综合亚洲欧美,亚洲欧洲另类,逼逼爱爱,国产限制,欧美 久久国产亚洲日韩一本，欧美日韩专区国产精品，久久精品

Python數(shù)據(jù)挖掘

【課程目標】
本課程主要講解如何利用Python進行時間序列的數(shù)據(jù)建模。
通過本課程的學習，達到如下目的：
1、全面掌握Python語言以及其編程思想。
2、掌握常用擴展庫的使用，特別是數(shù)據(jù)挖掘相關庫的使用。
3、學會使用Python完成數(shù)據(jù)挖掘項目整個過程。
4、掌握利用Python實現(xiàn)可視化呈現(xiàn)。
5、掌握數(shù)據(jù)挖掘常見算法在Python中的實現(xiàn)。

【授課對象】
業(yè)務支持部、IT系統(tǒng)部、大數(shù)據(jù)系統(tǒng)開發(fā)部、大數(shù)據(jù)分析中心、網(wǎng)絡運維部等相關技術人員。

【課程大綱】
一、數(shù)據(jù)挖掘基礎
1、數(shù)據(jù)挖掘概述
2、數(shù)據(jù)挖掘的標準流程（CRISP-DM）
－商業(yè)理解
－數(shù)據(jù)準備
－數(shù)據(jù)理解
－模型建立
－模型評估
－模型應用
案例：客戶流失預測及客戶挽留
3、數(shù)據(jù)挖掘常用模型

二、數(shù)據(jù)預處理篇
1、數(shù)據(jù)預處理的主要任務
－數(shù)據(jù)集成：多個數(shù)據(jù)集的合并
－數(shù)據(jù)清理：異常值的處理
－數(shù)據(jù)處理：數(shù)據(jù)篩選、數(shù)據(jù)精簡、數(shù)據(jù)平衡
－變量處理：變量變換、變量派生、變量精簡
－數(shù)據(jù)歸約：實現(xiàn)降維，避免維災難
2、數(shù)據(jù)集成
－數(shù)據(jù)追加（添加數(shù)據(jù)）
－變量合并（添加變量）
3、數(shù)據(jù)理解（異常數(shù)據(jù)處理）
－取值范圍限定
－重復值處理
－無效值/錯誤值處理
－缺失值處理
－離群值/極端值處理
－數(shù)據(jù)質量評估
4、數(shù)據(jù)準備：數(shù)據(jù)處理
－數(shù)據(jù)篩選：數(shù)據(jù)抽樣/選擇（減少樣本數(shù)量）
－數(shù)據(jù)精簡：數(shù)據(jù)分段/離散化（減少變量的取值個數(shù)）
－數(shù)據(jù)平衡：正反樣本比例均衡
5、數(shù)據(jù)準備：變量處理
－變量變換：原變量取值更新，比如標準化
－變量派生：根據(jù)舊變量生成新的變量
－變量精簡：降維，減少變量個數(shù)
6、數(shù)據(jù)降維
－常用降維的方法
－如何確定變量個數(shù)
－特征選擇：選擇重要變量，剔除不重要的變量
－從變量本身考慮
－從輸入變量與目標變量的相關性考慮
－對輸入變量進行合并
－因子分析（主成分分析）
－因子分析的原理
－因子個數(shù)如何選擇
－如何解讀因子含義
案例：提取影響電信客戶流失的主成分分析
7、數(shù)據(jù)探索性分析
－常用統(tǒng)計指標分析
－單變量：數(shù)值變量/分類變量
－雙變量：交叉分析/相關性分析
－多變量：特征選擇、因子分析
演練：描述性分析（頻數(shù)、描述、探索、分類匯總）
8、數(shù)據(jù)可視化
－數(shù)據(jù)可視化：柱狀圖、條形圖、餅圖、折線圖、箱圖、散點圖等
－圖形的表達及適用場景
演練：各種圖形繪制

三、用戶專題分析
1、用戶專題分析的主要任務
2、客戶群細分與聚類分析
問題：我們的客戶有幾類？各類特征是什么？如何實現(xiàn)客戶細分，開發(fā)符合細分市場的新產(chǎn)品？
－聚類方法原理介紹
－聚類方法作用及其適用場景
－聚類分析的種類
－K均值聚類
案例：移動三大品牌細分市場合適嗎？
演練：寶潔公司如何選擇新產(chǎn)品試銷區(qū)域？
演練：如何評選優(yōu)秀員工？
演練：中國各省份發(fā)達程度分析，讓數(shù)據(jù)自動聚類
－最優(yōu)K值選擇
－Elbow手肘法
－Silhouette Coefficient輪廓系數(shù)
－Calinski-Harabasz Index準則
－雙聚類bicluster及評估
－譜聚類聯(lián)合
－聯(lián)合譜聚類SpectralCoclustering
－雙向譜聚類SpectralBiclustering
－DBSCAN鄰近聚類
3、客戶喜好評估與主成分分析PCA
營銷問題：如何匯聚大眾的共同喜好？
－主成分分析方法介紹
－主成分分析基本思想
－主成分分析步驟
案例：如何評估汽車購買者的客戶細分市場
4、客戶價值評估與RFM模型
營銷問題：如何評估客戶的價值？不同的價值客戶有何區(qū)別對待？
－RFM模型（客戶價值評估）
－RFM模型，更深入了解你的客戶價值
－RFM模型與市場策略
－RFM模型與活躍度分析
案例：淘寶客戶價值評估與促銷名單
案例：重購用戶特征分析

