|
主要内容 |
详细内容 |
|
大数据分析挖掘行业发展方向与应用趋势 |
1. 大数据在金融行业中的应用发展与趋势 2. 大数据在智慧城市、智慧社区中的应用发展与趋势 3. 大数据在商圈分析、投资选址中的应用发展与趋势 4. 大数据在投融资、商业分析中的应用发展与趋势 5. 大数据在企业征信领域中的应用发展与趋势 |
|
大数据分析建模应用案例 |
6. 业务模型与适用的分析挖掘模型 7. 大数据分析挖掘建模工具 8. 客户行为分析 9. 日志分析 10. 推荐营销分析 11. 电商数据分析 12. 预测分析 |
|
大数据分析建模挖掘项目的实施步骤 |
13. 大数据分析挖掘解决方案与传统分析方案的剖析比较 14. 数据分析问题定义、数据整理、数据分析方法选择、数据提取整理、分析结果及结论、实施及建议措施、实施效果评估、项目报告整理与撰写 15. 异构、多源数据融合模型 16. 数据挖掘过程模型 17. SEMMA挖掘模型 18. 5A挖掘模型 19. CRISP-DM挖掘模型（重点） 20. 数据挖掘过程中的：商业理解、数据理解、数据准备、模型建立、模型评估、模型发布 |
|
大数据分析挖掘建模的应用 |
21. 从海量非结构化的日志数据集中提取出结构化数据集，为数据挖掘项目做准备 22. 大数据的分析挖掘 a) 选择数据挖掘模型 b) 数据挖掘模型训练 c) 调整算法模型 d) 数据分析模型评估 23. 决策树分析挖掘算法在客户分类分析中的应用实施步骤 24. 关联分析挖掘算法在电商（虚拟商品）推荐中的应用实施步骤 25. 从海量文本数据集中挖掘出跟产品业务相关的主题并分类
|
|
大数据分析建模挖掘在互联网和金融征信领域的应用案例 |
26. 大数据精准营销项目案例 27. 个性化广告推荐与增值业务项目案例 28. 电信用户行为项目案例 29. 电商推荐导购和用户画像 30. 客户精准画像 |
|
客户分类分析模型 |
31. 针对性围绕结合运营商和线上渠道运营，如何设计线上渠道用户分群分类的模型等重点介绍 32. 客户分类模型 33. 客户流失预测模型 34. 决策树模型 35. 客户-套餐-渠道推荐分析模型 36. 客户满意度模型 |
|
Python数据挖掘基础 |
37. Python数据挖掘软件 38. Python数据挖掘和机器学习算法库Scikit-learn 39. Python数据挖掘框架的应用 40. Python协同过滤和推荐算法框架的应用 |
|
Python数据挖掘应用项目 |
41. Python数据挖掘模块应用实践 42. Python文本分析挖掘实践 43. Python文本主题构建 44. Python关联规则分析实践 45. Python聚类分析实践 46. Python分类分析（决策树分析实践） 47. Python协同过滤模型和推荐模型的应用实践 |
|
大数据分析挖掘应用实践与解决方案 |
48. Python大数据分析平台架构 49. Python推荐与机器学习平台的应用案例 50. Python关联规则分析 51. Python数据挖掘与电商推荐系统 |
|
大数据分析挖掘模型的应用 |
52. 大数据构建决策树模型 53. 大数据构建协同过滤模型：Item-based，ALS等算法 54. 大数据构建回归分析模型 55. 大数据构建推荐模型 |
|
操作实践讨论 |
56. 电商推荐系统分析任务案例 57. 金融征信大数据应用案例（备选） 58. 项目训练与交流讨论 |
