WEKA_数据挖掘技术与应用_名师主讲_全国网络直播

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

       在现今大数据的时代，各行各业都迫切地想要利用大数据来解决它们的问题。银行业想知道哪些顾客会有信用风险；哪些客户会对财富管理有兴趣。保险业想知道哪些理赔会有诈欺的行为；哪些客户会对投资型保单有兴趣，电信业想知道哪些客户会流失。针对大数据分析上的应用与案例，以及进入大数据后分析方式的转变，运用Open Source-WEKA, 做广泛且深入的探讨，从认识到有一定的程度及水平。WEKA在分类的问题上，提供超过100种的算法；在数据前处理上，提供超过75种的算法；在关键字段的选择上，提供超过25种的算法；在聚类及关联规则的问题上，则提供超过20种的算法。

      李御玺(Yue-Shi Lee),国立台湾大学计算机工程博士，铭传大学计算机工程学系教授，铭传大学大数据研究中心主任，中华资料采矿协会理事, 浙江大学城市学院客座教授，云南财经大学信息学院客座教授, 厦门大学数据挖掘中心顾问，中国人民大学数据挖掘中心顾问。其研究领域专注于大数据、数据挖掘、与文本挖掘。

      李博士在其相关研究领域已发表超过280篇以上的研究论文,同时也是台湾科技部与教育部多个相关研究计划的主持人。服务过的客户包括：中国工商局、中信银行、台新银行、联邦银行、新光银行、新竹国际商业银行(现已并入渣打银行)、第一银行、永丰银行、远东银行、美商大都会人寿、嘉义基督教医院、台湾微软、零售业如赫莲娜(Helena Rubinstein)化妆品公司、特立和乐(HOLA)公司、航空公司如东方航空公司、中华航空公司、汽车行业如福特(Ford)汽车公司；政府机关如国税局等。

项目：WEKA——数据挖掘分析与应用

时间：2015年8月8-9日  15-16日 (周末班)

