课程简介：

      本课程结合讲师的学习和工作经验，把R语言和数据挖掘的基本知识和重点难点很好的结合，注重学以致用，按照由深入浅的方式，层层推进使得学员拾阶而上的逐级掌握相关内容。

      课程内容涵盖了R语言和数据挖掘的精华，从大纲来看，无论是流行的数据挖掘方法，还是前沿的算法均有所涉及，课程中提供了大量丰富的案例，这些案例，集合了互联网、市场营销、金融保险等领域的数据挖掘实例，无疑对学习和工作有极大的参考和指导意义。

课程特色：

      1. 本课程尽量避开数学公式，按照“讲清思想方法原理—结合具体案例—R语言实现细节”思路，让即使是几乎没有什么基础的学员，掌握R语言数据挖掘的基本思路和模式，打下未来深入的良好基础，能在工作和学习中结合具体问题立马上手操作解决；

      2. 课程注重学练结合的方法，会采取小组讨论的方法，充分调动大家思考的积极性，在做中掌握相关知识和技能；

      3. 课程紧紧抓住R语言和数据挖掘的重点和难点，详细的分析和讲解，在理解难、容易出错的地方反复提醒，以便学员在课后容易的进行自己复习和相关拓展。

目标人群：

     对使用R语言进行数据挖掘感兴趣者，尤其是希望获得R语言和数据挖掘基础和思想，想在实际中快速使用R语言进行数据挖掘以解决问题的在校学生、在职工作者。

教学大纲：

讲：R语言精要

本着循序渐进而又覆盖R语言重要而有用的基本内容原则，本讲从R语言入门开始，以前期的数据处理为核心，以实际案例为载体，内容包括R语言的向量、数据框、矩阵运算、缺失值和零值的处理、特别注重用R语言构造函数编程解决实际问题，详细介绍强大的数据清洗整理plyr、zoo、car等常用包和强大的作图ggplot2包，为使用R语言进行数据挖掘打下扎实的工具基础。

主要案例：

案例1：如何用R语言plyr等包合并、排序、分析数据并编制香农-威纳指数；

案例2：如何用R语言编程同时实现几十个高难度数据分析可视化图片的jpeg格式输出；

案例3：如何使用R语言进行分层或者整群抽样构建训练集与测试集；

案例4：使用ggplot2画出各种复杂的图形。

第二讲：Logistic回归与商业大数据建模

Logistic回归是商业建模的常用重要数据挖掘方法，本讲要讲清楚Logistic回归的建模原理、与多元线性模型的区别、R语言实现过程及回归诊断注意事项、预测方法和结果解释，让学员彻底地掌握Logistic回归解决问题的R语言方法。

主要案例：

案例1：利用Logistic回归帮助商业银行完成对客户提前还贷款情况的预测；

案例2：利用Logistic回归帮助医生对病人选择治疗方案；

案例3：利用Logistic回归帮助厂家分析顾客做出购买决策的重要因素；

案例4：利用Logistic回归帮助寿险公司进行目标客户精准电话营销；

案例5：利用Logistic回归帮助商业银行完成对客户的信用评分；

案例6：利用Logistic回归帮助公司分析客户流失的原因并做好预测。

第三讲：关联规则和R语言实现

关联规则（著名的“啤酒和尿布”）是数据挖掘的基础和核心技术之一，本讲将着重围绕经典的Apriori算法和eclat算法，阐明关联规则的支持、置信和提升程度与控制，使用R语言快速完成关联规则分析。

主要案例：

案例1：使用R语言关联规则方法帮助各个超市实现商品的捆绑销售方案（即“购物篮”分析）；

案例2：泰坦尼克号乘客幸存的关联规则分析；

案例3：提高个人收入的关联分析。

第四讲：决策树（回归树）分析和R语言实现

决策树是数据挖掘的经典方法，其原理容易被理解。本讲主要讲授两种最为普遍的决策树算法：CART和C4.5算法，使用rpart和J48函数进行R语言分析。

主要案例：

案例1：对汽车耗油量进行决策树分析并完成相关目标变量的预测；

案例2：使用决策树帮助电信局判断和预测客户办理宽带业务。

第五讲：机器集成学习的Bagging和AdaBoost算法

这两种方法将许多分类器的预测结果进行汇总分析，从而达到显著提升分类效果。本讲介绍这2种算法的思想，在R语言中构造训练集和测试集进一步进行分析。

主要案例：

案例1：用R语言的Bagging和AdaBoost进行商业银行定期存款的分析和预测；

案例2：用R语言的Bagging和AdaBoost识别有毒蘑菇。

第六讲：R语言随机森林（RandomForest）算法

在机器学习中，随机森林是一个包含多个决策树的分类器，本讲讲清随机森林方法的原理，以致在实际中帮助学员判断适合进行随机森林分析的情况，最终熟练掌握R语言随机森林分析的方法。

主要案例：

案例1：对皮肤病进行随机森林的分类和预测；

案例2：对酒的品质和种类进行分类和评价。

第七讲：支持向量机和R语言的实现

本讲将分析支持向量机的结构风险最小原理、间隔和核函数，从而帮助学员深刻理解支持向量机的思想和算法，以及使用中注意的问题，从而帮助学员灵活地应用于各个领域。

主要案例：

案例1：对著名的鸢尾花数据进行支持向量机的分析；

案例2：使用支持向量机识别有毒蘑菇；

案例3：使用支持向量机进行股票指数预测。

课程目标：

不仅仅是搭建数据挖掘平台，更重要是让培训对象在理解数据所包含的业务含义的基础上进行分析工作。通过这种方法使帮助学员切实的解决了很多工作中的实际问题，提升了从数据角度去思考的能力。

课程特色：

1. 注重SAS的基础操作和数据的特征相结合，注重数据分析的理论和业务的实际理解相结合，帮助学员在短时间内掌握金融业数据分析业务最核心的解决方案和思路；

2. 使用工作中实际遇到的问题作为案例分析讲解，让学员在工作中对数据分析很快上手，提升业务的数据分析实际能力。

课程适用人群：

1.零基础学员，想涉足金融数据分析领域者；

2.在公司从事数据分析工作者，想系统地进行学习或者提高数据分析的高度和技能。

课程大纲：

SAS基础的内容包含：

1.SAS的data步：

包含不限于文件操作语句、运行语句、赋值和累加语句、控制语句、信息语句等等；

2.SAS的proc步：

包括不限于Format、Means、Transpose、Univariate、Plot、SQL编程技术、ODS和Array等等；

3.SAS的常用函数：

数学函数、截取函数、字符函数、概率统计函数、随机数函数、日期函数等；

4.宏变量及宏过程编程技术；

5.SAS的统计分析：

t检验、方差分析、回归分析（含logistic等）、列联表分析、多元统计分析（主成份分析、因子分析、聚类分析、对应分析、判别分析、联合分析等）；

6.SAS的时间序列分析（ARIMA模型等）。

SAS金融业实际应用案例分析包含：

1.银行的SAS平台的设计架构；

2.信用卡数据在系统间的流动及银行对客户的信用及风险分析的模型及实现方法；

3.借贷业务数据在系统间的流动和借贷数据的分析方法；

4.理解银行系统数据的获取，编写数据处理引擎（利用SAS MACRO等）；

5.数据质量检查和实现方法案例；

6.信用风险评分卡案例；

7.银行在巴塞尔条约中的SAS应用案例；

8.如何挖掘潜在客户及开展精准营销；

9.欺诈发现，银行如何发现客户洗钱欺诈的案例。

我要报名