SPSS Modeler數(shù)據(jù)挖掘培訓(xùn)課程大綱
培訓(xùn)對象：
-
數(shù)據(jù)分析師/數(shù)據(jù)挖掘工程師
-
商業(yè)智能（BI）從業(yè)者
-
市場研究/金融風(fēng)控/客戶關(guān)系管理等業(yè)務(wù)分析人員
-
需要構(gòu)建預(yù)測模型的業(yè)務(wù)人員
-
零基礎(chǔ)但希望系統(tǒng)學(xué)習(xí)數(shù)據(jù)挖掘的職場人士
培訓(xùn)目標(biāo)：
使學(xué)員系統(tǒng)掌握數(shù)據(jù)挖掘的核心方法論與SPSS Modeler軟件的操作技能，理解CRISP-DM數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程；熟練運用SPSS Modeler進行數(shù)據(jù)讀取、理解、準(zhǔn)備與建模；掌握決策樹、神經(jīng)網(wǎng)絡(luò)、聚類分析、關(guān)聯(lián)規(guī)則等經(jīng)典挖掘算法的原理與應(yīng)用；具備獨立完成從業(yè)務(wù)理解、數(shù)據(jù)預(yù)處理、模型構(gòu)建到評估部署的完整數(shù)據(jù)挖掘項目能力。
培訓(xùn)內(nèi)容介紹：
-
數(shù)據(jù)挖掘與CRISP-DM方法論：數(shù)據(jù)挖掘的定義與產(chǎn)生背景；數(shù)據(jù)庫中的知識發(fā)現(xiàn)（KDD）過程；CRISP-DM標(biāo)準(zhǔn)方法論詳解（業(yè)務(wù)理解→數(shù)據(jù)理解→數(shù)據(jù)準(zhǔn)備→建模→評估→部署）；數(shù)據(jù)挖掘的主要任務(wù)（分類/回歸/聚類/關(guān)聯(lián)規(guī)則）；SPSS Modeler軟件概述與數(shù)據(jù)流概念；SPSS Modeler窗口界面與基本管理；可視化編程機制與節(jié)點操作基礎(chǔ)。
-
數(shù)據(jù)讀取與集成：SPSS Modeler支持的數(shù)據(jù)格式（文本文件/Excel/SPSS sav/數(shù)據(jù)庫）；讀自由格式文本文件與固定格式文件；讀取Excel電子表格數(shù)據(jù)；連接數(shù)據(jù)庫（ODBC）與讀取SQL數(shù)據(jù)；數(shù)據(jù)縱向合并（追加節(jié)點）操作；數(shù)據(jù)橫向合并（合并節(jié)點）操作；數(shù)據(jù)源替換與更新；多數(shù)據(jù)源整合實踐。
-
數(shù)據(jù)理解與質(zhì)量評估：變量類型從數(shù)據(jù)挖掘視角（名義/有序/連續(xù)）與計算機存儲視角的區(qū)分；變量測量級別與字段角色設(shè)置；數(shù)據(jù)審核節(jié)點（Data Audit）生成數(shù)據(jù)質(zhì)量報告；缺失值定義與處理策略；無效值識別與調(diào)整；分布圖節(jié)點分析字符型字段分布；直方圖與統(tǒng)計節(jié)點分析數(shù)值型字段分布；數(shù)據(jù)質(zhì)量管理實踐。
-
數(shù)據(jù)準(zhǔn)備與變換：CLEM表達式語言基礎(chǔ)與語法；選擇節(jié)點實現(xiàn)條件篩選（Select）；過濾節(jié)點剔除無關(guān)變量（Filter）；導(dǎo)出節(jié)點計算新變量（Derive）；變量值重新分類與分箱（Reclassify/Binning）；隨機抽樣與條件選取樣本；樣本平衡處理（針對不平衡分類問題）；訓(xùn)練集與測試集劃分（分區(qū)節(jié)點）；數(shù)據(jù)標(biāo)準(zhǔn)化與派生啞變量。
-
數(shù)據(jù)探索與關(guān)系發(fā)現(xiàn)：數(shù)值型變量的描述統(tǒng)計量計算；散點圖與線圖繪制（分析節(jié)點）；兩分類型變量相關(guān)性分析（矩陣節(jié)點/網(wǎng)絡(luò)圖節(jié)點）；交叉表與卡方檢驗；兩總體均值比較（獨立樣本t檢驗/配對t檢驗）；RFM分析原理與RFM匯總節(jié)點；計算RFM得分與客戶價值分層。
-
數(shù)據(jù)精簡與特征選擇：變量值離散化處理（無監(jiān)督分組/有監(jiān)督分組）；特征選擇節(jié)點（Feature Selection）篩選重要預(yù)測變量；因子分析（Factor Analysis）原理（降維/信息濃縮）；因子提取與因子載荷矩陣求解；因子旋轉(zhuǎn)與因子得分計算；主成分分析（PCA）與因子分析對比；特征選擇在建模前的應(yīng)用。
