亚洲AⅤ自偷自拍视频_亚洲欧洲精品一区二区_中日韩AV丰满少妇无码_亚洲欧美日韩一区天堂

當(dāng)前位置: 首頁(yè) > 內(nèi)訓(xùn)課程 > 課程內(nèi)容
廣告1
相關(guān)熱門(mén)公開(kāi)課程更多 》
相關(guān)熱門(mén)內(nèi)訓(xùn)課程更多 》
相關(guān)最新下載資料

大數(shù)據(jù)建模應(yīng)用實(shí)戰(zhàn)

課程編號(hào):32162

課程價(jià)格:¥26000/天

課程時(shí)長(zhǎng):3 天

課程人氣:361

行業(yè)類(lèi)別:行業(yè)通用     

專(zhuān)業(yè)類(lèi)別:大數(shù)據(jù) 

授課講師:傅一航

  • 課程說(shuō)明
  • 講師介紹
  • 選擇同類(lèi)課
【培訓(xùn)對(duì)象】
業(yè)務(wù)支撐、網(wǎng)絡(luò)中心、IT系統(tǒng)部、數(shù)據(jù)分析部等對(duì)業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)專(zhuān)業(yè)人員。

【培訓(xùn)收益】


第一部分:數(shù)據(jù)建?;具^(guò)程
1、預(yù)測(cè)建模六步法
選擇模型:基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型
屬性篩選:選擇對(duì)目標(biāo)變量有顯著影響的屬性來(lái)建模
訓(xùn)練模型:采用合適的算法對(duì)模型進(jìn)行訓(xùn)練,尋找到最合適的模型參數(shù)
評(píng)估模型:進(jìn)行評(píng)估模型的質(zhì)量,判斷模型是否可用
優(yōu)化模型:如果評(píng)估結(jié)果不理想,則需要對(duì)模型進(jìn)行優(yōu)化
應(yīng)用模型:如果評(píng)估結(jié)果滿(mǎn)足要求,則可應(yīng)用模型于業(yè)務(wù)場(chǎng)景
2、數(shù)據(jù)挖掘常用的模型
數(shù)值預(yù)測(cè)模型:回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等
分類(lèi)預(yù)測(cè)模型:邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
市場(chǎng)細(xì)分:聚類(lèi)、RFM、PCA等
產(chǎn)品推薦:關(guān)聯(lián)分析、協(xié)同過(guò)濾等
產(chǎn)品優(yōu)化:回歸、隨機(jī)效用等
產(chǎn)品定價(jià):定價(jià)策略/最優(yōu)定價(jià)等
3、屬性篩選/特征選擇/變量降維
基于變量本身特征
基于相關(guān)性判斷
因子合并(PCA等)
IV值篩選(評(píng)分卡使用)
基于信息增益判斷(決策樹(shù)使用)
4、模型評(píng)估
模型質(zhì)量評(píng)估指標(biāo):R^2、正確率/查全率/查準(zhǔn)率/特異性等
預(yù)測(cè)值評(píng)估指標(biāo):MAD、MSE/RMSE、MAPE、概率等
模型評(píng)估方法:留出法、K拆交叉驗(yàn)證、自助法等
其它評(píng)估:過(guò)擬合評(píng)估
5、模型優(yōu)化
優(yōu)化模型:選擇新模型/修改模型
優(yōu)化數(shù)據(jù):新增顯著自變量
優(yōu)化公式:采用新的計(jì)算公式
6、模型實(shí)現(xiàn)算法(暫略)
7、好模型是優(yōu)化出來(lái)的
案例:通信客戶(hù)流失分析及預(yù)警模型

第二部分:屬性篩選方法
問(wèn)題:如何選擇合適的屬性來(lái)進(jìn)行建模預(yù)測(cè)?
比如:價(jià)格是否可用于產(chǎn)品銷(xiāo)量的預(yù)測(cè)?套餐的合理性是否會(huì)影響客戶(hù)流失?在欺詐風(fēng)險(xiǎn)中有哪些數(shù)據(jù)會(huì)有異常表現(xiàn)?

