讲师介绍

      Gino老师，即将步入不惑之年，早年获得名校数学与应用数学专业学士和统计学专业硕士，有海外学习和工作的经历，近二十年来一直进行着数据分析的理论和实践，数学、统计和计算机功底强悍。

      曾在某一世界500强公司核心部门担任高级主管负责数据建模和分析工作，在实践中攻克统计建模和数据分析难题无数，数据处理与分析科学精准，在实际应用中取得良好的效果。

      Gino老师担任数据分析培训师多年，探索出一套以实例讲解带动统计原理理解和软件操作熟悉的方法，授课的学生能迅速理解统计原理并使用统计软件独立开展数据分析。

      Gino老师的学生能学会论文计量统计建模方法，在各类笔试面试数据分析问题中不会吃亏，容易找到和数据分析有关的工作。

      Gino老师先后使用过SPSS、SAS、MatLab、Stata、R等软件，最终选用R作为统计分析的利器，叹服其强大的统计计量功能，每日爱不释手，在R的使用上具有丰富的实战经验。
     他曾经在人大经济论坛应邀讲授R语言（基础和高级），将理论和实践很好地结合在一起，帮助广大学员掌握了软件、统计和计量原理和实践方法，好评如潮。

课程目标

      本课程不是想使大家成为统计学家（但要使大家掌握其思想和方法），而是想让大家像开车、玩电脑那样愉快地用好R，并在使用中，掌握好R基本语句和功能，学会其编程方法和技巧，掌握好统计计量的基本原理，为解决高深的统计计量问题打下基础。

课程特色

      在授课形式上，注重以解决实际问题带动R语言和统计理论的掌握。大部分学员在实际中遇到的数据分析难题，可以在课堂上找到答案和解决办法，答疑解惑是本课程特色之一。

      在容易出错和较难的地方，会反复讲解和提醒，避免大家在实际中踏入统计的“雷区”和“谬误”，从而学会科学的使用R，掌握好统计思想和方法。

      强调掌握好R的编程，并用在解决实际问题中去。学员会觉得在面对数据分析问题时立即有办法攻克，之后会不断地寻找较高难度的数据分析去体会处理好它们的快乐，从而快速地学习和掌握相关知识和技能。

课程介绍

      该课程在介绍R语言基础知识后，紧密的围绕R语言7个方面非常重要的方面进行展开，这些内容，可以说是R语言、统计、计量经济学的基础和精要，在本次培训里有机的结合讲授。

       引入数组、函数、数据框和编程等一系列概念和方法后，R语言的数据处理能力将变得无比强大，几乎可以在很短的时间内，完成任何高难度的数据整理和分析工作。

       对于数据分析来说，概率和随机变量、参数估计、假设检验、线性模型、多元和时间序列分析都是必须掌握的内容，而用R语言实现这些统计方法有独特的简洁和优势，本课程对这些内容进行分析和讲解。

课程大纲

PS：现场班后会赠送学员VIP1豪华版及同场录制的视频；同时分享学员通讯录，建立QQ群方便后期交流。

课程特色：

• 本次课程将通俗易懂地系统讲述经典数据挖掘算法，通过代码实现让学员深入理解算法内部；

• 实战讲解数据挖掘主流应用：推荐系统、搜索广告，快速提升学员实战能力；

• 三位讲师曾就职于多家知名互联网公司，使学员可以充分的掌握数据挖掘在不同业务场景中的应用。

  
  

学员对象：

• 企业员工，想对数据挖掘的理论进一步深入梳理，并想增加数据挖掘的实战案例储备；

• 对数据挖掘有兴趣或者想转行为数据挖掘的人员，但要求对数据挖掘及其中模型和算法有基本了解；

• 在校硕士和博士研究生，有一定的数据挖掘知识基础。

  
  

培训目标:

• 使学员对数据挖掘模型和算法有一个系统、深入的理解，并具备对数据挖掘高级部分的自学能力；

• 通过实战讲解当前数据挖掘主流应用：推荐系统、搜索广告，提升学员的数据挖掘实战能力，甚至可以将培训课程中的实战案例直接应用于项目之中；

• 三位讲师在多家知名互联网公司的工作背景，使学员充分的了解数据挖掘在不同业务场景下的实际应用。

  
  

