課程大綱： R語言數(shù)據(jù)挖掘與商業(yè)分析建模培訓(xùn)
R語言數(shù)據(jù)挖掘與商業(yè)分析建模
第0講 數(shù)據(jù)分析基本概念
0.1 商業(yè)數(shù)據(jù)分析的本質(zhì)
0.2 商業(yè)數(shù)據(jù)分析中心建設(shè)
0.3 商業(yè)數(shù)據(jù)分析的階段與行業(yè)運用
0.4 商業(yè)數(shù)據(jù)分析在銀行中的運用
0.5 商業(yè)數(shù)據(jù)挖掘通用方法論
0.6 課程安排
第1講 準(zhǔn)備知識
1.1.0 引言與課程介紹
1.1.1 Capital One的故事
1.1.2 風(fēng)險管理的理解
1.1.3 巴塞爾協(xié)議介紹
1.1.4 三大類風(fēng)險
1.1.5 信用評分卡類型
1.1.6 信用風(fēng)險IT系統(tǒng)
1.2.1 數(shù)據(jù)挖掘方法分類
1.2.2 分類模型示例
1.3.1 R的身世和特點1
1.3.2 安裝R和包
1.4 數(shù)據(jù)分析流程演示
1.5 參考資料講解
第2講 R語言編程基礎(chǔ)與數(shù)據(jù)整合(分開2)
2.1.1 R的基本數(shù)據(jù)類型
2.1.2 R的數(shù)據(jù)結(jié)構(gòu)
2.1.3 R程序控制
2.1.4_1 R的函數(shù)與包
2.1.4_2 R的函數(shù)與包
2.1.5 R的時間與日期類型
2.1.6 在R中讀取數(shù)據(jù)
2.2.1 背景介紹
2.2.2 數(shù)據(jù)庫基礎(chǔ)知識
2.2.3 數(shù)據(jù)介紹
2.3.1 SQL語句介紹
2.3.2 縱向連接表
2.3.3 橫向連接表
第3講 描述性統(tǒng)計分析基礎(chǔ)
3.1 描述性統(tǒng)計與探索型數(shù)據(jù)分析-1
3.1 描述性統(tǒng)計與探索型數(shù)據(jù)分析-2
3.2 APPLY函數(shù)族
3.3 制圖原理-1
3.3 制圖原理-2
3.4 R基礎(chǔ)繪圖包
3.5 GGPLOT2繪圖
3.6 使用SQL進(jìn)行匯總
3.7_1 使用描述性方法做貸款違約特征探索_1
3.7_2 使用描述性方法做貸款違約特征探索_2
3.7_3 使用描述性方法做貸款違約特征探索_3
第4講 數(shù)據(jù)清洗與信息壓縮(分開2)
4.1 FRM提取行為變量
4.2 數(shù)據(jù)重組
4.3 抽樣知識
4.4.0 信息壓縮(概述)
4.4.1 分類變量重編碼（概化）
4.4.2 基于目標(biāo)變量的轉(zhuǎn)換-WOE
4.5.1 主成分分析
4.5.2_1 變量聚類
4.5.2_2 變量聚類
4.6 臟數(shù)據(jù)或數(shù)據(jù)不正確
4.7 數(shù)據(jù)重復(fù)
4.8 缺失值處理
4.9 噪聲值處理
第5講 統(tǒng)計推斷基礎(chǔ)
5.1 參數(shù)估計
5.2 假設(shè)檢驗與單樣本T檢驗
5.3 兩樣本T檢驗
5.4 方差分析
5.5 相關(guān)分析
5.6 卡方檢驗
第6講 客戶價值預(yù)測_線性回歸模型與診斷
6.0 內(nèi)容介紹
6.1 相關(guān)性分析
6.2.1 簡單線性回歸_1
6.2.1 簡單線性回歸_2
6.2.1 簡單線性回歸_3
6.2.2 模型解釋
6.2.3 多元線性回歸
6.2.4 多元線性回歸的變量篩選
6.3.0 線性回歸的診斷介紹
6.3.1 殘差分析
6.3.2 強影響點分析
6.3.3 多重共線性分析
6.4 數(shù)值預(yù)測評估原理
6.5.0 正則化方法介紹
6.5.1 嶺回歸
6.5.2 LASSO算法
6.6 附錄：估計方法
第7講 用邏輯回歸作申請評分信用評級
7.0 內(nèi)容介紹
7.1 分類變量的相關(guān)關(guān)系
7.2 邏輯回歸
