課程大綱： 社交網(wǎng)絡(luò)數(shù)據(jù)及文本挖掘方面的專業(yè)技術(shù)培訓(xùn)
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.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(kāi)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(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。
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。企業(yè)基于社交網(wǎng)絡(luò)數(shù)據(jù)的收獲
1.潛在商機(jī)的發(fā)現(xiàn)，通過(guò)數(shù)據(jù)挖掘與分析能夠得到什么？
2.危機(jī)預(yù)警 ，通過(guò)數(shù)據(jù)挖掘與分析，可以對(duì)一些網(wǎng)絡(luò)中突然發(fā)布的一條可能對(duì)企業(yè)產(chǎn)生危機(jī)的信息即時(shí)的監(jiān)控；
3.效果預(yù)測(cè)， 通過(guò)數(shù)據(jù)挖掘與分析讓企業(yè)能花少的錢得到大的產(chǎn)出。交叉驗(yàn)證比較各個(gè)模型：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)際中選取佳模型進(jìn)行擬合和預(yù)測(cè)。
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)客戶辦理寬帶業(yè)務(wù)。使用R語(yǔ)言結(jié)合KNN算法進(jìn)行文本挖掘
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）。
加入高級(jí)會(huì)員獲得助教答疑
