課程介紹

  CDA數據挖掘工程師周末班：CDA數據挖掘工程師班專門為希望轉崗到數據挖掘相關崗位學員開設，相關崗位包括數據挖掘工程師、機器學習工程師、算法工程師、商業策略數據分析師等。
  課程設計循序漸進，從基礎工具與理論知識入門，進階到統計分析方法和機器學習模型、文本挖掘模型，以實戰項目案例貫穿課程講解。
  其中包括：Python編程基礎、數據清洗、統計分析、數據處理與特征工程、Python機器學習、自然語言處理等課模塊。
  課程理論知識涵蓋CDA LEVEL II和CDA LEVEL III等級考試的所有考點，有利于對應等級考試的學員備考。

學習目標

  熟練掌握數據挖掘全流程的Python實操，包括數據清洗算法、特征工程、數據建模、數據可視化等
  熟練掌握Python數據挖掘算法與實踐，包括統計分析、統計模型、機器學習算法、深度學習算法、文本挖掘算法
  靈活使用數據挖掘算法解決各行業的業務問題，通過策略優化和精準預測來解決運營、產品、營銷方面的問題

面向對象

  有一定數學或統計、計算機基礎與數據分析業務經驗，希望脫產學習后轉崗到數據挖掘崗者
  希望提升數據挖掘技術的在職提升者
  從事算法科學、深度學習等工作的科研人員、分析師與工程師等
  產品、運營、營銷、管理、咨詢相關崗位從業者，希望增加數據分析技能與思維
  參加CDA等級認證考試LEVELII和LEVELⅢ考生

培訓內容

  1章工具先導課
  1-1Python基礎和數據清洗
  2章數字化工作保障機制-數據治理
  2-1數據治理驅動因素
  2-2數據治理域
  2-3數據管理域
  2-4數據應用域
  2-5如何開展數據治理
  3章數字化工作方法
  3-1EDIT數字化模型簡介
  3-2業務探查（E）
  3-3問題診斷（D）
  3-4業務策略優化和指導（I）
  3-5算法工具介紹（T）
  4章數據采集方法
  4-1數據采集方法
  4-2數據模型管理
  5章Python編程基礎
  5-1Python標準數據類型
  5-2控制流語句
  5-3自定義函數
  5-4異常和錯誤
  5-5類與面向對象編程
  5-6Python連接數據庫操作
  5-7Python編程基礎習題串講與直播答疑
  6章Python數據探索、數據處理與可視化
  6-1Numpy數組基礎操作
  6-2Pandas數據表的基本操作
  6-3Pandas數據探索
  6-4Pandas數據可視化
  6-5Python數據可視化包-Matplotlib介紹
  6-6Python數據可視化包-Seaborn介紹與圖形繪制
  7章Python探索分析綜合案例
  7-1實戰項目1：斯德哥爾摩氣候可視化分析
  7-2實戰項目2：餐飲訂單數據清洗與分析
  7-3實戰項目3：文本數據分析之QQ聊天記錄可視化分析
  8章Pythont統計分析與運籌學基礎
  8-1先導課：微積分與線性代數
  8-2抽樣方法
  8-3統計量及抽樣分布
  8-4參數估計與假設檢驗
  8-5統計分析與Python實戰
  8-6線性規劃與二次優化
  8-7實戰項目1：關于飲料消費的統計分析
  8-8實戰項目2：快遞公司的路線策略優化
  9章數據分析模型、算法與商業應用
  9-1數據分析方法論介紹
  9-2方差分析
  9-3回歸分析
  9-4分類數據分析
  9-5邏輯回歸
  9-6實戰項目1：金融客戶行為特征分解與營銷策略優化
  9-7實戰項目2：汽車行業銷售預測與經營戰略優化
  9-8實戰項目3：基于廣義線性模型的汽車保險分類定價策略的優化
  9-9數據降維
  9-10時間序列分析
  9-11實戰項目1：收益率的系列預測
  9-12實戰項目2：基于時間序列的機場客流預測與運營策略優化
  10章標簽體系與應用
  10-1用戶標簽體系設計原理
  10-2用戶標簽的制作方法
  10-3標簽體系的用戶畫像應用
  10-4實戰項目1：用戶行為在營銷活動的價值分析
  10-5實戰項目2：自動預警指標推送功能框架的搭建
  10-6實戰項目3：app靜默用戶觸動分析
  11章數據挖掘概論
  11-1數據挖掘概要
  11-2數據挖掘方法論
  11-3基礎數據挖掘技術
  11-4進階數據挖掘技術
  12章高級數據處理與特征工程
  12-1高級數據預處理
  12-2特征工程概要
  12-3特征建構
  12-4特征選擇
  12-5特征轉換
  12-6特征學習
  13章機器學習算法與應用（一）
  13-1KNN-最近鄰分類算法：原理、實現
  13-2決策樹（分類樹及回歸樹）
  13-3聚類分析
  13-4實戰項目1：基于決策樹的保險精準營銷行業案例
  14章機器學習算法與應用（二）
  14-1樸素貝葉斯
  14-2神經網絡與深度學習
  14-3支持向量機
  14-4集成方法
  14-5實戰項目1：航空客戶價值分析綜合案例
  14-6實戰項目2：基于集成算法的乳腺癌疾病預測
  14-7實戰項目3：基于神經網絡的汽車燃油濾預測
  15章機器學習算法與應用（三）
  15-1關聯規則
  15-2序列模式
  15-3模型評估
  15-4實戰項目：推薦系統實戰
  16章機器學習實戰
  16-1自動機器學習
  16-2類別不平衡問題
  16-3半監督學習
  16-4模型優化
  16-5實戰項目1：以自動機器學習技術開發銀行業信用風險評分模型并進行模型調參
  16-6實戰項目2：以類別不平衡處理技術開發銀行業中小企業信貸營銷模型并進行模型調參
  16-7實戰項目3：以半監督式學習技術開發電信業客戶流失模型并進行模型調參
  17章自然語言處理與文本分析理論與項目實操
  17-1自然語言處理概要
  17-2分詞與詞性標注
  17-3文本挖掘概要
  17-4關鍵詞提取
  17-5實戰項目1：文本挖掘實戰—電商標題關鍵詞分析
  17-6實戰項目2：在線中文命名實體識別實戰
  17-7實戰項目3：在線中文關系抽取實戰
  18章行業綜合項目實戰
  18-1實戰項目1：金融信用評分卡風控建模綜合項目實戰
  18-2實戰項目2：以特征工程技術開發文本情感分析模型
  18-3實戰項目3：以深度學習技術開發銀行業信用卡盜刷偵測模型
  18-4實戰項目4：以圖像處理技術、深度學習及遷移學習技術，開發人臉口罩偵測模型
  19章數據分析師職業規劃課
  19-1職業規劃
  19-2職場溝通
  19-3團隊協作力培養
  20章面試技巧一對一輔導
  20-11V1面試技巧指導
  20-2簡歷修改
  21章選修課
  21-1何為數據產品經理？
  21-2Python爬蟲
  21-3Python辦公自動化
  21-4數據挖掘項目選修項目