● 掌握數(shù)據(jù)挖掘分析工具Python的使用方法；

● 掌握Python數(shù)據(jù)清洗方法；

● 掌握統(tǒng)計分析方法；

● 掌握多種算法模型的使用方法；

● 掌握商業(yè)數(shù)據(jù)挖掘分析實戰(zhàn)方法。

Python語言基礎：幫助學員掌握Python語言的基礎編程方法，掌握應用Python進行數(shù)據(jù)加載、數(shù)據(jù)整理、數(shù)據(jù)清洗、數(shù)據(jù)可視化等方法，本節(jié)內(nèi)容為后續(xù)內(nèi)容奠定工具應用基礎；

1.    Python編程基礎（Python安裝啟動、數(shù)據(jù)類型、控制流操作、函數(shù)、面向?qū)ο缶幊?、文件操作?/span>

2.    Python加在數(shù)據(jù)（向量\矩陣\數(shù)組、加在樣本數(shù)據(jù)集、加在數(shù)據(jù)文件數(shù)據(jù)、查詢SQL數(shù)據(jù)庫）

3.    Python數(shù)據(jù)整理（創(chuàng)建及瀏覽數(shù)據(jù)幀、處理缺失值、數(shù)據(jù)替換、連接及合并數(shù)據(jù)幀、數(shù)據(jù)分組聚合、更改數(shù)據(jù)類型等）

4.    Python數(shù)據(jù)清洗（Numpy應用方法、Pandas應用方法）

5.    Python數(shù)據(jù)可視化（Matplotlib繪圖、Pandas繪圖、Pyecharts交互式圖表繪制）

6.    綜合案例應用

時間序列分析：時間序列分析是一種重要的定量預測分析方法，本節(jié)將幫助學員系統(tǒng)掌握時間序列分析方法；

1.    Pandas時間序列處理

2.    時間序列特征

3.    時間序列模型應用（AR、MA、ARMA、ARIMA）

4.    時間序列建模

5.    綜合案例應用

機器學習與數(shù)據(jù)挖掘基礎：本節(jié)內(nèi)容將為大家介紹機器學習與數(shù)據(jù)挖掘的基礎理論知識，并針對有監(jiān)督學習算法以及無監(jiān)督學習算法進行展開介紹；

1.    機器學習與數(shù)據(jù)挖掘理論基礎（數(shù)據(jù)挖掘概要，數(shù)據(jù)挖掘方法論，機器學習基本思想、常用算法分類、主要解決的問題，機器學習流程，模型評價指標，算法庫等）

2.    有監(jiān)督學習算法入門（KNN基本原理，函數(shù)詳解，KNN數(shù)據(jù)結構實現(xiàn)，KNN算法實例）

3.    無監(jiān)督學習算法入門（聚類分析入門，K-Means快速聚類基本原理，K-Means快速聚類手動實現(xiàn)，K-Means模型評估指標及穩(wěn)定性討論，輪廓系數(shù)）

機器學習與數(shù)據(jù)挖掘進階：本節(jié)將為大家進一步介紹機器學習與數(shù)據(jù)挖掘的進階算法以及應用案例；

1.    常用有監(jiān)督學習算法（線性回歸（線性回歸模型的推導和求解，梯度下降法，帶正則項的線性回歸），邏輯回歸（邏輯回歸的引入，sigmoid函數(shù)，模型的求解，多分類問題），貝葉斯（樸素貝葉斯，貝葉斯網(wǎng)絡），SVM支持向量機分類和支持向量機回歸（線性SVM，硬邊距與軟邊距，非線性SVM，核函數(shù)的理解）

2.    有監(jiān)督學習算法進階（決策樹模型（C4.5、C5.0和CART樹，決策樹的可視化），集成學習基礎（集成學習思想，分類，boosting和bagging聯(lián)系與區(qū)別），集成算法之Bagging類算法（Bagging、隨機森林等），集成算法之Boosting類算法（Adaboosting、GBDT梯度提升樹、XgBoost等）

