你的位置: 首页 > 内训课首页 > 语言 > 课程详情
课程介绍 评价详情(0)
Python是一门解释性语言,仅次于JAVA/C/C++/C#最受欢迎的语言,可应用在大数据语言。易学,易懂,功能强大。其中有着大量的扩展库来实现数据分析与数据挖掘功能。
第一部分:Python语言基础
目的:掌握基本的Python编程思想与编程语句,熟悉常用数据结构的操作
1、Python简介
2、开发环境搭建
Ø Python的安装
Ø 扩展库的安装
3、掌握Python的简单数据类型
Ø 字符串的使用及操作
Ø 整数、浮点数
4、掌握基本语句:
Ø if、while、for、print等
Ø 基本运算:
Ø 函数定义、参数传递、返回值
5、掌握复杂的数据类型:列表/元组
Ø 列表操作:访问、添加、修改、删除、排序
Ø 列表切片、复制等
Ø 列表相关的函数、方法
Ø 元组的应用
6、复杂数据类型:字典
Ø 创建、访问、修改、删除、遍历
Ø 字典函数和方法
7、复杂数据类型:集合
8、掌握面向对象编程思想
Ø 创建类、继承类
Ø 模块
9、函数定义、参数传递、返回值
10、 标准库与扩展库的导入
11、 异常处理:try-except块
演练:基本的Python编程语句
第二部分:Python语言与数据挖掘库
目的:掌握数据集结构及基本处理方法,进一步巩固Python语言
1、数据挖掘常用扩展库介绍
Ø Numpy数组处理支持
Ø Scipy矩阵计算模块
Ø Matplotlib数据可视化工具库
Ø Pandas数据分析和探索工具
Ø StatsModels统计建模库
Ø Scikit-Learn机器学习库
Ø Keras深度学习(神经网络)库
Ø Gensim文本挖掘库
2、数据集读取与操作:读取、写入
Ø 读写文本文件
Ø 读写CSV文件
Ø 读写Excel文件
Ø 从数据库获取数据集
3、数据集的核心数据结构(Pandas数据结构)
Ø DataFrame对象及处理方法
Ø Series对象及处理方法
演练:用Python实现数据的基本统计分析功能
第三部分:数据可视化处理
目的:掌握作图扩展库,实现数据可视化
1、常用的Python作图库
Ø Matplotlib库
Ø Pygal库
2、实现分类汇总
演练:按性别统计用户人数
演练:按产品+日期统计各产品销售金额
3、各种图形的画法
Ø 直方图
Ø 饼图
Ø 折线图
Ø 散点图
4、绘图的美化技巧
演练:用Python库作图来实现产品销量分析,并可视化
第四部分:数据挖掘基础
目的:掌握数据挖掘标准流程
1、数据挖掘概述
2、数据挖掘的标准流程(CRISP-DM)
Ø 商业理解
Ø 数据准备
Ø 数据理解
Ø 模型建立
Ø 模型评估
Ø 模型应用
3、数据挖掘常用任务与算法
案例:用大数据实现精准营销的项目过程
第五部分:数据理解和数据准备
目的:掌握数据预处理的基本环节,以及Python的实现
1、数据预处理
Ø 异常值处理:3σ准则,IQR准则
Ø 缺失值插补:均值、拉格朗日插补
Ø 数据筛选/抽样
Ø 数据的离散化处理
Ø 变量变换、变量派生
2、数据的基本分析
Ø 相关分析:原理、公式、应用
Ø 方差分析:原理、公式、应用
Ø 卡方分析:原理、公式、应用
Ø 主成分分析:降维
案例:用Python实现数据预处理及数据准备
第四部分:分类预测模型实战
1、常见分类预测的模型与算法
2、如何评估分类预测模型的质量
Ø 查准率
Ø 查全率
Ø ROC曲线
3、逻辑回归分析模型
Ø 逻辑回归的原理
Ø 逻辑回归建模的步骤
Ø 逻辑回归结果解读
案例:用sklearn库实现银行贷款违约预测
4、决策树模型
Ø 决策树分类的原理
Ø 决策树的三个关键问题
Ø 决策树算法与实现
案例:电力窃漏用户自动识别
5、人工神经网络模型(ANN)
Ø 神经网络概述
Ø 神经元工作原理
Ø 常见神经网络算法(BP、LM、RBF、FNN等)
案例:神经网络预测产品销量
6、支持向量机(SVM)
Ø SVM基本原理
Ø 维灾难与核心函数
