第一部分、數(shù)據分析探索與應用流程
l 商業(yè)數(shù)據分析
數(shù)據挖掘Road Maps
R、python簡單介紹
l 數(shù)據探索
數(shù)據預處理
構建新的變量
異常值處理
數(shù)據可視化
l 數(shù)據分析應用流程
第二部分、經典預測和分類方法
l 回歸分析
相關性
線性回歸與擬合
最小二乘法的幾何解釋
線性回歸中的變量選擇
回歸算法的評估與選擇
l KNN 分類器
確定相鄰的樣本數(shù)據
分類規(guī)則
參數(shù)K的選擇
算法優(yōu)缺點
案例分析：如何選擇相似用戶？
l 邏輯回歸
邏輯回歸模型
分類算法的評估
案例分析：用戶借貸能力判定
l 決策樹
迭代分割
純度的計算
決策樹的使用效果
如何避免過擬合
剪枝與終止條件
案例分析：如何利用決策樹的提取出業(yè)務規(guī)則？
l （補充）樹模型應用——隨機森林
案例分析：如何幫助業(yè)務方篩選出重要的業(yè)務變量？
第三部分、經典聚類算法
l 聚類問題介紹
l 兩條數(shù)據之間的距離
歐式距離
數(shù)值型數(shù)據處理與距離函數(shù)
類別型數(shù)據的距離計算
混合類型數(shù)據的距離計算
兩個類別之間的距離
最大距離、最小聚類、中心距離
l K-means
如何選擇參數(shù)K
l 層次聚類
案例分析：如何選擇相似用戶？
第四部分、異常檢測與反欺詐
l 異常值檢測
異常團體識別
案例分析：無監(jiān)督反欺詐方案應用
業(yè)務思考：如何構建一個反欺詐系統(tǒng)？
第五部分、時間序列預測
l 時間序列回歸模型
預測變量篩選
回歸預測
非線性回歸
相關、因果和預測
l 時間序列分解
時間序列成分
移動平均
經典時間序列分解
STL分解法
趨勢性、季節(jié)性判定
業(yè)務思考：如何對時間序列進行聚類？
分解法預測
時間序列類異常值檢測
業(yè)務思考：如何評估促銷活動效果？
l ARIMA模型
平穩(wěn)性和差分
延遲算子
自回歸與移動平均
非季節(jié)性arima
參數(shù)估計與選擇
季節(jié)性arima
l 高級預測方法
復雜的季節(jié)性
向量自回歸
神經網絡
l 實際預測問題
周數(shù)據、天粒度數(shù)據以及小時數(shù)據預測
預測組合
長序列與短序列預測
訓練集與測試集
缺失值與異常值
案例分享：共享單車Daily天粒度需求預測
第六部分、決策優(yōu)化
l 開源決策優(yōu)化工具介紹 google or-tools
運籌優(yōu)化方法介紹
優(yōu)化算法應用流程
l 案例分享(可選)
電商促銷優(yōu)惠券發(fā)放優(yōu)化：給定用戶補貼的預算，如何選擇合適的補貼用戶。
工廠布局優(yōu)化:考慮如何減少物料搬運成本(運量和距離)。
倉庫選址問題：如何選擇服務點，滿足服務能力和降低運輸成本。
物流配送、車輛路徑調度：配送問題綜合建模與分析。