1.大數(shù)據(jù)時代概述

1.1 大數(shù)據(jù)解決的問題是什么？
1.2 大數(shù)據(jù)公司（部門）的都在做什么？
1.3 如何建立自己的大數(shù)據(jù)能力？

2.數(shù)據(jù)挖掘過程和實用工具使用

2.1 數(shù)據(jù)挖掘過程的方法及其思想介紹
2.2 挖掘工具Weka使用實踐

3.深入分類挖掘新技術(shù)

3.1 產(chǎn)業(yè)實戰(zhàn)中如何研發(fā)一個新的數(shù)據(jù)挖掘算法
3.2 機器學(xué)習(xí)算法理論深入
3.3 常用多模型算法詳解
3.4 Dynamic Data Mining（DDM）：分而治之的多模型框架研發(fā)過程
3.5 模型評估高級話題

4.深入常用實戰(zhàn)數(shù)據(jù)預(yù)處理與有偏挖掘技術(shù)

4.1 有偏數(shù)據(jù)挖掘
4.2 高級數(shù)據(jù)預(yù)處理實戰(zhàn)策略

5.深入在線學(xué)習(xí)與數(shù)據(jù)流挖掘

5.1 在線數(shù)據(jù)流挖掘基本概念
5.2 數(shù)據(jù)流挖掘的關(guān)鍵挑戰(zhàn)
5.3 兩類經(jīng)典在線流挖掘算法匯總
5.4 進階：有偏在線數(shù)據(jù)流挖掘的解決方案
5.5 在線數(shù)據(jù)流挖掘總結(jié)

6.深入社交圖譜及推薦引擎實戰(zhàn)

6.1 推薦引擎解決的問題
6.2 推薦系統(tǒng)歷史
6.3 通用推薦引擎基礎(chǔ)架構(gòu)
6.4 社會化推薦引擎
6.5 社會化推薦引擎算法案例講解
6.6 社交圖譜挖掘介紹
6.7 社交圖譜挖掘案例講解：好友親密度模型
6.8 社交圖譜挖掘案例講解：好友自動分組