Treesk-Nearest NeighborsNaive Bayes ClassificationDiscriminant AnalysisNeural NetsSupport Vector MachinesCluster AnalysisRandom ForestNatural Language Processing

如果没听说过吴恩达男神的机器学习王牌课程，那你一定是假的数据猿......

Machine Learning | Coursera

说实话，没上男神的Machine Learning前，我还挺不理解为什么这个看上去其貌不扬的大叔，有这么多死忠信众...... 每次大叔的动向更新，都跟地震一样...... 娶的老婆还是跟他智商一样上天高的女神大牛！约翰霍普金斯的CS博士......

如果你和曾经的我一样迷惑，请去Coursera上课...... 顺带必须提一句，男神还是Coursera的联合创始人啊！！！我的前半生没有Coursera，但是后半生必须要跟Coursera紧紧相依......

反正现在的我是痛哭流涕着入吴恩达教了......

之前我在Python部分介绍的Udemy的Python数据分析课中，也涉及一部分机器学习的内容：

Learning Python for Data Analysis and Visualization

内容设置很赞，也很系统的数据科学课程还有：

University of Michigan: Applied Data Science with Python | Coursera

以上就是我总结的一些数据分析经典姿势~ 其实还有Decision Analysis（主要讲概率）和Optimization，大家就自行去YouTube吧，视频很多~

一年前的今天，我没开始刷网课，不会SQL，不会R，不会Python，不会Tableau，不懂Forecasting，更不知道机器学习是什么鬼...... 就修了两门专业课，统计和Optimization（Excel Modeling），仅此而已......

按照这份教程一点点啃完，其实你也可以在家DIY出半个名校学生（如果不提名校的校友资源和networking机会等的话）~

大家可以再参考一下几个美国出名的数据分析项目的课程设置：

University of Texas -Austin | MS in Business AnalyticsUSC | MS in Business AnalyticsUniversity of Chicago | MS in Analytics

最后再来个励志的故事，我最新关注的一个YouTuber，Harrison Kinsley。小哥毕业于Sam Houston State University（懵逼脸），专业是Philosophy and Criminology（茫然脸），毕业后就开始创业，自学python编程，并在网上po免费python教程，还创立了一个python学习网站，YouTube上目前有27万多粉丝。

如果你好奇小哥怎么赚钱存活？小哥说，他一周就能接好几个offer...... 你们没听过的公司一堆一堆的，全宇宙人民都听过的大公司Facebook和Apple的offer他都有...... 另外他还做咨询赚钱，生计完全不愁......

既然你都读到这儿了，看来也是数据的真爱，那就一起学到昏厥吧！

文科生如何自学spss？

在与SPSSAU（网页版本SPSS）用户沟通过程中发现，非常的用户均是“新手”，没有数据分析的思维和概念。很多用户完全没有进行过数据分析，也不知道如何学习，部分用户有学习过统计学相关课程，但依旧不会进行数据分析。

结合SPSSAU的设计理念，建议用户学习数据分析的路径如下共三步曲。

第一步：数据类型的识别

数据类型是一切研究的基石，也是数据研究思维的最基本且最关键的思维。不同学科，不同课程，不同领域时，对于数据类型的定义基本一样，但称呼并不完全一样。首先介绍下SPSSAU里面的数据类型，共两类，分别是定类和定量数据。

定类数据即是分类的意思，可以计算百分比；定量数据是指数字可以对比大小，因而可以进行平均值计算。如果有的数据同时可以计算百分比，也可以计算平均值，此时就结合实际研究情况，将其似着定类或者定量数据即可。比如学历，通常情况下时看作定类数据，但数字越大也可以说成是学历越高，所以有的研究方法时把学历看作是定量数据。具体研究时均是结合实际处理，这也是数据分析的有趣之处。

SPSSAU将数据分为两类，但在其它领域，或者学科时，数据类型的划分并不完全相同，而且称呼均不统一。这也给研究人员带来一定困惑，下表列出不同称呼时与SPSSAU数据类型的对应关系。

称呼各不相同，但实际意义均一致，只需要理解一句话即“算百分比时叫定类数据，算平均值时叫定量数据”。

第二步：研究方法的选择

数据类型确认后，此时即可理解数据分析方法的选择。SPSSAU的设计理念时，区分数据类型的同时，还区分X和Y。比如性别和是否吸烟的关系，X是性别，Y为是否吸烟。X和Y均为定类数据。此时则应该选择“交叉卡方”分析。

