?目標(biāo)人群：

? ? ?對(duì)使用R語(yǔ)言進(jìn)行數(shù)據(jù)挖掘感興趣者，尤其是希望獲得R語(yǔ)言和數(shù)據(jù)挖掘基礎(chǔ)和思想，想在實(shí)際中快速使用R語(yǔ)言進(jìn)行數(shù)據(jù)挖掘以解決問(wèn)題的在校學(xué)生、在職工作者。

培訓(xùn)大綱：

第一講：R語(yǔ)言精要

本著循序漸進(jìn)而又覆蓋R語(yǔ)言重要而有用的基本內(nèi)容原則，本講從R語(yǔ)言入門(mén)開(kāi)始，以前期的數(shù)據(jù)處理為核心，以實(shí)際案例為載體，內(nèi)容包括R語(yǔ)言的向量、數(shù)據(jù)框、矩陣運(yùn)算、缺失值和零值的處理、特別注重用R語(yǔ)言構(gòu)造函數(shù)編程解決實(shí)際問(wèn)題，詳細(xì)介紹強(qiáng)大的數(shù)據(jù)清洗整理plyr、zoo、car等常用包和強(qiáng)大的作圖ggplot2包，為使用R語(yǔ)言進(jìn)行數(shù)據(jù)挖掘打下扎實(shí)的工具基礎(chǔ)。

主要案例：

案例1：如何用R語(yǔ)言plyr等包合并、排序、分析數(shù)據(jù)并編制香農(nóng)-威納指數(shù)；

案例2：如何用R語(yǔ)言編程同時(shí)實(shí)現(xiàn)幾十個(gè)高難度數(shù)據(jù)分析可視化圖片的jpeg格式輸出；

案例3：如何使用R語(yǔ)言進(jìn)行分層或者整群抽樣構(gòu)建訓(xùn)練集與測(cè)試集；

案例4：使用ggplot2畫(huà)出各種復(fù)雜的圖形。

?

第二講：Logistic回歸與商業(yè)大數(shù)據(jù)建模

Logistic回歸是商業(yè)建模的常用重要數(shù)據(jù)挖掘方法，本講要講清楚Logistic回歸的建模原理、與多元線性模型的區(qū)別、R語(yǔ)言實(shí)現(xiàn)過(guò)程及回歸診斷注意事項(xiàng)、預(yù)測(cè)方法和結(jié)果解釋?zhuān)寣W(xué)員徹底地掌握Logistic回歸解決問(wèn)題的R語(yǔ)言方法。

主要案例：

?案例1：利用Logistic回歸幫助商業(yè)銀行完成對(duì)客戶(hù)提前還貸款情況的預(yù)測(cè)；

?案例2：利用Logistic回歸幫助醫(yī)生對(duì)病人選擇最佳治療方案；

?案例3：利用Logistic回歸幫助廠家分析顧客做出購(gòu)買(mǎi)決策的重要因素；

?案例4：利用Logistic回歸幫助壽險(xiǎn)公司進(jìn)行目標(biāo)客戶(hù)精準(zhǔn)電話(huà)營(yíng)銷(xiāo)；

?案例5：利用Logistic回歸幫助商業(yè)銀行完成對(duì)客戶(hù)的信用評(píng)分；

?案例6：利用Logistic回歸幫助公司分析客戶(hù)流失的原因并做好預(yù)測(cè)。

?

第三講：關(guān)聯(lián)規(guī)則和R語(yǔ)言實(shí)現(xiàn)

關(guān)聯(lián)規(guī)則（著名的“啤酒和尿布”）是數(shù)據(jù)挖掘的基礎(chǔ)和核心技術(shù)之一，本講將著重圍繞經(jīng)典的Apriori算法和eclat算法，闡明關(guān)聯(lián)規(guī)則的支持、置信和提升程度與控制，使用R語(yǔ)言快速完成關(guān)聯(lián)規(guī)則分析。

主要案例：

案例1：使用R語(yǔ)言關(guān)聯(lián)規(guī)則方法幫助各個(gè)超市實(shí)現(xiàn)商品的最佳捆綁銷(xiāo)售方案（即“購(gòu)物籃”分析）；

案例2：泰坦尼克號(hào)乘客幸存的關(guān)聯(lián)規(guī)則分析；

案例3：提高個(gè)人收入的關(guān)聯(lián)分析。

?

第四講：決策樹(shù)（回歸樹(shù)）分析和R語(yǔ)言實(shí)現(xiàn)

決策樹(shù)是數(shù)據(jù)挖掘的經(jīng)典方法，其原理容易被理解。本講主要講授兩種最為普遍的決策樹(shù)算法：CART和C4.5算法，使用rpart和J48函數(shù)進(jìn)行R語(yǔ)言分析。

主要案例：

案例1：對(duì)汽車(chē)耗油量進(jìn)行決策樹(shù)分析并完成相關(guān)目標(biāo)變量的預(yù)測(cè)；

案例2：使用決策樹(shù)幫助電信局判斷和預(yù)測(cè)客戶(hù)辦理寬帶業(yè)務(wù)。

?

第五講：機(jī)器集成學(xué)習(xí)的Bagging和AdaBoost算法

這兩種方法將許多分類(lèi)器的預(yù)測(cè)結(jié)果進(jìn)行匯總分析，從而達(dá)到顯著提升分類(lèi)效果。本講介紹這2種算法的思想，在R語(yǔ)言中構(gòu)造訓(xùn)練集和測(cè)試集進(jìn)一步進(jìn)行分析。

主要案例：

案例1：用R語(yǔ)言的Bagging和AdaBoost進(jìn)行商業(yè)銀行定期存款的分析和預(yù)測(cè)；

案例2：用R語(yǔ)言的Bagging和AdaBoost識(shí)別有毒蘑菇。

?

第六講：R語(yǔ)言隨機(jī)森林（RandomForest）算法

在機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類(lèi)器，本講講清隨機(jī)森林方法的原理，以致在實(shí)際中幫助學(xué)員判斷適合進(jìn)行隨機(jī)森林分析的情況，最終熟練掌握R語(yǔ)言隨機(jī)森林分析的方法。

主要案例：

案例1：對(duì)皮膚病進(jìn)行隨機(jī)森林的分類(lèi)和預(yù)測(cè)；

案例2：對(duì)酒的品質(zhì)和種類(lèi)進(jìn)行分類(lèi)和評(píng)價(jià)。

?

第七講：支持向量機(jī)和R語(yǔ)言的實(shí)現(xiàn)

本講將分析支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小原理、間隔和核函數(shù)，從而幫助學(xué)員深刻理解支持向量機(jī)的思想和算法，以及使用中注意的問(wèn)題，從而幫助學(xué)員靈活地應(yīng)用于各個(gè)領(lǐng)域。

主要案例：

案例1：對(duì)著名的鳶尾花數(shù)據(jù)進(jìn)行支持向量機(jī)的分析；

案例2：使用支持向量機(jī)識(shí)別有毒蘑菇；

案例3：使用支持向量機(jī)進(jìn)行股票指數(shù)預(yù)測(cè)。

?

第八講：神經(jīng)網(wǎng)絡(luò)和R語(yǔ)言的實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)由大量的節(jié)點(diǎn)和輸出函數(shù)構(gòu)成邏輯策略，本講介紹其原理，主要通過(guò)案例的方式講解R語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)算法的過(guò)程和注意的事項(xiàng)。

主要案例：

案例1：酒的品質(zhì)和種類(lèi)的神經(jīng)網(wǎng)絡(luò)的分析和預(yù)測(cè)；