3.    無監(jiān)督學習算法進階（聚類分析：DBSCAN密度聚類、層次聚類等，數(shù)據(jù)降維方法（PCA主成分分析和SVD奇異值分解）

4.    特征工程與高級數(shù)據(jù)預處理（特征工程的目的與重要性，特征預處理（無量綱化，分析，編碼，統(tǒng)計編號，特征組合），特征構造（時間和時間序列特征構造，空間特征構造，用戶行為特征構造，文本特征構造，圖像特征構造），特征選擇（特征選擇標準，方法分類），特征轉(zhuǎn)換與特征學習）

文本分析：文本數(shù)據(jù)中包含大量有用信息，使用文本分析方法可以有效提取這部分信息為商業(yè)決策提供幫助。本節(jié)內(nèi)容將幫助學員系統(tǒng)掌握應用Python進行文本分析的方法；

1.    文本分析概述（文本數(shù)據(jù)與文本挖掘，自然語言處理的流派，文本挖掘常見商業(yè)應用，自然語言處理的層次，流程與挑戰(zhàn)）

2.    獲取文本數(shù)據(jù)（語料和語料庫，常見語料庫，語料庫的獲取，文本的爬取）

3.    文本向量化（離散化表示方法（詞集模型，詞袋模型，TF-IDF）,分布式表示方法（word2vec，glove））

4.    文本分類與聚類（百度數(shù)據(jù)聚類，新聞分類，情感分類）

5.    基于深度學習的文本分析（深度學習在文本分析中的應用，基于LSTM的情感分析，基于深度學習的新聞分類）

圖像處理與分析：除了文本數(shù)據(jù)之外，圖像數(shù)據(jù)同樣蘊藏了大量有價值的信息與知識，本節(jié)將幫助學員系統(tǒng)掌握圖像數(shù)據(jù)的處理與分析方法；

1.    圖像處理基本概念（位圖，灰度，通道，深度，色相，色調(diào)，圖像分辨率，顏色模型（RGB,HSI,HSV））

2.    基于OpenCV的圖像處理（OpenCV基本介紹，圖像和視頻的獲取，圖像裁剪、通道獲取邊界填充，圖像計算，調(diào)亮圖片，改變圖像大小圖像融合，閾值處理，圖像濾波，圖像運算，圖像金字塔）

3.    圖像特征的理解與計算（顏色特征，形狀特征，LBP特征，HAAR特征，HOG特征）

4.    基于卷積神經(jīng)網(wǎng)絡的圖像處理（卷積神經(jīng)網(wǎng)絡的模型搭建和訓練，常見卷積神經(jīng)網(wǎng)絡結構分析）

5.    基于卷積神經(jīng)網(wǎng)絡的圖像分類實戰(zhàn)（基于卷積神經(jīng)網(wǎng)絡的人臉識別實戰(zhàn)）

綜合應用案例（大綱只列舉部分典型案例，可以根據(jù)企業(yè)實際需求進行選擇或定制）：本節(jié)通過多個實戰(zhàn)案例將前邊相關知識進行串聯(lián)、鞏固與提高，幫助學員將所學應用到實際商業(yè)場景下，掌握商業(yè)數(shù)據(jù)挖掘分析的全流程方法；

      1.    電商案例分析（統(tǒng)計描述性，宏觀市場和微觀市場分析，波士頓矩陣分析）

2.    航空客戶價值分析（RFM分析，客戶畫像，聚類分析，精準營銷）

3.    保險行業(yè)用戶畫像，精準營銷（決策樹應用）

4.    航班動態(tài)延誤預測（隨機森林，集成學習應用）

5.    基于不同場景之下共享單車投放量的精準預測（嶺回歸，lasso回歸）

6.    京東用戶商品購買預測（xgboost集成學習）

7.    電商銷售商品數(shù)據(jù)分析（關聯(lián)規(guī)則應用）

8.    門戶網(wǎng)站新聞分類分析（貝葉斯應用）

9.    手寫數(shù)字識別案例（邏輯回歸，knn應用）

10.  人臉識別與分類案例（SVM應用）

11.  圖像分類（CNN應用）

12.  電商文本情感分析（LSTM應用）

13.  數(shù)字化人力資源之員工流失風險預警（邏輯回歸應用）

14.  基于用于欺詐檢測的綜合財務數(shù)據(jù)集預測金融支付服務中的欺詐行為（集成學習應用）

15.  信用評分卡案例

     例： 講解獲取外部數(shù)據(jù)

     例： 講解應用文本分析對網(wǎng)站注冊用戶特征需求進行分析