案例:基于水质图像的水质评价
7、贝叶斯分析
Ø 条件概率
Ø 常见贝叶斯网络
第五部分:数值预测模型实战
1、常用数值预测的模型
Ø 通用预测模型:回归模型
Ø 季节性预测模型:相加、相乘模型
Ø 新产品预测模型:珀尔曲线与龚铂兹曲线
2、回归分析概念
3、常见回归分析类别
第六部分:聚类分析(客户细分)实战
1、客户细分常用方法
2、聚类分析(Clustering)
Ø 聚类方法原理介绍及适用场景
Ø 常用聚类分析算法
Ø 聚类算法的评价
案例:使用SKLearn实现K均值聚类
案例:使用TSNE实现聚类可视化
3、RFM模型分析
Ø RFM模型,更深入了解你的客户价值
Ø RFM模型与市场策略
案例:航空公司客户价值分析
第七部分:关联规则分析实战
1、关联规则概述
2、常用关联规则算法
3、时间序列分析
案例:使用apriori库实现关联分析
案例:中医证型关联规则挖掘
第八部分:案例实战(学员主导,老师现场指导)
1、实战1:电商用户行为分析及服务推荐
2、实战2:基于基站定位数据的商圈分析
结束:课程总结与问题答疑。
本课程名称: 大数据挖掘语言:用Python实现大数据挖掘项目实战培训
查看更多:语言内训课
我要找内训供应商
授课内容与课纲相符0低0%
讲师授课水平0低0%
服务态度0低0%
课程介绍 评价详情(0)
培训受众:
课程收益:
课程大纲
Python是一门解释性语言,仅次于JAVA/C/C++/C#最受欢迎的语言,可应用在大数据语言。易学,易懂,功能强大。其中有着大量的扩展库来实现数据分析与数据挖掘功能。
第一部分:Python语言基础
目的:掌握基本的Python编程思想与编程语句,熟悉常用数据结构的操作
1、Python简介
2、开发环境搭建
Ø Python的安装
Ø 扩展库的安装
3、掌握Python的简单数据类型
Ø 字符串的使用及操作
Ø 整数、浮点数
4、掌握基本语句:
Ø if、while、for、print等
Ø 基本运算:
Ø 函数定义、参数传递、返回值
5、掌握复杂的数据类型:列表/元组
Ø 列表操作:访问、添加、修改、删除、排序
Ø 列表切片、复制等
Ø 列表相关的函数、方法
Ø 元组的应用
6、复杂数据类型:字典
Ø 创建、访问、修改、删除、遍历
Ø 字典函数和方法
7、复杂数据类型:集合
8、掌握面向对象编程思想
Ø 创建类、继承类
Ø 模块
9、函数定义、参数传递、返回值
10、 标准库与扩展库的导入
11、 异常处理:try-except块
演练:基本的Python编程语句
第二部分:Python语言与数据挖掘库
目的:掌握数据集结构及基本处理方法,进一步巩固Python语言
1、数据挖掘常用扩展库介绍
Ø Numpy数组处理支持
Ø Scipy矩阵计算模块
Ø Matplotlib数据可视化工具库
Ø Pandas数据分析和探索工具
Ø StatsModels统计建模库
Ø Scikit-Learn机器学习库
Ø Keras深度学习(神经网络)库
Ø Gensim文本挖掘库
2、数据集读取与操作:读取、写入
Ø 读写文本文件
Ø 读写CSV文件
Ø 读写Excel文件
Ø 从数据库获取数据集
3、数据集的核心数据结构(Pandas数据结构)
Ø DataFrame对象及处理方法
Ø Series对象及处理方法
演练:用Python实现数据的基本统计分析功能
第三部分:数据可视化处理
目的:掌握作图扩展库,实现数据可视化
1、常用的Python作图库
Ø Matplotlib库
Ø Pygal库
2、实现分类汇总
演练:按性别统计用户人数
演练:按产品+日期统计各产品销售金额
3、各种图形的画法
Ø 直方图
Ø 饼图
Ø 折线图
Ø 散点图
4、绘图的美化技巧
演练:用Python库作图来实现产品销量分析,并可视化
第四部分:数据挖掘基础
目的:掌握数据挖掘标准流程
1、数据挖掘概述
2、数据挖掘的标准流程(CRISP-DM)
Ø 商业理解
Ø 数据准备
Ø 数据理解
Ø 模型建立
