 班級規(guī)模及環(huán)境--熱線:4008699035 手機:15921673576( 微信同號) |
|
每期人數(shù)限3到5人。 |
| 上課時間和地點 |
上課地點：【上海】：同濟大學(xué)(滬西)/新城金郡商務(wù)樓(11號線白銀路站) 【深圳分部】：電影大廈(地鐵一號線大劇院站)/深圳大學(xué)成教院 【北京分部】：北京中山學(xué)院/福鑫大樓 【南京分部】：金港大廈(和燕路) 【武漢分部】：佳源大廈（高新二路） 【成都分部】：領(lǐng)館區(qū)1號（中和大道） 【沈陽分部】：沈陽理工大學(xué)/六宅臻品 【鄭州分部】：鄭州大學(xué)/錦華大廈 【石家莊分部】：河北科技大學(xué)/瑞景大廈 【廣州分部】：廣糧大廈 【西安分部】：協(xié)同大廈
最近開課時間(周末班/連續(xù)班/晚班）：2020年3月16日 |
| 實驗設(shè)備 |
☆資深工程師授課
☆注重質(zhì)量
☆邊講邊練
☆合格學(xué)員免費推薦工作
★實驗設(shè)備請點擊這兒查看★ |
| 質(zhì)量保障 |
1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費在以后培訓(xùn)班中重聽；
2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費提供課后技術(shù)支持。
3、培訓(xùn)合格學(xué)員可享受免費推薦就業(yè)機會。 |
課程大綱 |
一、 課程背景
信息爆炸的大數(shù)據(jù)時代，如何有效利用系統(tǒng)龐大的數(shù)據(jù)，如何面對互聯(lián)網(wǎng)金融的挑戰(zhàn)，成為企業(yè)關(guān)注的重要問題。為幫助企業(yè)認(rèn)清和解決這一問題，有必要緊跟時代發(fā)展步伐，綜合各方經(jīng)驗，以幫助企業(yè)成功轉(zhuǎn)型。中培在過去的十年中曾經(jīng)為數(shù)百家企業(yè)提供了數(shù)據(jù)挖掘培訓(xùn)服務(wù)。
二、 培訓(xùn)收益
通過本課程，您可以掌握以下：
1. 數(shù)據(jù)挖掘與商業(yè)智能的歷史、概念、經(jīng)典案例、基礎(chǔ)理論；
2. 掌握R的基本數(shù)據(jù)結(jié)構(gòu)、統(tǒng)計函數(shù)及高級函數(shù)、導(dǎo)入導(dǎo)出數(shù)據(jù)；
3. 理解如何使用R語言及相應(yīng)的模型解決現(xiàn)實問題；
4. 全面掌握Hadoop的架構(gòu)原理和使用場景；
5. 掌握大數(shù)據(jù)基本概念及特點；
6. 了解典型行業(yè)對于大數(shù)據(jù)的處理方式；
7. 了解基于大數(shù)據(jù)的客戶行為分析；
8. 數(shù)據(jù)云計算框架Hadoop及其對大數(shù)據(jù)處理的支撐作用；
9. 掌握MapReduce計算模型概念及應(yīng)用；
10. 熟悉大數(shù)據(jù)存儲組件Hbase及Hive；
11. 了解大數(shù)據(jù)分析工具Mouhout；
12. 掌握R數(shù)據(jù)挖掘的基本方法。
三、 培訓(xùn)大綱
日程 培訓(xùn)模塊 培訓(xùn)內(nèi)容
大數(shù)據(jù)概述 1. 大數(shù)據(jù)基本概念、技術(shù)梗概、技術(shù)沿革，以及大數(shù)據(jù)技術(shù)是如何改變?nèi)斯ぶ悄芗夹g(shù)、語音識別技術(shù)、圖像識別/視頻理解、自然語言處理技術(shù)等；
2. 數(shù)據(jù)挖掘與商業(yè)智能概述；
3. 數(shù)據(jù)挖掘與商業(yè)智能發(fā)展歷程；
4. 數(shù)據(jù)挖掘與商業(yè)智能的基本理論。