地点：全国远程直播

费用：2800元/2200（全日制学生优惠）

大数据时代(The Era of Big Data)	1.大数据的起源    2.大数据与智能手机、感知装置、物联网、社群媒体及云计算的关系    3.大数据应用的成功案例    4.大数据的未来趋势    5.大数据时代的思维变革    6.社群大数据的应用    7.移动大数据的应用    8.文本数据下的舆情分析    9.大数据的迷思(大数据还是大错误)
数据挖掘基础(Basic Concept)	1.大数据的核心关键技术-数据挖掘    2.数据挖掘的发展历程、进行步骤、及产业标准(CRISP DM vs. SEMMA)    3.基本数据挖掘技术简介(查询工具、统计技术、可视化技术、K-最近邻技术、…)    4.进阶数据挖掘技术简介(分类、预测、关联规则、序列型样、聚类、…)    5.WEKA简介及操作接口(Explore, Experimenter, Knowledge  Flow,    Command  Line)说明    6.数据挖掘的绩效评估及顾客数优化    7.问题导向式数据挖掘分析流程    8.大数据如何取得？如何开始进行企业的数据挖掘项目？    9.数据挖掘的未来趋势       疾病诊断案例、寿险推销案例
数据挖掘技术(Data Mining Techniques)及实务建模(Practical Models)	1.数据前处理(Data Preprocessing)    *字段的选择：多重数据源的整合、建立区隔化模型    *数据的清洗：数据质量报告(Data Quality Report)的制作、空值(Missing Value)、错误值(Wrong Value)及离群值(Outlier)的侦测及处理方式    *字段的扩充：外部数据的整并及内部数据的统整    *数据的编码：    (1)数据正规化(Data Normalization)技术    (2)数据一般化(Generalization)技术    (3)数据离散化(Data Discretization)技术    (4)数据连续性指派(Continuousness Arbitrary)技术    (5)记录精简(Record Reduction)技术    (6)域值精简(Value Reduction)技术    (7)字段精简(Attribute Reduction)技术    *如何将原始数据依母体目标字段上的比例分成训练及测试数据集    *10-折交叉验证(10-Fold Cross Validation)
WEKA实作，案例实战	(1)  进件评分卡案例    (2)  药物治疗案例    (3)  鸢尾花案例    (4)  糖尿病预测案例    (5)  电离层雷达侦测案例
关键字段/变量发掘技术	*數值型关键变量发掘    *類別型关键变量发掘    *利用统计检定(Statistical Test)的方法发掘关键变量    *利用机器学习(Machine Learning)方法发掘关键变量    *变量共线性(Collinear)问题       (1)银行信用风险评估之进件评分卡(Application Scorecard)案例    (2)玻璃制品分类案例
分类技术(Classification Techniques) – 贝氏网络 (Bayes Net)	*简单贝氏网络(Naive Bayes)原理    *机率为0的处理方式    *空值(Missing Value)的处理    *数值型字段的处理    *以ZeroR建立基本比较模型1(Baseline  Model 1)    *以OneR建立基本比较模型2(Baseline  Model 2)    *分類模型效能的評估方式(Gain Chart, Lift Chart, Profit  Chart, Confusion Matrix, Precision, Recall, F-Measure, …)       (1)糖尿病预测案例    (2)天气预测案例
预测技术(Prediction Techniques) – 线性回归 (Linear Regression)	*简单线性回归(Simple Linear Regression)原理    *复回归(Multiple Linear Regression)原理    *皮尔森相关系数(Pearson Correlation Coefficient)    *预测模型效能的评估方式(Scatter Plot, Mean Absolute  Error, Mean Squared Error, R2, …)       (1)汽车油耗预测案例    (2)CPU效能预测案例
分类及预测技术 (Classification & Prediction  Techniques) – 决策树 (Decision Tree)	*分类树(Classification Tree)原理(ID3, C4.5, C5.0, CART, CHAID, …)    *分类字段的选择方法(Information Gain, Gain Ratio, Gini  Index, Chi-Square, …)    *分类树与分类规则(Classification Rules)之差异    *数值型字段的处理    *空值(Missing Value)的处理    *分类的修剪(Tree Pruning)：避免Overfitting的问题    *回归树(Regression Tree)原理(CART, …)    *回归树进阶：Model Tree (M5)       (1)电信产品跨销售(Cross-Selling)案例    (2)影像(Image)数据分类案例    (3)乳腺癌(Breast Cancer)预测案例
分类及预测技术 (Classification & Prediction  Techniques) – 类神经网络 (Neural Network)	*倒传递类神经网络(Backpropagation Neural Network)原理    *数值型字段的一般化(Generalization)处理    *类别型字段的摊平(Flattening)处理    *倒传递类神经网络的权重调整    *倒传递类神经网络与罗吉斯回归, 线性回归,  非线性回归间的关系    *倒传递类神经网络如何处理分类的问题    *倒传递类神经网络如何处理预测的问题       (1)可视化工具(Boundary Visualizer)实作    (2)便利超商(Convenience_Store)选点案例    (3)房价(Home Price)预测案例
分类技术 (Classification Techniques) – 罗吉斯回归 (Logistic Regression)及支持向量机 (Support  Vector Machine)	*罗吉斯回归(Logistic Regression)原理    *数值型字段的一般化(Generalization)处理    *类别型字段的摊平(Flattening)处理    *罗吉斯回归的权重调整    *罗吉斯回归的字段选择方式(Forward, Backward, Stepwise, …)    *支持向量机(Support Vector Machine)原理    *支持向量机与类神经网络, 罗吉斯回归, 线性回归, 非线性回归间的关系       (1)糖尿病预测案例    (2)电信客户流失案例
聚类技术(Clustering Techniques) – K-Means, Kohonen SOM, Two-Step	*聚类原理    *距离的计算方法：Simple Matching Coefficient, Jaccard  Coefficient, City Block Distance, Euclidean Distance    *聚类方法的分类：Exclusive Clustering &  Non-Exclusive (Overlapping) Clustering    *Exclusive  Clustering方法的分类：Hierarchical  Methods & Partitioning Methods    *Partitioning  Methods原理：K-Means,  Kohonen SOM, Two-Step       (1)银行客户聚类(Customer Segmentation)及营销活动设计案例    (2)鸢尾花案例
关联规则及序列型样技术(Association Rules &  Sequential Patterns Techniques) – Apriori &  AprioriAll	*关联规则及序列型样原理    *支持度(Support)及信赖度(Confidence)的计算方式    *关联规则方法：Apriori原理    *产品相关性分析    *虚拟产品(Virtual Items)于关联规则上的应用    *大数据下的关联规则挖掘    *序列型样方法：AprioriAll原理       (1)  零售购物篮分析案例    (2)  零售向上销售(Up-Selling)案例
WEKA处理大数据及与其他系统的链接	*WEKA能接受的数据量测试    *大数据处理的数个解决    *WEKA的大数据解决方案    *那些算法可以处理大数据    *Weka与其他系统的链接方式       (1)LED分析案例(5亿笔数据、5GB大小)    (2)Java实作与Weka的链接

【报名优惠】
（1）论坛的统计软件课程往期的现场班学员，9折优惠；
（2）同一单位3人以上报名，9折优惠；
（3）以上（1）（2）优惠不累计；
（4）课后赠送论坛币1000个（玩转论坛必备） 现在就报名！



【报名流程】
1. 网上提交报名信息；
2. 在线缴费：http://baoming.pinggu.org/paycenter.aspx
3. 给予反馈，确认报名信息；
4.开课前一周发送上课资料与软件；


【报名咨询】
电话: (010)68456523   
QQ：2881989712           2665954139
手机：13718534278（张老师）
         18010116775 （曹老师）   
邮箱：zhangwei@pinggu.org
          tr.service@pinggu.org

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：数据挖掘技术 数据挖掘 WEKA Partitioning Segmentation 财富管理 保险业 关键字 电信业 银行业