Ø 模型评估
Ø 模型应用
3、数据挖掘常用任务与算法
案例:用大数据实现精准营销的项目过程
第五部分:数据理解和数据准备
目的:掌握数据预处理的基本环节,以及Python的实现
1、数据预处理
Ø 异常值处理:3σ准则,IQR准则
Ø 缺失值插补:均值、拉格朗日插补
Ø 数据筛选/抽样
Ø 数据的离散化处理
Ø 变量变换、变量派生
2、数据的基本分析
Ø 相关分析:原理、公式、应用
Ø 方差分析:原理、公式、应用
Ø 卡方分析:原理、公式、应用
Ø 主成分分析:降维
案例:用Python实现数据预处理及数据准备
第四部分:分类预测模型实战
1、常见分类预测的模型与算法
2、如何评估分类预测模型的质量
Ø 查准率
Ø 查全率
Ø ROC曲线
3、逻辑回归分析模型
Ø 逻辑回归的原理
Ø 逻辑回归建模的步骤
Ø 逻辑回归结果解读
案例:用sklearn库实现银行贷款违约预测
4、决策树模型
Ø 决策树分类的原理
Ø 决策树的三个关键问题
Ø 决策树算法与实现
案例:电力窃漏用户自动识别
5、人工神经网络模型(ANN)
Ø 神经网络概述
Ø 神经元工作原理
Ø 常见神经网络算法(BP、LM、RBF、FNN等)
案例:神经网络预测产品销量
6、支持向量机(SVM)
Ø SVM基本原理
Ø 维灾难与核心函数
案例:基于水质图像的水质评价
7、贝叶斯分析
Ø 条件概率
Ø 常见贝叶斯网络
第五部分:数值预测模型实战
1、常用数值预测的模型
Ø 通用预测模型:回归模型
Ø 季节性预测模型:相加、相乘模型
Ø 新产品预测模型:珀尔曲线与龚铂兹曲线
2、回归分析概念
3、常见回归分析类别
第六部分:聚类分析(客户细分)实战
1、客户细分常用方法
2、聚类分析(Clustering)
Ø 聚类方法原理介绍及适用场景
Ø 常用聚类分析算法
Ø 聚类算法的评价
案例:使用SKLearn实现K均值聚类
案例:使用TSNE实现聚类可视化
3、RFM模型分析
Ø RFM模型,更深入了解你的客户价值
Ø RFM模型与市场策略
案例:航空公司客户价值分析
第七部分:关联规则分析实战
1、关联规则概述
2、常用关联规则算法
3、时间序列分析
案例:使用apriori库实现关联分析
案例:中医证型关联规则挖掘
第八部分:案例实战(学员主导,老师现场指导)
1、实战1:电商用户行为分析及服务推荐
2、实战2:基于基站定位数据的商圈分析
结束:课程总结与问题答疑。
培训师介绍
男,计算机软件与理论专业硕士(研究方向:数据挖掘、搜索引擎),应用数学专业本科。在华为工作十年,数篇国家专利,曾在英国、日本、荷兰等国做项目,对欧洲、日本的电信市场有比较深的了解。
目前专注于大数据分析、大数据挖掘等应用技术,及大数据系统解决方案,以及将大数据的数据分析、数据建模、数据挖掘应用于行业及商业领域,解决行业实际的问题。将大数据应用于运营决策,帮助企业提升运营决策能力;应用于市场营销,通过大数据营销,解决营销中的用户群细分,产品定位,精准营销,精准促销等实际问题,提升营销效果,节省营销费用,以及市场预测、用户行为预测等。
傅老师目前致力于将大数据技术应用于通信、金融、航空、电商、互联网等领域。傅老师的课程特色:业务问题 分析思路 分析方法/分析模型 分析工具 结果应用融为一体。即,结合清晰的业务场景(明确目的),分解转化为具体的数据问题(分析思路),选择最合适的方法(分析方法),深入浅出的理论讲解(分析模型),使用简单实用的工具操作(分析工具),实现分析结果到业务策略的落地。
傅老师近十年以来一直从事通信行业的研究与分析,熟悉大数据系统部署与应用、SP增值行业应用、终端应用与服务、4G无线解决方案。对通信行业的市场态势、客户行为、服务效果以及运营分析等方面有深入的接触和研究,特别是针对大数据、4G及LTE标准发展,无线网络演进,网络融合,市场发展及业务应用分析,在业务应用领域投入了更多的精力,积累了相当的知识和见解。
本课程名称: 大数据挖掘语言:用Python实现大数据挖掘项目实战培训
查看更多:语言内训课