课程介绍:
大数据建模与分析挖掘技术已经逐步地应用到新兴互联网企业(如电子商务网站、搜索引擎、社交网站、互联网广告服务提供商等)、银行金融证券企业、电信运营等行业,给这些行业带来了一定的数据价值增值作用。
本次课程面向有一定的数据分析挖掘算法基础的工程师,带大家实践大数据分析挖掘平台的项目训练,系统地讲解:
(1)数据分析与挖掘的背景、基本概念、能干什么、优势何在、方法步骤、项目思路。
(2)大数据分析挖掘和机器学习的模型、建模方法和案例,重点是决策树机器学习模型和关联规则机器学习模型及其应用;
(3)SPSS大数据建模与挖掘软件的应用实践,包括决策树,关联规则,朴素贝叶斯网络,SVM模型的实践与操作;
(4)Python朴素贝叶斯、决策树、逻辑回归机器学习模型及应用实践操作;
(5)数据建模、分析挖掘技术体系及其平台方案实现;
(6)机器学习和大数据建模在电商、电信领域的用户画像应用案例。
学员需要准备的笔记本配置:i5及以上CPU,4GB及以上内存,硬盘空间预留50GB(可用移动硬盘),基本的大数据分析平台所依赖的软件包和依赖库等。
本课程基本的实践环境是操作系统:Windows或Linux。
课程对象:
1. 大数据分析应用开发工程师
2. 大数据分析项目的规划咨询管理人员
3. 大数据分析项目的IT项目高管人员
4. 大数据分析与挖掘处理算法应用工程师
5. 大数据分析集群运维工程师
6. 大数据分析项目的售前和售后技术支持服务人员
课程形式:
定制授课+ 实战案例训练+ 互动咨询讨论
本课程采用技术原理与项目实战相结合的方式进行教学,在讲授原理的过程中,穿插实际的系统操作,本课程讲师也精心准备的实际的应用案例供学员动手训练。
课程目标:
1. 让学员掌握在大数据、人工智能下的大数据建模、分析挖掘技术和机器学习算法模型的应用。
2. 让学员掌握大数据建模与分析挖掘软件的应用实践。
3. 让学员掌握SPSSModeler,Python等大数据建模、分析、挖掘的应用实战。
课程大纲:
时间 | 专题 | 详细内容与知识点 |
第一天 | 大数据分析、挖掘技术体系及其平台方案实现 | 1. 数据分析与挖掘基本概念、思路、方法、项目步骤 2. 数据分析与挖掘技术和模型 3. 大数据建模和挖掘的应用场景、挖掘过程 4. 常见的大数据分析挖掘工具(SPSSModeler和Python,以及其它) 5. 大数据分析建模的案例(运营商案例) |
大数据决策树算法、模型、建模、挖掘和分析实践 | 6. 决策树的原理 7. 决策树的算法实现 8. 决策树用于分析挖掘的建模实现 9. 决策树的评估 10. 决策树的应用:客户流失预测 | |
SPSS大数据建模、分析挖掘基础 | 11. SPSSModeler大数据建模工具的部署与使用 12. SPSSModeler建模操作 13. SPSSModeler数据源、样本操作、特征选择、数据理解、可视化图表、数据审核、数据合并、数据分区等实践操作 | |
第二天 | SPSS大数据建模与挖掘软件的应用案例实践 | 14. SPSS决策树建模实践操作 15. SPSS朴素贝叶斯分类实践操作 16. SPSS关联规则建模实践操作 |
大数据关联规则算法、模型、建模、挖掘和分析实践 | 17. 关联规则和频繁模式挖掘的原理 18. 关联规则的算法实现、建模 19. Apriori和FP-growth关联分析建模 20. 关联规则分析挖掘模型的评估 21. 关联规则挖掘的应用:交叉销售、个性化推荐 | |
Python朴素贝叶斯、决策树、逻辑回归机器学习模型及应用实践操作 | 22. Python:大数据建模挖掘和机器学习概述 23. Python朴素贝叶斯建模与应用 24. Python决策树建模与应用 25. Python逻辑回归建模与应用 26. Python大数据建模与机器学习的实践操作 | |
课程总结 | 27. 案例分享 28. 讨论、交流 |