架構師
互聯(lián)網(wǎng)
數(shù)據(jù)挖掘
Python
推薦課程
average > 0 ? $model->average . '分' : '10.0分' ?>

Python數(shù)據(jù)分析與挖掘

M.ZHANG

廣州泰迪智能科技有限公司

1. 從事用戶數(shù)據(jù)分析和數(shù)據(jù)挖掘工作5年時間，具有豐富的數(shù)據(jù)挖掘理論及實踐培訓經(jīng)驗，對數(shù)據(jù)具有較高的敏感度，根據(jù)數(shù)據(jù)對其進行全面的統(tǒng)計分析。
2. 精通R、Python、Matlab等多種數(shù)據(jù)挖掘工具。
3. 擅長市場發(fā)展情況監(jiān)控、精確營銷方面的數(shù)據(jù)挖掘工作。
4. 有為南方電網(wǎng)、軒轅網(wǎng)絡等大型企業(yè)長期提供實施服務的經(jīng)驗，主導了電子商務網(wǎng)站用戶行為分析及網(wǎng)頁智能推薦服務、中醫(yī)證型關聯(lián)規(guī)則挖掘、電信業(yè)務話單量預測、航空公司客戶價值分析等多個項目。
5. 2017年“泰迪杯數(shù)據(jù)挖掘挑戰(zhàn)賽全國教練員培訓”主講講師。
6. 先后負責過德生科技企業(yè)內(nèi)訓、“TipDM”、“PPV”數(shù)據(jù)挖掘就業(yè)班培訓課程及華南師范大學、廣西師范學院、廣西科技大學、閩江學院、廣東石油化工學院、上海健康醫(yī)學院等高校實訓課程。

1. 從事用戶數(shù)據(jù)分析和數(shù)據(jù)挖掘工作5年時間，具有豐富的數(shù)據(jù)挖掘理論及實踐培訓經(jīng)驗，對數(shù)據(jù)具有較高的敏感度，根據(jù)數(shù)據(jù)對其進行全面的統(tǒng)計分析。 2. 精通R、Python、Matlab等多種數(shù)據(jù)挖掘工具。 3. 擅長市場發(fā)展情況監(jiān)控、精確營銷方面的數(shù)據(jù)挖掘工作。 4. 有為南方電網(wǎng)、軒轅網(wǎng)絡等大型企業(yè)長期提供實施服務的經(jīng)驗，主導了電子商務網(wǎng)站用戶行為分析及網(wǎng)頁智能推薦服務、中醫(yī)證型關聯(lián)規(guī)則挖掘、電信業(yè)務話單量預測、航空公司客戶價值分析等多個項目。 5. 2017年“泰迪杯數(shù)據(jù)挖掘挑戰(zhàn)賽全國教練員培訓”主講講師。 6. 先后負責過德生科技企業(yè)內(nèi)訓、“TipDM”、“PPV”數(shù)據(jù)挖掘就業(yè)班培訓課程及華南師范大學、廣西師范學院、廣西科技大學、閩江學院、廣東石油化工學院、上海健康醫(yī)學院等高校實訓課程。

課程費用

6800.00 /人

課程時長

3天

成為教練

課程簡介

課程以2個數(shù)據(jù)挖掘項目案例為主線，內(nèi)容貫穿數(shù)據(jù)分析與挖掘的基礎概念、基本流程、常用算法和Python編程實現(xiàn)及數(shù)據(jù)分析挖掘在企業(yè)實際經(jīng)營過程中的應用。課程除了帶領學員入門數(shù)據(jù)挖掘，更著重強調(diào)以數(shù)據(jù)的思維和角度看待及解決問題。