1、屬性篩選/變量降維的常用方法
基于變量本身特征來(lái)選擇屬性
基于數(shù)據(jù)間的相關(guān)性來(lái)選擇屬性
基于因子合并(如PCA分析)實(shí)現(xiàn)變量的合并
利用IV值篩選
基于信息增益來(lái)選擇屬性
2、相關(guān)分析(衡量變量間的線性相關(guān)性)
問(wèn)題:這兩個(gè)屬性是否會(huì)相互影響?影響程度大嗎?
相關(guān)分析簡(jiǎn)介
相關(guān)分析的三個(gè)種類(lèi)
簡(jiǎn)單相關(guān)分析
偏相關(guān)分析
距離相關(guān)分析
相關(guān)系數(shù)的三種計(jì)算公式
Pearson相關(guān)系數(shù)
Spearman相關(guān)系數(shù)
Kendall相關(guān)系數(shù)
相關(guān)分析的假設(shè)檢驗(yàn)
相關(guān)分析的四個(gè)基本步驟
演練:體重與腰圍的關(guān)系
演練:營(yíng)銷(xiāo)費(fèi)用會(huì)影響銷(xiāo)售額嗎
演練:哪些因素與汽車(chē)銷(xiāo)量有相關(guān)性
演練:通信費(fèi)用與開(kāi)通月數(shù)的相關(guān)分析
偏相關(guān)分析
偏相關(guān)原理:排除不可控因素后的兩變量的相關(guān)性
偏相關(guān)系數(shù)的計(jì)算公式
偏相關(guān)分析的適用場(chǎng)景
距離相關(guān)分析
3、方差分析(衡量類(lèi)別變量與數(shù)據(jù)變量的相關(guān)性)
問(wèn)題:哪些才是影響銷(xiāo)量的關(guān)鍵因素?
方差分析的應(yīng)用場(chǎng)景
方差分析的三個(gè)種類(lèi)
單因素方差分析
多因素方差分析
協(xié)方差分析
方差分析的原理
方差分析的四個(gè)步驟
解讀方差分析結(jié)果的兩個(gè)要點(diǎn)
演練:終端擺放位置與終端銷(xiāo)量有關(guān)嗎
演練:開(kāi)通月數(shù)對(duì)客戶(hù)流失的影響分析
演練:客戶(hù)學(xué)歷對(duì)消費(fèi)水平的影響分析
演練:廣告和價(jià)格是影響終端銷(xiāo)量的關(guān)鍵因素嗎
演練:營(yíng)業(yè)員的性別、技能級(jí)別對(duì)產(chǎn)品銷(xiāo)量有影響嗎
演練:尋找影響產(chǎn)品銷(xiāo)量的關(guān)鍵因素
多因素方差分析原理
多因素方差分析的作用
多因素方差結(jié)果的解讀
演練:廣告形式、地區(qū)對(duì)銷(xiāo)量的影響因素分析(多因素)
協(xié)方差分析原理
協(xié)方差分析的適用場(chǎng)景
演練:飼料對(duì)生豬體重的影響分析(協(xié)方差分析)
4、列聯(lián)分析/卡方檢驗(yàn)(兩類(lèi)別變量的相關(guān)性分析)
交叉表與列聯(lián)表
卡方檢驗(yàn)的原理
卡方檢驗(yàn)的幾個(gè)計(jì)算公式
列聯(lián)表分析的適用場(chǎng)景
案例:套餐類(lèi)型對(duì)客戶(hù)流失的影響分析
案例:學(xué)歷對(duì)業(yè)務(wù)套餐偏好的影響分析
案例:行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析
5、相關(guān)性分析各種方法的適用場(chǎng)景
6、主成份分析(PCA)
因子分析的原理
因子個(gè)數(shù)如何選擇
如何解讀因子含義
案例:提取影響電信客戶(hù)流失的主成分分析