讲师介绍：

钟超，毕业于哈尔滨工程大学，现任京东商城商业智能部高级数据挖掘工程师。

主要研究方向为：最优化方法，机器学习，推荐系统，搜索引擎算法。同时关注大规模机器学习算法的实现，专注于机器学习算法在电商中的应用。

负责和参与了京东多个重要的数据挖掘应用项目，理论基础扎实、擅长算法代码实现，实战经验丰富。将主讲本次课程中的数据挖掘算法及实现部分。

Peter Wang，中国科学技术大学硕士，曾就职于IBM、百度等知名IT/互联网企业，任资深数据挖掘算法研究员、高级架构师等职位。

主要研究方向为：数据挖掘、机器学习、大数据技术、搜索、广告等系统平台架构规划、算法优化。将主讲本次课程中的搜索广告部分。

李少伟，清华大学软件工程硕士，曾就职于新浪微博、奇虎360等知名互联网企业，任资深数据挖掘工程师职位。

主要研究方向为：个性化推荐、数据挖掘、机器学习，尤其是各种数据挖掘算法基于大数据的实现。曾在个性化推荐领域发表两篇专利。

负责和参与了新浪、奇虎360各个应用场景下的推荐系统的构建与开发，理论基础扎实，实战经验丰富。将主讲本次课程中的个性化推荐部分。

课程大纲：

部分 (钟超老师主讲)

一 数据挖掘概述

   1 统计学习

    2 监督学习

    3 模型评估与选择

    4 模型的泛化能力

二 预测算法

   1 一元线性回归

     1.1为什么用回归

     1.2一元线性回归模型

   2 最优化方法-梯度下降法

   3 基函数与核函数

     3.1多项式回归

     3.2回归模型中的基函数

    4 欠拟合与过拟合

     4.1欠拟合

     4.2过拟合

    5 多元线性回归

    6 应用实例

三 分类算法

   1 线性分类器-感知器

     1.1感知器

     1.2感知器的学习策略

     1.3优化损失函数

     1.4代码实现

    2 线性分类器-逻辑回归

     2.1逻辑回归分布

     2.2二项逻辑回归

     2.3参数估计

     2.4基函数

     2.5过拟合（正则化）

     2.6参数的矩阵表示

     2.7代码实现

    3 贝叶斯分类器

     3.1贝叶斯公式

     3.2高斯贝叶斯分类器

       3.2.1理论简介

       3.2.2代码实现

     3.3多项式贝叶斯分类器

       3.3.1 构造数据集信息

       3.3.2 计算特征（单词）概率

       3.3.3 计算整篇文档的频率

       3.3.4 贝叶斯公式

       3.3.5 选择分类

       3.3.6 费舍尔方法

       3.3.7 增量式训练

    4 应用实例-主动客服

四 聚类算法

   1 KMEANS

    2 谱聚类

    3 应用实例-网格化配送

五 降维算法

   1 主成分分析（PCA）

     1.1 主成分应用

     1.2  一个例子

       1.2.1求主成分和主成分得分

       1.2.2确定分析精度

       1.2.3分析结果

       1.2.4程序解析

    2 隐性语意分析（LSA）

     2.1基于LSA的文本摘要算法

     2.2文本降维

    3 应用实例-文本聚类

六 模型选择

   1 交叉验证

    2 准确率、召回率、F-得分

    3 混淆矩阵

第二部分 (Peter Wang老师主讲)

一 计算广告学的基础背景

   1  广告的基本知识及发展历史

    2  在线广告的特点及市场分析

    3  计算广告的定义及研究范围

    4  广告投放模式详解

二 计算广告学中常用的数据挖掘算法

   1 回归

    2 聚类

    3 支持向量机

    4 决策树

    5 逻辑回归

    6 主题模型

    7 贝叶斯网络模型

三 搜索广告算法精解

   1 搜索广告匹配概览

    2 搜索广告匹配模式

    3 广告检索子系统介绍

    4 Query与广告的匹配方法

    5 Query rewrite技术

    6 关键词推荐

四 个性化广告投放概述

五 展示广告匹配概述

六 展示广告点击率预测

   1 击率预估背景

    2 点击率预估特点

    3 点击率预估模型

七 广告反作弊技术及方法

第三部分 (李少伟老师主讲)

一 推荐系统概述

   1 什么是推荐系统

    2 推荐系统应用场景

    3 推荐系统的评测

二 推荐方法简介

   1 协同过滤推荐

    2 基于内容的推荐

    3 基于知识的推荐

三 推荐系统中经常会用到的数据挖掘算法

   1 聚类

    2 Svm

    3 决策树

    4 逻辑回归

    5 SVD

    6 贝叶斯

四 推荐系统冷启动问题

   1 冷启动问题简介

    2 解决方案

五 推荐系统中经常遇到的问题以及解决方案

六 推荐系统实例

   1 电商网站推荐系统构建

    2 社交平台推荐系统构建

    3 移动app分发平台推荐系统构建

    4 新闻网站推荐系统构建说

PS：现场班后会赠送学员VIP1豪华版；同时分享学员通讯录，建立QQ群方便后期交流。