第一部分、數(shù)據(jù)分析探索與應(yīng)用流程
l 商業(yè)數(shù)據(jù)分析
數(shù)據(jù)挖掘Road Maps
R、python簡(jiǎn)單介紹
l 數(shù)據(jù)探索
數(shù)據(jù)預(yù)處理
構(gòu)建新的變量
異常值處理
數(shù)據(jù)可視化
l 數(shù)據(jù)分析應(yīng)用流程
第二部分、經(jīng)典預(yù)測(cè)和分類方法
l 回歸分析
相關(guān)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(píng)估與選擇
l KNN 分類器
確定相鄰的樣本數(shù)據(jù)
分類規(guī)則
參數(shù)K的選擇
算法優(yōu)缺點(diǎn)
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(píng)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(jì)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(wù)規(guī)則？
l （補(bǔ)充）樹模型應(yīng)用——隨機(jī)森林
案例分析：如何幫助業(yè)務(wù)方篩選出重要的業(yè)務(wù)變量？
第三部分、經(jīng)典聚類算法
l 聚類問題介紹
l 兩條數(shù)據(jù)之間的距離
歐式距離
數(shù)值型數(shù)據(jù)處理與距離函數(shù)
類別型數(shù)據(jù)的距離計(jì)算
混合類型數(shù)據(jù)的距離計(jì)算
兩個(gè)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(cè)與反欺詐
l 異常值檢測(cè)
異常團(tuán)體識(shí)別
案例分析：無監(jiān)督反欺詐方案應(yīng)用
業(yè)務(wù)思考：如何構(gòu)建一個(gè)反欺詐系統(tǒng)？
第五部分、時(shí)間序列預(yù)測(cè)
l 時(shí)間序列回歸模型
預(yù)測(cè)變量篩選
回歸預(yù)測(cè)
非線性回歸
相關(guān)、因果和預(yù)測(cè)
l 時(shí)間序列分解
時(shí)間序列成分
移動(dòng)平均
經(jīng)典時(shí)間序列分解
STL分解法
趨勢(shì)性、季節(jié)性判定
業(yè)務(wù)思考：如何對(duì)時(shí)間序列進(jìn)行聚類？
分解法預(yù)測(cè)
時(shí)間序列類異常值檢測(cè)
業(yè)務(wù)思考：如何評(píng)估促銷活動(dòng)效果？
l ARIMA模型
平穩(wěn)性和差分
延遲算子
自回歸與移動(dòng)平均
非季節(jié)性arima
參數(shù)估計(jì)與選擇
季節(jié)性arima
l 高級(jí)預(yù)測(cè)方法
復(fù)雜的季節(jié)性
向量自回歸
神經(jīng)網(wǎng)絡(luò)
l 實(shí)際預(yù)測(cè)問題
周數(shù)據(jù)、天粒度數(shù)據(jù)以及小時(shí)數(shù)據(jù)預(yù)測(cè)
預(yù)測(cè)組合
長(zhǎng)序列與短序列預(yù)測(cè)
訓(xùn)練集與測(cè)試集
缺失值與異常值
案例分享：共享單車Daily天粒度需求預(yù)測(cè)
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(yùn)籌優(yōu)化方法介紹
優(yōu)化算法應(yīng)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(bǔ)貼的預(yù)算，如何選擇合適的補(bǔ)貼用戶。
工廠布局優(yōu)化:考慮如何減少物料搬運(yùn)成本(運(yùn)量和距離)。
倉(cāng)庫(kù)選址問題：如何選擇服務(wù)點(diǎn)，滿足服務(wù)能力和降低運(yùn)輸成本。
物流配送、車輛路徑調(diào)度：配送問題綜合建模與分析。