第三部分:回歸預(yù)測(cè)模型篇
問(wèn)題:如何預(yù)測(cè)產(chǎn)品的銷(xiāo)量/銷(xiāo)售金額?如果產(chǎn)品跟隨季節(jié)性變動(dòng),該如何預(yù)測(cè)?新產(chǎn)品上市,如果評(píng)估銷(xiāo)量上限及銷(xiāo)售增速?
1、常用的數(shù)值預(yù)測(cè)模型
回歸預(yù)測(cè)
時(shí)序預(yù)測(cè)
2、回歸預(yù)測(cè)/回歸分析
問(wèn)題:如何預(yù)測(cè)未來(lái)的銷(xiāo)售量(定量分析)?
回歸分析的基本原理和應(yīng)用場(chǎng)景
回歸分析的種類(lèi)(一元/多元、線性/曲線)
得到回歸方程的四種常用方法
Excel函數(shù)
散點(diǎn)圖+趨勢(shì)線
線性回歸工具
規(guī)范求解
線性回歸分析的五個(gè)步驟
回歸方程結(jié)果的解讀要點(diǎn)
評(píng)估回歸模型質(zhì)量的常用指標(biāo)
評(píng)估預(yù)測(cè)值的準(zhǔn)確度的常用指標(biāo)
演練:散點(diǎn)圖找推廣費(fèi)用與銷(xiāo)售額的關(guān)系(一元線性回歸)
演練:推廣費(fèi)用、辦公費(fèi)用與銷(xiāo)售額的關(guān)系(多元線性回歸)
演練:讓你的營(yíng)銷(xiāo)費(fèi)用預(yù)算更準(zhǔn)確
演練:如何選擇最佳的回歸預(yù)測(cè)模型(曲線回歸)
帶分類(lèi)變量的回歸預(yù)測(cè)
演練:汽車(chē)季度銷(xiāo)量預(yù)測(cè)
演練:工齡、性別與終端銷(xiāo)量的關(guān)系
演練:如何評(píng)估銷(xiāo)售目標(biāo)與資源配置(營(yíng)業(yè)廳)
3、自動(dòng)篩選不顯著自變量

第四部分:回歸預(yù)測(cè)模型優(yōu)化篇
1、回歸分析的基本原理
三個(gè)基本概念:總變差、回歸變差、剩余變差
方程的顯著性檢驗(yàn):是否可以做回歸分析?
因素的顯著性檢驗(yàn):自變量是否可用?
擬合優(yōu)度檢驗(yàn):回歸模型的質(zhì)量評(píng)估?
理解標(biāo)準(zhǔn)誤差的含義:預(yù)測(cè)的準(zhǔn)確性?
2、回歸模型優(yōu)化思路:尋找最佳回歸擬合線
如何處理預(yù)測(cè)離群值(剔除離群值)
如何剔除非顯著因素(剔除不顯著因素)
如何進(jìn)行非線性關(guān)系檢驗(yàn)(增加非線性自變量)
如何進(jìn)行相互作用檢驗(yàn)(增加相互作用自變量)
如何進(jìn)行多重共線性檢驗(yàn)(剔除共線性自變量)
如何檢驗(yàn)誤差項(xiàng)(修改因變量)
如何判斷模型過(guò)擬合(模型過(guò)擬合判斷)
案例:模型優(yōu)化案例
3、規(guī)劃求解工具簡(jiǎn)介
4、自定義回歸模型(如何利用規(guī)劃求解進(jìn)行自定義模型)
案例:如何對(duì)餐廳客流量進(jìn)行建模及模型優(yōu)化
5、好模型都是優(yōu)化出來(lái)的
第五部分:分類(lèi)預(yù)測(cè)模型
問(wèn)題:如何評(píng)估客戶(hù)購(gòu)買(mǎi)產(chǎn)品的可能性?或者說(shuō),影響客戶(hù)購(gòu)買(mǎi)意向的產(chǎn)品關(guān)鍵特性是什么?