SPSSAU当前共提供近60类研究方法，具体需要研究者结合数据类型，研究目的进行选择。

第一步即选对研究方法，即数据类型的识别。具体可参考“分析方法选择”文档。第二步即结合研究目的，常见的研究目的包括：数据基本描述、影响关系研究、差异关系研究及其它关系。下表格列出研究目的与研究方法的对应关系。

上表中列出数据基本描述使用到的研究方法：最常见的为频数和描述分析，分别针对定类数据计算百分比，定量数据计算平均值。除此之外，正态性检验或者正态图可以查看定量数据的正态性特质，箱盒图可以查看定量数据的分布、异常离群值情况；词云可以查看定类数据的分布特征情况。

上表中列出常见的关系研究涉及方法；相关分析是比较基础的关系研究，以及可以使用散点图直观展示数据关系情况。回归分析研究X对于Y的影响关系，并且Y为定量；同时还有两个方法即逐步回归，分层回归；其实质上均是回归；逐步回归是指让软件自己找出对于Y有影响的X；分层回归是指一次性运行多个回归。

Logistic回归分析时Y均为定类数据，并且可拆分为二元logistic回归，多分类logistic回归。区别在于二元Logistic回归时，Y仅包括0和1两个数字；多分类logistic回归时，Y包括的数字超出2个。

上表中列出常见的差异关系研究方法。结合数据类型即可选择出对应的研究方法。方差和T检验的区别在于，如果X的个数仅为2个则可以使用T检验，如果X的个数超出2个只能使用方差分析。

方差分析更深入的研究时，会涉及方差齐性检验，正态性检验等；如果不满足条件则使用非参数检验较好。而且再进一步的深入分析时，可以在方差分析后，进行事后多重比较进一步研究。

双因素方差通常用于实验研究，2个X对于Y的影响情况。如果研究中有多个X，此时称作多因素方差（也称多元方差）；后续SPSSAU会进行提供等。

聚类分析是将样本分类，因子分析与主成分分析的功能类似，可用于数据信息浓缩，也可以计算权重，同时还可以利用“综合得分”计算竞争力等。同时还有熵值法，可用于权重计算。

如果研究数据为问卷，则可能涉及到信度和效度研究，记住此两种方法仅针对量表数据。同时对于量表数据可使用项目分析，了解量表的区分性情况，删除掉不合理量表项等。同时如果研究中涉及多选题，则有对应五个研究方法可以使用，包括单独的多选题分析，单选与多选的交叉关系研究，多选与单选的交叉关系研究，多选和多选的交叉关系研究等。多选题的分析有时也称作多重响应。

第三步：研究注意事项

综上所述，如果可以区分数据类型，并且了解研究目的，则可以选择出科学的研究方法进行研究。具体每个研究方法具体的内容，直接使用SPSSAU的智能分析即可，当然也建议参阅每个方法对应的帮助手册，里面会有更详细的说明和例子，注意事项等。

除开上述的研究方法选择之外，SPSSAU同时还提供以下几点建议，希望可以帮助到用户快速掌握数据分析。

数据正态性特质：很多研究方法都是基于正态性这一前提，如果不满足时则可能使用其它方法。建议可使用正态图探索数据的正态性情况，使用箱盒图探索定量数据的分布情况；数据编码、生成变量等数据处理功能的使用。很多研究方法使用之前，是需要进行数据处理。比如问卷研究中1个维度对应5个量表题，此时可以使用生成变量的平均值功能先得到一个概括性的变量。也或者有的研究方法需要进行数据标准化处理等。

现在转行学习数据分析会很困难吗？

2015年，“大数据” 成为国内年度热词，并首次出现在国家的《政府工作报告中》。同年，数据分析也开始如雨后春笋般成为朝阳行业，数据分析和大数据相关职位一度霸屏各大招聘网站。

许多计算机、统计学和数学出身的毕业生纷纷开始投入数据分析行业，同样也有转行的大队伍，对于那些已经工作许久的在职者或者偏文科类专业背景的人士可能会有这样一些顾虑：

数据分析师岗位对年龄有限制吗，我会不会错过了最佳转行的时机，我这个年纪再转行还来得及吗？

我大学学的是文科类专业，对于数据分析我能跟得上或学得进去吗？

我不是很喜欢编程或代码，学习数据分析的知识会不会很吃力？

步入中年，也不是相关专业出身，面对家庭、事业、年龄的三重压力，能不能成功转行到数据分析师行业成为心头的一块大石……

没有人能够替你做出满意的选择，更没有人可以预知未来的人生走向。但笔者可以分享一些信息为正在面临人生抉择的你提供启发和思考或者说是为你加油打气。

首先，让我们看到进入数据分析需要哪些能力。

数据分析师入门标准

1、SQL

数据库。做数据分析，数据是基本，数据的来源有很多，可能是第三方提供的数据，也可能是自己爬虫爬取的。但企业里更多的情况是，数据是存储在数据库里的，如何在数据库里选取自己想要的、有约定条件的数据，怎么建立多表之间的联系就是SQL这部分需要掌握的技能，SQL也是数据分析最基础的技能。