四、產(chǎn)品專題分析
1、產(chǎn)品專題分析主要任務
－產(chǎn)品設計分析
－市場占有分析
－累計銷量分析
－定價策略分析
2、產(chǎn)品設計優(yōu)化（聯(lián)合分析法）
問題：如何設計最優(yōu)的功能特征？
－評估功能特征的重要性
－評估功能特征的價值
案例：產(chǎn)品開發(fā)與設計分析
3、產(chǎn)品評估模型（隨機效用理論）
－屬性重要性評估
－市場占有率評估
－產(chǎn)品價格彈性評估
－評估產(chǎn)品的品牌價值
－動態(tài)調(diào)價（納會均衡價格）
案例：品牌價值與價格敏感度分析
案例：納什均衡價格

五、產(chǎn)品定價策略
營銷問題：產(chǎn)品如何實現(xiàn)最優(yōu)定價？套餐價格如何確定？采用哪些定價策略可達到利潤*化？
1、常見的定價方法
2、產(chǎn)品定價的理論依據(jù)
－需求曲線與利潤*化
－如何求解最優(yōu)定價
案例：產(chǎn)品最優(yōu)定價求解
3、如何評估需求曲線
－價格彈性
－曲線方程（線性、乘冪）
4、如何做產(chǎn)品組合定價
5、如何做產(chǎn)品捆綁/套餐定價
－*收益定價（演進規(guī)劃求解）
－避免價格反轉的套餐定價
案例：電信公司的寬帶、IPTV、移動電話套餐定價
6、非線性定價原理
－要理解支付意愿曲線
－支付意愿曲線與需求曲線的異同
案例：雙重收費如何定價（如會費+按次計費）
7、階梯定價策略
案例：電力公司如何做階梯定價
8、數(shù)量折扣定價策略
案例：如何通過折扣來實現(xiàn)薄利多銷
9、定價策略的評估與選擇
案例：零售公司如何選擇最優(yōu)定價策略
10、航空公司的收益管理
－收益管理介紹
－如何確定機票預訂限制
－如何確定機票超售數(shù)量
－如何評估模型的收益
案例：FBN航空公司如何實現(xiàn)收益管理（預訂/超售）

六、產(chǎn)品推薦與協(xié)同過濾
問題：購買A產(chǎn)品的顧客還常常要購買其他什么產(chǎn)品？應該給客戶推薦什么產(chǎn)品最有可能被接受？
1、從搜索引擎到推薦引擎
2、常用產(chǎn)品推薦模型及算法
3、基于流行度的推薦
－基于排行榜的推薦，適用于剛注冊的用戶
－優(yōu)化思路：分群推薦
4、基于內(nèi)容的推薦CBR
－關鍵問題：如何計算物品的相似度
－優(yōu)缺點
－優(yōu)化：Rocchio算法、基于標簽的推薦、基于興趣度的推薦
5、基于用戶的推薦
－關鍵問題：如何對用戶分類/計算用戶的相似度
－算法：按屬性分類、按偏好分類、按地理位置
6、協(xié)同過濾的推薦
－基于用戶的協(xié)同過濾
－基于物品的協(xié)同過濾
－冷啟動的問題
案例：計算用戶相似度、計算物品相似度
7、基于分類模型的推薦
8、其它推薦算法
－LFM基于隱語義模型
－按社交關系
－基于時間上下文
9、多推薦引擎的協(xié)同工作

七、信用評分卡模型
信用評分卡模型簡介
評分卡的關鍵問題
信用評分卡建立過程
－篩選重要屬性
－數(shù)據(jù)集轉化
－建立分類模型
－計算屬性分值
－確定審批閾值
篩選重要屬性
－屬性分段
－基本概念：WOE、IV
－屬性重要性評估
數(shù)據(jù)集轉化
－連續(xù)屬性最優(yōu)分段
－計算屬性取值的WOE
建立分類模型
－訓練邏輯回歸模型
－評估模型
－得到字段系數(shù)
計算屬性分值
－計算補償與刻度值
－計算各字段得分
－生成評分卡
確定審批閾值
－畫K-S曲線
－計算K-S值
－獲取最優(yōu)閾值

八、交叉銷售與關聯(lián)規(guī)則
1、關聯(lián)規(guī)則概述
2、常用關聯(lián)規(guī)則算法
－Apriori算法
－發(fā)現(xiàn)頻繁集
－生成關聯(lián)規(guī)則
－FP-Growth算法
－構建FP樹
－提取規(guī)則
案例：使用apriori實現(xiàn)關聯(lián)分析

九、基于關聯(lián)分析的推薦
－如何制定套餐，實現(xiàn)交叉/捆綁銷售
案例：啤酒與尿布、颶風與蛋撻
－關聯(lián)分析模型原理（Association）
－關聯(lián)規(guī)則的兩個關鍵參數(shù)
－支持度
－置信度
－關聯(lián)分析的適用場景
案例：購物籃分析與產(chǎn)品捆綁銷售/布局優(yōu)化
案例：通信產(chǎn)品的交叉銷售與產(chǎn)品推薦

結束：課程總結與問題答疑。

Python數(shù)據(jù)挖掘