R語言精要 本著循序漸進而又覆蓋R語言重要而有用的基本內(nèi)容原則，本講從R語言入門開始，以前期的數(shù)據(jù)處理為核心，以實際案例為載體，內(nèi)容包括R語言的向量、數(shù)據(jù)框、矩陣運算、缺失值和零值的處理、特別注重用R語言構(gòu)造函數(shù)編程解決實際問題，詳細(xì)介紹強大的數(shù)據(jù)清洗整理plyr、zoo、car等常用包和強大的作圖ggplot2包，為使用R語言進行數(shù)據(jù)挖掘打下扎實的工具基礎(chǔ)。
主要案例：
案例1：如何用R語言plyr等包合并、排序、分析數(shù)據(jù)并編制香農(nóng)-威納指數(shù)；
案例2：如何用R語言編程同時實現(xiàn)幾十個高難度數(shù)據(jù)分析可視化圖片的jpeg格式輸出；
案例3：如何使用R語言進行分層或者整群抽樣構(gòu)建訓(xùn)練集與測試集；
案例4：使用ggplot2畫出各種復(fù)雜的圖形。
關(guān)聯(lián)規(guī)則和R語言實現(xiàn) 關(guān)聯(lián)規(guī)則（著名的“啤酒和尿布”）是數(shù)據(jù)挖掘的基礎(chǔ)和核心技術(shù)之一，本講將著重圍繞經(jīng)典的Apriori算法和eclat算法，闡明關(guān)聯(lián)規(guī)則的支持、置信和提升程度與控制，使用R語言快速完成關(guān)聯(lián)規(guī)則分析。
主要案例：
案例1：使用R語言關(guān)聯(lián)規(guī)則方法幫助各個超市實現(xiàn)商品的最佳捆綁銷售方案（即“購物籃”分析）；
案例2：泰坦尼克號乘客幸存的關(guān)聯(lián)規(guī)則分析；
案例3：提高個人收入的關(guān)聯(lián)分析。
決策樹（回歸樹）分析和R語言實現(xiàn) 決策樹是數(shù)據(jù)挖掘的經(jīng)典方法，其原理容易被理解。本講主要講授兩種最為普遍的決策樹算法：CART和C4.5算法，使用Rpart和J48函數(shù)進行R語言分析。
主要案例：
案例1：對汽車耗油量進行決策樹分析并完成相關(guān)目標(biāo)變量的預(yù)測；
案例2：使用決策樹幫助電信局判斷和預(yù)測客戶辦理寬帶業(yè)務(wù)。
R語言隨機森林（RandomForest）算法 在機器學(xué)習(xí)中，隨機森林是一個包含多個決策樹的分類器，本講講清隨機森林方法的原理，以致在實際中幫助學(xué)員判斷適合進行隨機森林分析的情況，最終熟練掌握R語言隨機森林分析的方法。
主要案例：
案例1：對皮膚病進行隨機森林的分類和預(yù)測；
案例2：對酒的品質(zhì)和種類進行分類和評價。
支持向量機和R語言的實現(xiàn) 本講將分析支持向量機的結(jié)構(gòu)風(fēng)險最小原理、間隔和核函數(shù)，從而幫助學(xué)員深刻理解支持向量機的思想和算法，以及使用中注意的問題，從而幫助學(xué)員靈活地應(yīng)用于各個領(lǐng)域。
主要案例：
案例1：對著名的鳶尾花數(shù)據(jù)進行支持向量機的分析；
案例2：使用支持向量機識別有毒蘑菇；
案例3：使用支持向量機進行股票指數(shù)預(yù)測。
神經(jīng)網(wǎng)絡(luò)和R語言的實現(xiàn) 神經(jīng)網(wǎng)絡(luò)由大量的節(jié)點和輸出函數(shù)構(gòu)成邏輯策略，本講介紹其原理，主要通過案例的方式講解R語言實現(xiàn)神經(jīng)網(wǎng)絡(luò)算法的過程和注意的事項。
主要案例：
案例1：酒的品質(zhì)和種類的神經(jīng)網(wǎng)絡(luò)的分析和預(yù)測；
案例2：公司財務(wù)預(yù)警建模。
使用R語言結(jié)合KNN算法進行文本挖掘 文本挖掘，特別是對中文的文本挖掘日趨重要。本講介紹文本挖掘的原理和方法，幫助大家使用R語言在大量的非結(jié)構(gòu)化的數(shù)據(jù)中發(fā)現(xiàn)有價值的信息，抽取潛在有用的數(shù)據(jù)，發(fā)現(xiàn)適合模式，實現(xiàn)可視化結(jié)果展示。
主要案例：
案例：使用R語言結(jié)合KNN算法對網(wǎng)頁（Web）進行文本挖掘（含分詞、分類、可視化等）。 |
|
|
首頁 課程表 在線聊 報名 講師 品牌 QQ聊 活動 就業(yè)