2、统计学

统计学可以分为描述性统计和推断统计。推断统计是统计学里的核心内容，统计学家一直在做的事情就是怎么根据样本来评测总体；方差分析、回归、聚类分析、主成份分析、时间序列分析等都是以后做数据分析可能有到的理论知识。这里推荐中国人民出版社贾俊平的《统计学》，是非常经典的统计学习教材。

统计分析工具

统计分析软件很多，这里简单介绍主流的3种。

1、SPSS

作为一款菜单式操作软件要比编程性软件入门简单，主要优点就是好上手。事实上，统计学专业常常在学习统计学原理之后学习SPSS的操作学习，对理论知识进行一个实践。如今，SPSS在企业中常做数据量相对小的、数据质量较好的数据分析，如调查问卷后的数据进行分析。就业需求面的话现在来说相对没有那么广，不过对统计学理论的理解是有帮助的，推荐高等教育出版社张文彤的《SPSS统计分析基础教程（第2版）》。

2、R语言

R 语言与起源于贝尔实验室的S语言相似，R也是一款开源的为统计计算和数据可视化而生的软件，R的功能非常丰富，所以R的学习曲线也较为陡峭。经典的R学习书如人民邮电出版社的《R语言实战（第2版）》。

3、Python

跟R一样，Python也是一种动态编程语言，R跟Python的受欢迎程度时常变动，近年来，由于Python有不断改良的库（主要pandas），和大数据、人工智能等兴起，企业越偏好用Python，Python由于其解释性和功能的强大，因此市面上关于Python的书籍特别多，光是利用Python做数据分析这个方向就已经很多了，大家看的多的话推荐Wes McKinney的《利用Python进行数据分析》。

学习过程中的担忧

1、恐惧编程代码

即便是计算机相关专业的学生，也未必做到全然投入喜欢到写编程敲代码的状态，何况是其他专业或者转行的人呢？其实，数据分析师的学习和掌握重点不是写编程敲代码，而是对统计学和业务的理解，编程代码仅仅是理解和熟悉为主。就好比一辆汽车，程序员就是负责制造汽车的人员，而数据分析师是驾驶汽车的人员，更多的是了解汽车器件、零件和功能使用。数据分析代码以脚本语言为主，如Python，很多算法、函数已经封装好，不需要自己编写，直接调用。所以这里的编程工作并不是大家脑海里那种程序员。数据分析师更注意的是对数据怎么进行预处理、使用什么模型、参数调优等。

2、人工智能

未来是AI的时代，为什么不直接投入到大数据、机器学习等领域呢？暂且不说这个领域比数据分析所需要的知识，能力要求高多少倍，仅仅是入门所需要的学习内容就已经吓到很多人了。事实上，做数据分析会是未来转入AI行业一个很好的跳板，数据分析算是如今学习成本和薪水报酬相对比较好的一种技术行业了。熟悉行业知识，又掌握数据分析、挖掘的能力，这些专业知识会成为你转入未来人工智能时代的拥有跨界能力的巨大财富。

最后，希望这篇文章对正在考虑要不要转行数据分析焦虑的你做一点信息上的帮助，帮助你弄清楚数据分析要做什么，要具备哪些技能，去理性的选择，而不是因为这个行业陡峭的学习曲线而轻易放弃，也不是因为这个行业的火热而轻易跟风。

附录：

就职于美莱集团的CDA往期学员学习心得及方法

第一：预习开课前一定要预习，特别是没有基础的同学，尽量长时间去看预习视频，理解要点，做好笔记，记录好你的问题。

第二：跟上节奏老师讲课的时候一定要跟上老师的节奏，因为信息量非常大，哪一块没听懂及时问老师或同学，课程一环扣一环，没听懂又不问，导致跟不上节奏，后续的课程就很容易节节跟不上了。这里也体现出预习的重要性，预习等于你学了两遍，预习没懂的，上课时重点听，及时交流。

第三：练习只听理论不练会忘的很快，只有不断地练习，不断试错才更容易掌握，找工作企业看的也是你掌握的技能，解决问题的能力，晚上加强练习也是对白天上课内容的一种回顾和总结，加强记忆。

第四：案例三个月的课程以实战案例收尾，前面是你所学的知识，最后的案例才是你输出所学知识、解决问题的时候