-
決策樹模型系列：決策樹算法概述（C5.0/C&RT/CHAID/QUEST）；信息熵與信息增益原理；C5.0決策樹生長與剪枝算法；C5.0推理規(guī)則集生成；損失矩陣與錯分成本設(shè)置；N折交叉驗證與Boosting技術(shù)；分類回歸樹（C&RT）生長與剪枝過程；CHAID算法（卡方自動交互檢測）；QUEST算法特點；模型對比與評估（誤差對比/收益圖/lift圖）。
-
人工神經(jīng)網(wǎng)絡(luò)模型：人工神經(jīng)網(wǎng)絡(luò)概念與種類；神經(jīng)元結(jié)構(gòu)與激活函數(shù)；多層感知機（MLP）與B-P反向傳播網(wǎng)絡(luò)原理；網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置（隱含層數(shù)/節(jié)點數(shù)/學(xué)習(xí)率）；過擬合問題與早停策略；神經(jīng)網(wǎng)絡(luò)建模實踐；模型結(jié)果解讀與變量重要性分析。
-
其他分類與回歸模型：Logistic回歸原理與適用場景；二元Logistic回歸建模；判別分析原理與應(yīng)用；支持向量機（SVM）核心思想（間隔最大化/核函數(shù)）；SVM參數(shù)設(shè)置與調(diào)優(yōu)；線性回歸與Cox回歸；自動分類節(jié)點（Auto Classifier）自動比較多種分類算法。
-
聚類與關(guān)聯(lián)分析：聚類算法概述（K-Means/兩步聚類/Kohonen網(wǎng)絡(luò)）；K-Means聚類原理與K值選擇；兩步聚類自動確定聚類數(shù)；聚類結(jié)果解讀與輪廓系數(shù)；關(guān)聯(lián)規(guī)則基本概念（支持度/置信度/提升度）；Apriori算法原理與參數(shù)設(shè)置；序列檢測節(jié)點（Sequence）分析時序關(guān)聯(lián)規(guī)則；購物籃分析與商品捆綁策略。
-
模型評估與部署：模型評估指標(biāo)（準(zhǔn)確率/召回率/精確率/F1值）；評估圖節(jié)點（Evaluation Chart）繪制提升圖與響應(yīng)圖；分析節(jié)點（Analysis）生成模型評估報告；混淆矩陣與誤差分析；過擬合與欠擬合識別；模型評分（Score）對新數(shù)據(jù)進行預(yù)測；導(dǎo)出預(yù)測結(jié)果（平面文件/數(shù)據(jù)庫）；模型部署與更新策略。
-
綜合實戰(zhàn)：完整數(shù)據(jù)挖掘項目：以電信客戶流失預(yù)測/銀行信用評分/零售購物籃分析等真實場景為背景，完成完整數(shù)據(jù)挖掘項目全流程：業(yè)務(wù)理解與目標(biāo)定義→數(shù)據(jù)讀取與集成→數(shù)據(jù)探索與質(zhì)量評估→數(shù)據(jù)清洗與特征工程→訓(xùn)練/測試集劃分→多模型構(gòu)建（決策樹/神經(jīng)網(wǎng)絡(luò)/Logistic回歸）→模型比較與評估→最優(yōu)模型選擇→新數(shù)據(jù)評分預(yù)測→結(jié)果導(dǎo)出與報告撰寫。
如果您想學(xué)習(xí)本課程，請
預(yù)約報名
如果沒找到合適的課程或有特殊培訓(xùn)需求，請
訂制培訓(xùn)
除培訓(xùn)外，同時提供相關(guān)技術(shù)咨詢與技術(shù)支持服務(wù)，有需求請發(fā)需求表到郵箱soft@info-soft.cn,或致電4007991916
技術(shù)服務(wù)需求表點擊在線申請
服務(wù)特點：
海量專家資源，精準(zhǔn)匹配相關(guān)行業(yè)，相關(guān)項目專家，針對實際需求，顧問式咨詢，互動式授課，案例教學(xué)，小班授課，實際項目演示，快捷高效，省時省力省錢。
專家力量：
中國科學(xué)院軟件研究所，計算研究所高級研究人員
oracle,微軟，vmware，MSC,Ansys，candence,Altium,達索等大型公司高級工程師，項目經(jīng)理，技術(shù)支持專家
中科信軟培訓(xùn)中心，資深專家或講師
大多名牌大學(xué)，碩士以上學(xué)歷，相關(guān)技術(shù)專業(yè)，理論素養(yǎng)豐富
多年實際項目經(jīng)歷，大型項目實戰(zhàn)案例，熱情，樂于技術(shù)分享
針對客戶實際需求，案例教學(xué)，互動式溝通，學(xué)有所獲
