BI111:数据挖掘行业模型设计开发

线下课堂时间:2 天实战演练面授
  •    不定期开班
预约试听
课程介绍
适用对象:软件工程师、数据库开发人员、网络后台开发人员、运维人员等。学员要求有一定的Java编程基础
学习收获:使学员掌握数据挖掘各种算法的各自优缺点,了解数据挖掘的步骤以及各步骤的重点。 介绍挖掘项目和开发中的方法论以及流程;各种算法的特点以及关系;数据挖掘模型的建立方法、各种开发案例等。
详细大纲
1 数据挖掘的基本概念
1.1 数据挖掘的来源
1.2 数据挖掘的定义
1.3 数据挖掘的应用领域
2 BI的架构
2.1 BI的体系介绍
2.2 数据仓库介绍
2.3 ETL 介绍
2.4 多维数据库介绍
2.5 前端展现介绍
2.6 数据挖掘的模型介绍
3 数据挖掘工具介绍
3.1 ETL 工具介绍
3.2 SPSS 工具介绍
3.3 SAS 工具介绍
3.4 SSAS 工具介绍
4 数据挖掘在行业中的应用
4.1 现代企业数据挖掘的概述
4.2 电信行业案例分析
4.3 金融行业案例分析
4.4 销售行业案例分析
4.5 BI系统的数据更新与维护
5 数据挖掘的算法介绍
5.1 决策树算法
5.2 聚类算法
5.3 关联规则算法
5.4 贝叶斯算法
5.5 时间序列算法
6 常用的挖掘模型详解
6.1 决策树算法详解及工具实现
6.2 聚类算法详解
6.3 关联规则算法详解
6.4 贝叶斯算法详解及工具实现
6.5 时间序列算法详解及工具实现
6.6 数据挖掘模型评估
7 数据挖掘的流程
7.1 数据清洗的准备
7.2 数据预处理
7.3 选择数据挖掘模型
7.4 数据挖掘的模型训练
7.5 更新算法模型
7.6 模型评估
7.7 部署与应用
8 数据挖掘在电信行业上的应用及导入
8.1 数据挖掘在电信业(Telecommunication)的实际应用及案例
8.2 问题导向式(Business-Question-Driven Process)数据挖掘分析流程
8.3 电信企业如何导入数据挖掘?
8.4 电信数据挖掘会遭遇哪些问题?该如何解决?
8.5 电信组织结构需不需要调整?如何调整?
8.6 电信人员素质是否足够?若不够该如何训练?
9 电信行业数据挖掘模型建构方法与实务建模
9.1 分类技术(Classification Techniques): 类神经网络(Neural Network)及罗吉斯回归(Logistic Regression)
9.2 分类技术(Classification Techniques): 决策树(Decision Tree)及贝式网络(Bayes Net)
9.3 分类技术(Classification Techniques) : 分类优化(Optimization)
9.4 预测技术(Prediction Techniques): 决策树(Decision Tree)、类神经网络(Neural Network)及线性回归(Linear Regression)
9.5 聚类技术(Clustering Techniques) : K-Means, Kohonen及Two-Steps
9.6 关联规则及序列型样技术(Association Rule & Sequence Pattern Techniques)
课程评价

课程评价({{EvaluationTotal}})

课程满意度

评价

您还没有给课程评分哦

满意度

    追加评价:

课程咨询
内容:

您还没有填写内容!

暂无问答,赶紧去提问吧
{{item.AnswerState==1?"已解决":"未解决"}}
{{item.Content}}
{{item.StudentAskTime}}
{{itemanswer.UserName}}
{{itemanswer.Content}}
{{itemanswer.StudentAskTime}}
同类课程推荐 more
免费大讲堂 more
原创文章 more

您好! 欢迎来到学领未来 !

学领未来提供线上及线下的学习服务,根据您的位置,为您推荐最近的线下培训地点 分站,你选择: