
大數(shù)據(jù)模型與數(shù)據(jù)挖掘應(yīng)用實戰(zhàn)培訓(xùn)
一、數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程
1.1 數(shù)據(jù)挖掘概述
1.2 數(shù)據(jù)挖掘的標(biāo)準(zhǔn)流程(CRISP-DM)
1.3 數(shù)據(jù)建模示例
二、數(shù)據(jù)預(yù)處理過程
2.1 數(shù)據(jù)挖掘處理的一般過程
2.2 數(shù)據(jù)讀入
2.3 數(shù)據(jù)集成
2.4 數(shù)據(jù)理解
2.5 數(shù)據(jù)準(zhǔn)備:數(shù)據(jù)處理
2.6 數(shù)據(jù)準(zhǔn)備:變量處理
2.7 基本分析
2.8 特征選擇
2.9 因子分析(主成分分析)
三、因素影響分析(特征重要性分析)
3.1 常用特征重要性分析的方法
3.2 相關(guān)分析(數(shù)值+數(shù)值,相關(guān)程度計算)
3.3 方差分析(分類+數(shù)值,影響因素分析)
3.4 列聯(lián)分析(分類+分類,影響因素分析)
四、數(shù)值預(yù)測模型篇
4.1 銷量預(yù)測與市場預(yù)測——讓你看得更遠
4.2 回歸預(yù)測/回歸分析
4.3 時序預(yù)測
4.4 季節(jié)性預(yù)測模型
4.5 新產(chǎn)品預(yù)測模型與S曲線
4.6 自定義模型(如何利用規(guī)劃求解進行自定義模型)
五、回歸模型優(yōu)化篇
5.1 回歸模型的基本原理
5.2 模型優(yōu)化思路:尋找佳回歸擬合線
六、分類預(yù)測模型
6.1 分類概述
6.2 邏輯回歸分析模型
6.3 決策樹分類
6.4 神經(jīng)網(wǎng)絡(luò)
6.5 支持向量機
6.6 樸素貝葉斯分類
七、客戶細分與聚類
7.1 客戶細分常用方法
7.2 聚類分析(Clustering)
7.3 RFM模型分析
八、產(chǎn)品與關(guān)聯(lián)分析
8.1 關(guān)聯(lián)規(guī)則原理介紹
8.2 關(guān)聯(lián)規(guī)則適用場景:交叉銷售、捆綁營銷、產(chǎn)品布局