目標收益

培訓對象

1、數(shù)據(jù)分析師／挖掘工程師
2、統(tǒng)計學、數(shù)學或計算機、數(shù)理統(tǒng)計或數(shù)據(jù)挖掘方向相關專業(yè)大學?？苹蛞陨蠈W歷的學生或教師；
3、具有一定數(shù)學基礎知識，計劃從事數(shù)據(jù)挖掘工作的職場人士；
4、對數(shù)據(jù)挖掘、數(shù)據(jù)分析感興趣，想自我提升人士。

課程大綱

第一天：
Python訓練 		1.1Python基礎知識
1.1.1 Python環(huán)境搭建、庫的安裝
1.1.2 Python數(shù)據(jù)類型及結構
1.1.3 數(shù)據(jù)的導入導出
1.1.4 常用數(shù)據(jù)管理
1.1.5 控制流
1.2 Python函數(shù)
1.2.1 Python常見數(shù)據(jù)函數(shù)
1.2.2 函數(shù)自定義
1.3 Python數(shù)據(jù)挖掘常用模塊
1.3.1 Numpy
1.3.2 pandas
1.3.3 Python機器學習庫：Scikit－learn
第二天：
數(shù)據(jù)挖掘 		2.1 數(shù)據(jù)挖掘概論
2.1.1 什么是數(shù)據(jù)挖掘
2.1.2 數(shù)據(jù)挖掘、機器學習與人工智能
2.1.3 數(shù)據(jù)挖掘的基本過程
2.1.4 模型評估
2.2 數(shù)據(jù)挖掘算法及編程實現(xiàn)
2.2.1 回歸分析
2.2.2 決策樹
2.2.3 KNN
2.2.4 樸素貝葉斯
2.2.5 人工神經(jīng)網(wǎng)絡
2.2.6 K-means聚類分析
2.2.7 層次聚類
2.2.8 其他聚類算法
第三天：
數(shù)據(jù)挖
掘案例 		3.1 中醫(yī)證型關聯(lián)規(guī)則
3.1.1 背景與挖掘目標
3.1.2 分析方法與過程
3.1.3 上機實驗
3.1.4 拓展思考
3.2 電商網(wǎng)站智能推薦
3.2.1 背景與挖掘目標
3.2.2 分析方法與過程
3.2.3 上機實驗
3.2.4 拓展思考
第一天：
Python訓練
1.1Python基礎知識
1.1.1 Python環(huán)境搭建、庫的安裝
1.1.2 Python數(shù)據(jù)類型及結構
1.1.3 數(shù)據(jù)的導入導出
1.1.4 常用數(shù)據(jù)管理
1.1.5 控制流
1.2 Python函數(shù)
1.2.1 Python常見數(shù)據(jù)函數(shù)
1.2.2 函數(shù)自定義
1.3 Python數(shù)據(jù)挖掘常用模塊
1.3.1 Numpy
1.3.2 pandas
1.3.3 Python機器學習庫：Scikit－learn
第二天：
數(shù)據(jù)挖掘
2.1 數(shù)據(jù)挖掘概論
2.1.1 什么是數(shù)據(jù)挖掘
2.1.2 數(shù)據(jù)挖掘、機器學習與人工智能
2.1.3 數(shù)據(jù)挖掘的基本過程
2.1.4 模型評估
2.2 數(shù)據(jù)挖掘算法及編程實現(xiàn)
2.2.1 回歸分析
2.2.2 決策樹
2.2.3 KNN
2.2.4 樸素貝葉斯
2.2.5 人工神經(jīng)網(wǎng)絡
2.2.6 K-means聚類分析
2.2.7 層次聚類
2.2.8 其他聚類算法
第三天：
數(shù)據(jù)挖
掘案例
3.1 中醫(yī)證型關聯(lián)規(guī)則
3.1.1 背景與挖掘目標
3.1.2 分析方法與過程
3.1.3 上機實驗
3.1.4 拓展思考
3.2 電商網(wǎng)站智能推薦
3.2.1 背景與挖掘目標
3.2.2 分析方法與過程
3.2.3 上機實驗
3.2.4 拓展思考

活動詳情

提交需求