7.3 模型評估_1決策類
7.3 模型評估_2排序類介紹
7.3 模型評估_3ROC
7.3 模型評估_4其它排序類
7.3 模型評估_5R的實現(xiàn)
7.4 因果關(guān)系建模與取數(shù)邏輯
7.5 附錄：邏輯回歸估計方法
第8講 用決策樹做可表述的模式
8.1 決策樹建模思路
8.2 決策樹建模基本原理
8.3 Quinlan系列決策樹建模原理_1
8.3 Quinlan系列決策樹建模原理_2
8.4 CART決策樹建模原理_1
8.4 CART決策樹建模原理_2
8.5 模型修剪—以CART為例
8.7 組合算法與隨機森林
8.8 汽車貸款違約的模式表述
第9講 用神經(jīng)網(wǎng)絡(luò)做行為信用評級
9.0 前言
9.1 基本概念
9.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
9.3 感知器與BP網(wǎng)絡(luò)_1
9.3 感知器與BP網(wǎng)絡(luò)_2
9.3 感知器與BP網(wǎng)絡(luò)_3
9.3 感知器與BP網(wǎng)絡(luò)_4
9.4 徑向基神經(jīng)網(wǎng)絡(luò)_1
9.4 徑向基神經(jīng)網(wǎng)絡(luò)_2
9.4 徑向基神經(jīng)網(wǎng)絡(luò)_3
第10講 分類器入門與支持向量機
10.1.0 分類器的概念
10.1.1 KNN算法_1
10.1.1 KNN算法_2
10.1.2 樸素貝葉斯_1
10.2.1 支持向量機概述
10.2.2 支持向量機詳述_1
10.2.2 支持向量機詳述_2
10.2.2 支持向量機詳述_3
第11講 客戶聚類與聚類后畫像
11.1 基本概念
11.2 層次聚類_1
11.2 層次聚類_2
11.3.1 K-means聚類_1
11.3.1 K-means聚類_2
11.3.1 K-means聚類_3
11.3.2使用決策樹做聚類后客戶畫像
第12講 使用推薦算法提升客戶價值
12.1 廣告推薦介紹
12.2 購物籃分析與運用_1
12.2 購物籃分析與運用_2
12.3 相關(guān)性在推薦中的運用
12.4.1 協(xié)同過濾介紹
12.4.2 基于物品的協(xié)同過濾
12.5 基于內(nèi)容的推薦
12.6 附錄：矩陣奇異值分解(SVD)在協(xié)同過濾中的運用
第13講 使用時間序列（ARIMA）分析做銷售量預(yù)測
13.1 認(rèn)識時間序列
13.2 簡單時間序列分析法：平滑算法_1
13.2 簡單時間序列分析法：平滑算法_2
13.2 簡單時間序列分析法：平滑算法_3
13.2 簡單時間序列分析法：平滑算法_4
13.3 平穩(wěn)時間序列（ARMA）模型設(shè)定與識別_1
13.3 平穩(wěn)時間序列（ARMA）模型設(shè)定與識別_2
13.3 平穩(wěn)時間序列（ARMA）模型設(shè)定與識別_3
13.4 非平穩(wěn)時間序列（ARIMA）模型_1
13.4 非平穩(wěn)時間序列（ARIMA）模型_2
13.5 實際數(shù)據(jù)時間序列建模步驟_1
13.5 實際數(shù)據(jù)時間序列建模步驟_2
13.5 實際數(shù)據(jù)時間序列建模步驟_3
第14講 汽車金融申請信用評級模型案例
案例1.1 業(yè)務(wù)理解
案例1.2 數(shù)據(jù)理解
案例1.3.1 拒絕推斷_1
案例1.3.1 拒絕推斷_2
案例1.3.1 拒絕推斷_3
案例1.3.2 變量粗篩
案例1.3.3 變量細(xì)篩與數(shù)據(jù)清洗_1
案例1.3.3 變量細(xì)篩與數(shù)據(jù)清洗_2
案例1.3.3 變量細(xì)篩與數(shù)據(jù)清洗_3
案例1.3.4 連續(xù)變量分箱WOE轉(zhuǎn)換
案例1.4 建模與模型評估
案例1.5 模型監(jiān)測
加入高級會員獲得助教答疑
