數(shù)據(jù)挖據(jù)的基礎(chǔ)——
數(shù)據(jù)倉庫概述 |
- 介紹數(shù)據(jù)倉庫概念
- 介紹數(shù)據(jù)倉庫發(fā)展過程
- 介紹行業(yè)數(shù)據(jù)倉庫及BI的解決方案
- 介紹數(shù)據(jù)倉庫中數(shù)據(jù)分析的工作模式及數(shù)據(jù)管控原則
|
| 數(shù)據(jù)挖掘概述 |
- 介紹數(shù)據(jù)挖掘流程
- 介紹數(shù)據(jù)挖掘與數(shù)據(jù)倉庫的關(guān)系
- 介紹數(shù)據(jù)挖掘和報表/OLAP的不同
- 介紹適用數(shù)據(jù)挖掘的業(yè)務問題及數(shù)據(jù)挖掘的商業(yè)價值
- 辨析對數(shù)據(jù)挖掘的誤解
- 介紹數(shù)據(jù)挖掘的成功因素
|
| 數(shù)據(jù)挖掘方法論 |
- 介紹數(shù)據(jù)挖掘方法論的初衷
- 介紹數(shù)據(jù)挖掘方法論CRISP-DM的歷史
- 介紹CRISP-DM的步驟、每一步的相關(guān)任務及需要關(guān)注的問題
|
| 數(shù)據(jù)理解與數(shù)據(jù)準備 |
- 介紹探索性數(shù)據(jù)分析
- 介紹數(shù)據(jù)預處理技術(shù)
?
|
| 預測性數(shù)據(jù)挖掘算法原理——決策樹 |
- 介紹決策樹的應用場景和主要應用
- 介紹決策樹的基本原理
- 如何評估、提高決策樹模型的穩(wěn)定性
- 案例分析
|
| 預測性數(shù)據(jù)挖掘算法原理——回歸分析 |
- 介紹線性回歸模型及其適用場景
- 介紹Logistic回歸及其適用場景
- 介紹Logistic回歸的數(shù)據(jù)預處理
- 介紹回歸中重要的問題，包括多重共線
- 介紹逐步回歸的方法
- 案例分析
|
預測性數(shù)據(jù)挖掘算法原理——神經(jīng)網(wǎng)絡
|
- 介紹神經(jīng)網(wǎng)絡與一般回歸模型的關(guān)系
- 介紹神經(jīng)網(wǎng)絡的基本原理
- 介紹數(shù)據(jù)預處理 案例分析
|
| 描述性數(shù)據(jù)挖掘算法原理——聚類 |
- 介紹聚類與預測的區(qū)別
- 介紹聚類分析的適用場景和主要應用
- 介紹聚類的基本原理
- 介紹影響聚類結(jié)果的因素
- 案例分析
|
| 描述性數(shù)據(jù)挖掘算法原理——關(guān)聯(lián)規(guī)則 |
- 介紹關(guān)聯(lián)規(guī)則的應用場景和主要應用
- 介紹關(guān)聯(lián)規(guī)則的基本原理
- 介紹關(guān)聯(lián)規(guī)則的重要度量
- 案例分析
|
| 總結(jié)——企業(yè)級數(shù)據(jù)分析與挖掘能力體系建設(shè) |
- 分析與挖掘的業(yè)務價值框架
- 分析與挖掘的管理框架
- 組織架構(gòu)與部門職能
- 人才培養(yǎng)和能力提升體系
- 客戶360信息管理
- 分析挖掘流程管理?
|
