课程简介
本课程将世界客户关系管理方面的领导者美库尔公司 （Merkle Inc）在专业管理咨询方面的几十年的经验积累与CDA数据分析研究院的教学理念与方法相结合，归纳了在商业智能系统设计、客户画像、精准营销、生命周期价值管理等主题的课程。为实践者提供全面的使用R进行商业数据分析的解决方案。 本课程以案例为主线，结合开源R工具，全面讲解了客户生命周期管理中涉及的主要机器学习主题。而且注重业务与算法的深入结合，在轻松的氛围内体会算法的奇妙之处。

学习目标

• 学会高级数据分析及机器学习算法知识
• 掌握最流行的开源数据挖掘软件之一R
• 熟知整个商业数据挖掘框架、流程与思路
• 了解前沿技术，增强业务与技术对接能力
  

学习对象和基础

• 各行业数据分析、机器学习从业者
• 金融、电信、零售、医学等各行业业务数据分析人员
• 政府事业单位大数据及数据挖掘项目人员
• 数据挖掘岗位就业、提拔涨薪、技能优化等从业人员
• 对数据挖掘感兴趣的各界人员
  

岗位职责

• 深入理解企业的业务需求，构建涵盖用户行为，用户群组、特征标签等企业级用户大数据模型，并完成项目实施落地。
• 负责编制算法设计文档，根据不同的应用场景进行适当的算法选型、仿真测试、结论验证、算法迭代、模型优化，并完成数据分析结论的可视化报告输出。
• 对企业数据保持充分理解和高度敏感，积极思考并拓展数据应用场景，负责数据应用方案拟定、执行落地、效能评估、模型优化，持续加强数据应用能力并丰富应用场景。
• 探索并挖掘企业经营过程中的客观规律，形成企业经营的经验知识库，依据这些规律协助经营决策、指导产品优化、助力业务增长、提升服务水平，以此加强数据驱动能力，实现企业数字化转型。
  

任职要求

• 计算机、数学、统计学相关专业，硕士及以上学历；有3年以上数据挖掘或算法研发的相关经验。
• 熟练使用SQL，熟练使用Mysql/Oracle/Hive中的至少一种数据库工具；熟悉主流的大数据技术，比如Spark、Hbase、Storm、Flink、NoSQL等。
• 熟悉R、Python、Java中至少一种开发语言；熟悉SPSS、SAS等数据分析工具；熟练使用TensorFlow、Pytorch、sparkMLlib、flinkML等主流机器学习框架。
• 有扎实的数据结构和算法功底，精通关联、聚类、回归、预测等算法的原理与应用，能够针对不同的业务需求使用不同的算法模型实现业务诉求，能够独立进行数据建模和参数调优。
• 具有金融、电信行业用户画像、精准营销等项目研发实施经验优先；具有电商行业智能推荐算法研发实施经验优先。
  

目标人群

• 对机器学习感兴趣的人员
• 对数据科学领域感兴趣的人员
• 对数据挖掘感兴趣的人员
• 对数据挖掘感兴趣算法研究的人员
  

课程内容
第一章：R语言编程与统计分析

• R语言入门与安装
• R的数据类型与数据结构
• R的程序控制
• R的函数与数据导入
• 变量的分类
• 变量统计特征探索
• 变量的可视化探索
• 参数估计
• 假设检验与单样本T检验
• 两样本T检验
• 方差分析方法
  

第二章：市场调研与数据处理技术（基于R）

• 市场调研方法与类型
• 定性调研与定量调研
• 数据抽样技术
• 分析调研数据
• 调研结构的交流与审查
• 数据的获取方法
• 数据清理方法
• 数据变换
• 数据规约
  

第三章：回归分析预测

• 回归分析的理论基础
• 回归分析模型的构建
• 回归的建模
• 回归建模的结果解读
• 回归诊断
• 异常值处理
• 多重共线性处理
• 自相关处理
• 异方差性处理
• 挑选最佳模型
  

第四章：客户画像

• 聚类方法简介
• 相似性 相异性的衡量
• 聚类算法的分类
• 阶层式聚类方法
• 分割式聚类方法
• 群数的判断
• 群特征描述
• 以R语言进行阶层式聚类分析及算法参数调整
• 以R语言进行分割式聚类分析及算法参数调整
• 聚类分析部分作业
  

第五章：K最近邻算法

• K最近邻分类及数字预测的原理
• K最近邻模型建置
• K最近邻应用
• 以R语言进行K最近邻分类模型建置及算法参数调整
• 以R语言进行K最近邻数字预测模型建置及算法参数调整
• KNN部分作业
  

第六章：贝叶斯网络

• 贝式网络简介
• 朴素贝式网络模型建置
• 贝式网络模型建置-TAN模型原理
• R语言实作案例：银行信用评分卡案例
• 以R语言进行朴素贝式网络模型建置及算法参数调整
• 以R语言进行贝式网络模型建置及算法参数调整
• 数学与科学的反映- 贝式网络作业
  

第七章：决策树算法模型

• 分类树的学习及测试阶段
• 分类树的种类及分类树的归纳学习原理
• 分类树的属性选择
• 分类树的砍树方法
• 分类树与分类规则
• 回归树的归纳学习原理
• 回归树的改进-模型树
• 回归树的属性选择方法
• 以R语言进行分类树模型建置及算法参数调整
• 以R语言进行回归树模型建置及算法参数调整
• 分而治之的算法模型-决策树-作业
  

