| 培訓(xùn)模塊 |
內(nèi)容 |
| 大數(shù)據(jù)概述 |
1.大數(shù)據(jù)基本概念、技術(shù)梗概、技術(shù)沿革，以及大數(shù)據(jù)技術(shù)是如何改變?nèi)斯ぶ悄芗夹g(shù)、語(yǔ)音識(shí)別技術(shù)、圖像識(shí)別/視頻理解、自然語(yǔ)言處理技術(shù)等，以及大數(shù)據(jù)技術(shù)在政府、金融、石油、教育、交通、醫(yī)療衛(wèi)生等行業(yè)的成功案例；
2.Hadoop大數(shù)據(jù)平臺(tái)的生態(tài)系統(tǒng)組件、平臺(tái)架構(gòu)以及工作原理；分布式文件系統(tǒng)HDFS、并行處理系統(tǒng)Hadoop MapReduce的系統(tǒng)架構(gòu)、核心功能模塊、工作原理以及應(yīng)用開發(fā)；
3.大數(shù)據(jù)的結(jié)構(gòu)化數(shù)據(jù)模型、半結(jié)構(gòu)化模型和非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)模型，邏輯模型，以及分析建模工具的常用方法。 |
| 數(shù)據(jù)挖掘及Mahout |
1.十大常用的并行數(shù)據(jù)挖掘算法、原理、應(yīng)用場(chǎng)景，以及技術(shù)實(shí)戰(zhàn)；
2.并行數(shù)據(jù)挖掘平臺(tái)Mahout的技術(shù)架構(gòu)、核心組件的工作原理以及技術(shù)；
3.Mahout應(yīng)用開發(fā)技術(shù)；
4.Mahout項(xiàng)目實(shí)戰(zhàn)。 |
| 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)言入門開始，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畫出各種復(fù)雜的圖形。 |
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，讓學(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)客戶精準(zhǔn)電話營(yíng)銷；
案例5：利用Logistic回歸幫助商業(yè)銀行完成對(duì)客戶的信用評(píng)分；
案例6：利用Logistic回歸幫助公司分析客戶流失的原因并做好預(yù)測(cè)。 |
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。 |
決策樹（回歸樹）
分析和R語(yǔ)言實(shí)現(xiàn) |
決策樹是數(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)汽車耗油量進(jìn)行決策樹分析并完成相關(guān)目標(biāo)變量的預(yù)測(cè)；
案例2：使用決策樹幫助電信局判斷和預(yù)測(cè)客戶辦理寬帶業(yè)務(wù)。 |
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。 |
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)決策樹的分類器，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)森林的分類和預(yù)測(cè)；
案例2：對(duì)酒的品質(zhì)和種類進(jìn)行分類和評(píng)價(jià)。 |
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)。 |
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)和種類的神經(jīng)網(wǎng)絡(luò)的分析和預(yù)測(cè)；
案例2：公司財(cái)務(wù)預(yù)警建模。 |
| 對(duì)于同一個(gè)數(shù)據(jù)，可能有很多模型來(lái)擬合，如何衡量和比較模型的精度呢？本講將介紹交叉驗(yàn)證訓(xùn)練集和測(cè)試集的方法來(lái)幫助大家在實(shí)際中選取最佳模型進(jìn)行擬合和預(yù)測(cè)。 |
文本挖掘，特別是對(duì)中文的文本挖掘日趨重要。本講介紹文本挖掘的原理和方法，幫助大家使用R語(yǔ)言在大量的非結(jié)構(gòu)化的數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的信息，抽取潛在有用的數(shù)據(jù)，發(fā)現(xiàn)適合模式，實(shí)現(xiàn)可視化結(jié)果展示。
主要案例：
案例：使用R語(yǔ)言結(jié)合KNN算法對(duì)網(wǎng)頁(yè)（Web）進(jìn)行文本挖掘（含分詞、分類、可視化等）。 |