1、分類(lèi)預(yù)測(cè)模型概述
2、常見(jiàn)分類(lèi)預(yù)測(cè)模型
3、評(píng)估分類(lèi)模型的常用指標(biāo)
正確率、查全率/查準(zhǔn)率、特異性等
4、邏輯回歸分析模型(LR)
問(wèn)題:如果評(píng)估用戶(hù)是否購(gòu)買(mǎi)產(chǎn)品的概率?
邏輯回歸模型原理及適用場(chǎng)景
邏輯回歸的種類(lèi)
二項(xiàng)邏輯回歸
多項(xiàng)邏輯回歸
如何解讀邏輯回歸方程
帶分類(lèi)自變量的邏輯回歸分析
多項(xiàng)邏輯回歸
案例:如何評(píng)估用戶(hù)是否會(huì)購(gòu)買(mǎi)某產(chǎn)品(二項(xiàng)邏輯回歸)
案例:多品牌選擇模型分析(多項(xiàng)邏輯回歸)
5、決策樹(shù)分類(lèi)(DT)
問(wèn)題:如何提取客戶(hù)流失者、拖欠貨款者的特征?如何預(yù)測(cè)其流失的概率?
決策樹(shù)分類(lèi)的原理
決策樹(shù)的三個(gè)關(guān)鍵問(wèn)題
如何選擇最佳屬性來(lái)構(gòu)建節(jié)點(diǎn)
如何分裂變量
如何修剪決策樹(shù)
選擇最優(yōu)屬性
熵、基尼索引、分類(lèi)錯(cuò)誤
屬性劃分增益
如何分裂變量
多元?jiǎng)澐峙c二元?jiǎng)澐?br /> 連續(xù)變量離散化(最優(yōu)劃分點(diǎn))
修剪決策樹(shù)
剪枝原則
預(yù)剪枝與后剪枝
構(gòu)建決策樹(shù)的四個(gè)算法
C5.0、CHAID、CART、QUEST
各種算法的比較
如何選擇最優(yōu)分類(lèi)模型?
案例:識(shí)別銀行欠貨風(fēng)險(xiǎn),提取欠貨者的特征
案例:客戶(hù)流失預(yù)警與客戶(hù)挽留模型
6、人工神經(jīng)網(wǎng)絡(luò)(ANN)
神經(jīng)網(wǎng)絡(luò)概述
神經(jīng)網(wǎng)絡(luò)基本原理
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
神經(jīng)網(wǎng)絡(luò)的建立步驟
神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問(wèn)題
BP反向傳播網(wǎng)絡(luò)(MLP)
徑向基網(wǎng)絡(luò)(RBF)
案例:評(píng)估銀行用戶(hù)拖欠貨款的概率
7、判別分析(DA)
判別分析原理
距離判別法
典型判別法
貝葉斯判別法
案例:MBA學(xué)生錄取判別分析
案例:上市公司類(lèi)別評(píng)估
8、最近鄰分類(lèi)(KNN)
基本原理
關(guān)鍵問(wèn)題
9、貝葉斯分類(lèi)(NBN)
貝葉斯分類(lèi)原理
計(jì)算類(lèi)別屬性的條件概率
估計(jì)連續(xù)屬性的條件概率
貝葉斯網(wǎng)絡(luò)種類(lèi):TAN/馬爾科夫毯
預(yù)測(cè)分類(lèi)概率(計(jì)算概率)
案例:評(píng)估銀行用戶(hù)拖欠貨款的概率
10、支持向量機(jī)(SVM)
SVM基本原理
線性可分問(wèn)題:最大邊界超平面
線性不可分問(wèn)題:特征空間的轉(zhuǎn)換
維空難與核函數(shù)