第八章：神经网络算法

• 生物神经网络的构造
• 倒传递神经网络的架构
• 以倒传递神经网络建立分类模型
• 顺向数值传递
• 逆向权重及偏移植修正
• 神经网络逐步分类学习过程及CISPACE演示
• 以倒传递神经网络建立数字预测模型
• 神经网络逐步数字预测学习过程及CISPACE演示
• 数值型及类别型属性的数据前处理
• 类神经网络的优缺点及与线性回归...间的关系
• 人工智能的底层模型- 神经网络作业
• 以R语言进行分类模型建置及算法参数调整
• 以R语言进行数字预测模型建置及算法参数调整
  

第九章：罗吉斯回归

• 罗吉斯回归简介_以罗吉斯回归建立分类模型_数据前处理
• 罗吉斯回归逐步分类学习过程及CISPACE演示
• 以R语言进行分类模型建置及算法参数调整
• 应用最广的模型之一-罗吉斯回归-作业
  

第十章：支持向量机

• 线性可分与线性不可分_坐标转换
• 支持向量_决策边界_线性支持向量机
• 错误率与最大决策边界_非线性支持向量机及核函数_支持向量机与线性
• 以R语言进行分类模型建置及算法参数调整
• 以R语言进行数字预测模型建置及算法参数调整
• 最受欢迎的智能算法-支持向量机作业
• R数据挖掘答疑-李御玺
• R语言答疑-李御玺
  

第十一章：时间序列分析

• 时间序列分析简介
• 时间序列分析简介1
• 时间序列分析简介2
• 时间序列模型介绍
• 时间序列模型介绍-序列平稳
• 时间序列模型介绍-白噪声序列
• 时间序列模型介绍-自回归模型
• 时间序列模型介绍-移动平均模型
• 时间序列模型介绍_ARMA 模型
• 时间序列模型介绍-ARIMA模型
• ARIMA 预测
• BOX-JENKINS 建模流程
• 时间序列R程序--理论应用
• 时间序列R程序理论应用-白噪声序列
• 时间序列R程序理论应用-自回归模型
• 时间序列R程序理论应用-ARMA模型
• 时间序列R程序理论应用-ARIMA模型
• 时间序列R程序理论应用- BOX-JENKINS 建模流程
• 时间序列R程序--企业案例:电商渠道电脑销量的预测
  

第十二章：时间序列分析

• 关联规则概念与原理
• 本课程所需要准备的软件与配置
• 推荐系统的基本概念与分类
• 如何评价一个推荐系统
• 购物篮分析与关联规则
• 什么是购物篮分析--原理与基本概念
• 关联规则挖掘算法与其优缺点
• 案例：家居用品商店的营销策略
• 关联规则可视化
• 相似性推荐与系统过滤
• 如何收集用户偏好
• 如何计算相似度
• 相似性与协同过滤
• 相似性和协同过滤--5.案例
• 基于内容的推荐与混合推荐
• 基于矩阵分解(SVD)的推荐算法
• SVD矩阵分解--原理
• SVD矩阵分解--案例
  

第十三章：集成学习算法

• 集成学习简介
• 集成学习模型建置
• 以R语言进行袋装法模型建置及算法参数调整
• 以R语言进行提升法模型建置及算法参数调整
• 以R语言进行随机森林模型建置及算法参数调整
• 机器学习兵器谱的屠龙刀-集成学习算法作业
  

第十四章：文本分析

• 文本分析基本概念_文本分析流程
• 中文分词与中文词性标注_关键词提取与N-gram字组
• 文件分类1
• 文件分类2
• 文本聚类
• 情感分析
• 自然语言处理与机器学习结合-文本分析作业
  

第十五章：社会网络分析

• 社会网络表示方式_网络密度_网络节点进出程度
• 扩散分析_扩散分析理论
• 群组分析_社会相似性_分割群组_群组与群组成员描述
• 以R语言进行扩散分析模型建置、选择模型及算法参数调整
• 以R语言进行群组分析模型建置、选择模型及算法参数调整
• 统计学的新兴领域—社会网络分析作业
  

第十六章：深度学习

• 深度学习算法的历史_物体侦测、语言处理
• 网络架构1
• 网络架构2
• 卷积层_池化层_联结卷积层及池化层
• 以R语言进行DNN手写数字模型建置、选择模型及算法参数调整
• 以R语言进行CNN手写数字模型建置、选择模型及算法参数调整
• 人脑工作机制的模拟器—深度学习作业
  

第十七章：大型项目实作案例

• 策划某跨国电脑公司的营销活动
• 商业上建模流程
• 技术上建模流程
• 逻辑回归模型1
• 逻辑回归模型2
• 逻辑回归模型3
• 逻辑回归模型4
• 线性回归模型1
• 线性回归模型2
• 两阶段的应用
• 零售业忠诚客户预测案例大型实际案例(数据大小超过20G)
• 零售业忠诚客户预测项目
• 数据集表格及字段意义说明_数据集表格及字段描述性统计
• 数据的一些观察_数据的检察_解题思路的说明_衍生性字段的产生
• 效能评估方式的说明
• 以R语言进行分类模型建置、选择模型及算法参数调整
• 以R语言进行分类模型建置、选择模型及算法参数调整
• 以R语言进行分类模型建置、选择模型及算法参数调整
• 零售业项目实作案例作业
• 金融业银行信用卡评分项目实作
• 评分卡1 业务理解
• 评分卡2 数据理解
• 评分卡3 数据准备
• 评分卡4 变量粗筛
• 评分卡5 变量细筛
• 评分卡6 建模
• 评分卡7 模型评估
• 评分卡8 评分转换
• 评分卡9 模型监测
• 评分卡10 代码演示
  

加入课程《R语言机器学习工程师》

DA内容精选