?
目標收益
本課程將圍繞大數據最本質的特點—智能化為主線，從大數據的產品思維、數據分析重要工具、數據挖掘核心技術等層面，從瀏覽型互聯網應用、社交網絡型互聯網應用等多角度多領域做實站案例講解。
該課程使學員：理解大數據基本概率、理解大數據產品設計思維、理解大數據基礎技術架構
掌握社交圖譜挖掘的一到兩個經典數據挖掘案例的解決方案
掌握社交好友推薦中一到兩個經典案例的解決方案
掌握如何搭建一個實用的推薦引擎的方法；
掌握數據挖掘的經典方法論：數據挖掘過程、模型評估標準等
側重掌握最普遍使用的分類預測技術的方法，輕松理解分類預測技術的重難點主題及一些新技術：模型優化的原理、Overfitting和Un
培訓對象
數據挖掘工程師、數據分析師、大數據工程師、算法專家、項目經理、技術經理、數據產品經理以及其他具有一定數據挖掘經驗的人員。
學員基礎
具有一定數據挖掘經驗的人員。
課程大綱
?
| 主題 |
內容 |
|
1.大數據時代概述
|
1.1 大數據解決的問題是什么？
1.2 大數據公司（部門）的都在做什么？
1.3 如何建立自己的大數據能力？
|
|
2.數據挖掘基礎及Weka 工具使用
|
2.1 數據挖掘過程與挖掘工具Weka使用實踐
2.2 數據挖掘模型評估方法
2.3 數據挖掘的模型評估指標
|
|
3. 如何研發大數據算法：以數據分類挖掘新技術為例
|
3.1 工業界應用舉例
3.2 分類挖掘原理探索：經典的單模型方法
3.3 分類學習根源問題的更好解決方案：多模型方法
3.4 多模型重要算法匯總
3.5 如何研發一個新的數據挖掘算法：案例講解
|
|
4.以大數據挖掘為中心的推薦引擎實戰
|
4.1 推薦引擎解決的問題
4.2 推薦系統歷史
4.3 通用推薦引擎基礎架構
4.4 社會化推薦引擎
4.5 社會化推薦引擎算法案例講解
|
|
5.以大數據為中心的社交網絡應用挖掘實戰
|
5.1 社交圖譜挖掘介紹
5.2 社交圖譜挖掘案例講解：好友親密度模型
5.3 社交圖譜挖掘案例講解：好友自動分組
|
|
6.以大數據為中心的瀏覽型和金融支付保險型互聯網應用的數據挖掘實戰
|
6.1 互聯網應用的分類
6.2 流量型應用中的大數據應用實例
|
|
7.學員問題解答
|
?
|
