你的位置: 首页 > 内训课首页 > 语言 > 课程详情

details

大数据挖掘语言:用Python实现大数据挖掘项目实战培训

暂无评价   
你实际购买的价格
付款时最多可用0淘币抵扣0元现金
购买成功后,系统会给用户帐号返回的现金券
你还可以: 收藏

培训受众:

大数据系统开发部、大数据分析中心、业务支撑部、IT系统部等相关技术人员

课程收益:

目的:掌握Python语言,以及在数据挖掘中的应用

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

傅一航,华为系大数据专家。
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

java 数据分析 it excel 相关的最新课程
讲师动态评分 与同行相比

授课内容与课纲相符00%

讲师授课水平00%

服务态度00%