课程简介
本课程主要介绍数据科学常用的技术、算法和应用案例。课程包括数据科学应用概述、平台架构、常见数据分析方法；数据挖掘常用的算法、模型及案例实践；大数据生态系统介绍等。
目标收益
通过本课程的学习，希望学员能够在了解和掌握数据科学相关理论的基础上，学会应用数据科学技术、算法、模型解决现实数据处理、分析、挖掘和应用落地等问题。
培训对象
数据分析、挖掘、开发等相关岗位从业者、初级入门者、欲转型数据工作者、欲了解大数据在行业中的应用现状和动态的管理者等等。
课程大纲
|
第1-2天 基础课程 1.数据科学概述 |
1）数据科学应用概述 2）大数据平台架构 3）大数据平台常规功能 |
| 2.数据挖掘算法与模型 |
1）数据挖掘概述与案例展示 2）聚类算法与案例实践 基于划分的聚类算法与案例实践 基于层次的聚类算法与案例实践 基于密度的聚类算法与案例实践 3）分类算法与案例实践 基础分类算法与案例实践 组合分类算法与案例实践 高级分类算法与案例实践 4）关联规则与案例实践 Apriori算法、FP-growth算法 关联规则分析案例实践 5）预测算法与案例实践 多元回归分析与案例实践 时间序列分析与案例实践 |
|
第3-4天 进阶课程 3.网络挖掘理论与实践 |
1）网络挖掘概念 2）网络挖掘常用算法 3）网络挖掘实践 |
| 4.文本挖掘与WEB挖掘 |
1）从数据挖掘到文本挖掘 2）文本特征表示与提取 3）文本挖掘常用方法 4） web挖掘概述 5）文本挖掘实践 |
| 5.推荐系统理论与实践 |
1）推荐系统概述 2）常见推荐方法与算法原理 3）推荐系统评测 4）推荐算法实践 |
| 6.大数据生态系统介绍 |
1）Hadoop生态系统介绍 2）Spark生态系统介绍 3）深度学习框架大比拼 |
|
第1-2天 基础课程 1.数据科学概述 1）数据科学应用概述 2）大数据平台架构 3）大数据平台常规功能 |
|
2.数据挖掘算法与模型 1）数据挖掘概述与案例展示 2）聚类算法与案例实践 基于划分的聚类算法与案例实践 基于层次的聚类算法与案例实践 基于密度的聚类算法与案例实践 3）分类算法与案例实践 基础分类算法与案例实践 组合分类算法与案例实践 高级分类算法与案例实践 4）关联规则与案例实践 Apriori算法、FP-growth算法 关联规则分析案例实践 5）预测算法与案例实践 多元回归分析与案例实践 时间序列分析与案例实践 |
|
第3-4天 进阶课程 3.网络挖掘理论与实践 1）网络挖掘概念 2）网络挖掘常用算法 3）网络挖掘实践 |
|
4.文本挖掘与WEB挖掘 1）从数据挖掘到文本挖掘 2）文本特征表示与提取 3）文本挖掘常用方法 4） web挖掘概述 5）文本挖掘实践 |
|
5.推荐系统理论与实践 1）推荐系统概述 2）常见推荐方法与算法原理 3）推荐系统评测 4）推荐算法实践 |
|
6.大数据生态系统介绍 1）Hadoop生态系统介绍 2）Spark生态系统介绍 3）深度学习框架大比拼 |
近期公开课推荐