第六部分:分類(lèi)模型優(yōu)化篇(集成方法)
1、集成方法的基本原理:利用弱分類(lèi)器構(gòu)建強(qiáng)分類(lèi)模型
選取多個(gè)數(shù)據(jù)集,構(gòu)建多個(gè)弱分類(lèi)器
多個(gè)弱分類(lèi)器投票決定
2、集成方法/元算法的種類(lèi)
Bagging算法
Boosting算法
3、Bagging原理
如何選擇數(shù)據(jù)集
如何進(jìn)行投票
隨機(jī)森林
4、Boosting的原理
AdaBoost算法流程
樣本選擇權(quán)重計(jì)算公式
分類(lèi)器投票權(quán)重計(jì)算公式

第七部分:時(shí)序預(yù)測(cè)模型
問(wèn)題:無(wú)法找到影響因素,無(wú)法回歸建模,怎么辦?隨著業(yè)務(wù)受季節(jié)性因素影響,未來(lái)的銷(xiāo)量如何預(yù)測(cè)?
1、時(shí)序序列簡(jiǎn)介
2、時(shí)序分析的原理及應(yīng)用場(chǎng)景
3、常見(jiàn)時(shí)序預(yù)測(cè)模型
1、評(píng)估預(yù)測(cè)值的準(zhǔn)確度指標(biāo)
平均絕對(duì)誤差MAD
均方差MSE/RMSE
平均誤差率MAPE
4、移動(dòng)平均
應(yīng)用場(chǎng)景及原理
移動(dòng)平均種類(lèi)
一次移動(dòng)平均
二次移動(dòng)平均
加權(quán)移動(dòng)平均
移動(dòng)平均比率法
移動(dòng)平均關(guān)鍵問(wèn)題
最佳期數(shù)N的選擇原則
最優(yōu)權(quán)重系數(shù)的選取原則
演練:平板電腦銷(xiāo)量預(yù)測(cè)及評(píng)估
演練:快銷(xiāo)產(chǎn)品季節(jié)銷(xiāo)量預(yù)測(cè)及評(píng)估
5、指數(shù)平滑
應(yīng)用場(chǎng)景及原理
最優(yōu)平滑系數(shù)的選取原則
指數(shù)平滑種類(lèi)
一次指數(shù)平滑
二次指數(shù)平滑(Brown線性、Holt線性、Holt指數(shù)、阻尼線性、阻尼指數(shù))
三次指數(shù)平滑
演練:煤炭產(chǎn)量預(yù)測(cè)
演練:航空旅客量預(yù)測(cè)及評(píng)估
6、溫特期季節(jié)性預(yù)測(cè)模型
適用場(chǎng)景及原理
Holt-Winters加法模型
Holt-Winters乘法模型
演練:汽車(chē)銷(xiāo)量預(yù)測(cè)及評(píng)估
7、回歸季節(jié)預(yù)測(cè)模型
季節(jié)性回歸模型的參數(shù)
基于時(shí)期t的相加模型
基于時(shí)期t的相乘模型
怎樣解讀模型的含義
案例:美國(guó)航空旅客里程的季節(jié)性趨勢(shì)分析
8、新產(chǎn)品預(yù)測(cè)模型與S曲線
新產(chǎn)品累計(jì)銷(xiāo)量的S曲線模型
如何評(píng)估銷(xiāo)量增長(zhǎng)的上限以及拐點(diǎn)
珀?duì)柷€與龔鉑茲曲線
案例:如何預(yù)測(cè)產(chǎn)品的銷(xiāo)售增長(zhǎng)拐點(diǎn),以及銷(xiāo)量上限
演戲:預(yù)測(cè)IPad產(chǎn)品的銷(xiāo)量
第八部分:銀行信用評(píng)分卡模型
1、信用評(píng)分卡模型簡(jiǎn)介
2、評(píng)分卡的關(guān)鍵問(wèn)題
3、信用評(píng)分卡建立過(guò)程
篩選重要屬性
數(shù)據(jù)集轉(zhuǎn)化
建立分類(lèi)模型
計(jì)算屬性分值
確定審批閾值
4、篩選重要屬性
屬性分段
基本概念:WOE、IV
屬性重要性評(píng)估
5、數(shù)據(jù)集轉(zhuǎn)化
連續(xù)屬性最優(yōu)分段
計(jì)算屬性取值的WOE
6、建立分類(lèi)模型
訓(xùn)練邏輯回歸模型
評(píng)估模型
得到字段系數(shù)
7、計(jì)算屬性分值
計(jì)算補(bǔ)償與刻度值
計(jì)算各字段得分
生成評(píng)分卡
8、確定審批閾值
畫(huà)K-S曲線
計(jì)算K-S值
獲取最優(yōu)閾值

第九部分:實(shí)戰(zhàn)篇(電信業(yè)客戶(hù)流失分析模型)
1、商業(yè)理解
業(yè)務(wù)背景
如何定義流失
2、分析思路
流失客戶(hù)的典型特征是什么?
預(yù)測(cè)哪些高價(jià)值客戶(hù)可能會(huì)流失?
市場(chǎng)挽留的預(yù)計(jì)收益是多少?
3、數(shù)據(jù)收集
客戶(hù)基本信息
客戶(hù)行為數(shù)據(jù)
客戶(hù)交互數(shù)據(jù)
客戶(hù)態(tài)度數(shù)據(jù)
4、數(shù)據(jù)預(yù)處理
變量衍生(數(shù)據(jù)波動(dòng))
探索性分析
屬性篩選
5、數(shù)據(jù)建模
如何選擇模型
聚類(lèi)
決策樹(shù)或神經(jīng)網(wǎng)絡(luò)
模型評(píng)估
6、模型應(yīng)用

結(jié)束:課程總結(jié)與問(wèn)題答疑。 

咨詢(xún)電話:
0571-86155444
咨詢(xún)熱線:
  • 微信:13857108608
聯(lián)系我們