课程简介
当前，数据不仅是企业的核心资产和重要战略资源，也是重要的生产要素。数据资产已日益成为企业抢占未来发展主动权的前提和保障。国务院国资委在颁布的《关于加快推进国有企业数字化转型工作的通知》中强调要深入挖掘数据价值。用好数据，不仅能够帮助企业洞察市场变化和趋势，降低风险，还能提高决策效率，进一步提升企业核心竞争力。
本课程适用于企事业单位中、后台人员，包括风控建模、精准营销、综合算法建模等岗位人员。具备开展数据挖掘能力。
目标收益
1、证明掌握从事营销、风控等业务数据挖掘思路、分析技能、必备软件操作技能。
2、掌握数据挖掘的方法，能够构进行精准营销、信用风险、反欺诈等算法模型的构建。
培训对象
1、营销、风控、科技、数据部门的技术骨干人员
2、数据分析师、数据挖掘工程师、数据科学家等人员
课程大纲
|
第1天 1、数据挖掘基础 |
1.企业中数据分析的层级 2.数据挖掘方法论 3.数据挖掘的核心思维 4.算法建模的四个要素 5.算法模型分类介绍 6.数据挖掘落地场景框架 7.数据挖掘建模模型的评估 |
| 2、数据挖掘框架下再造回归算法 |
1.岭回归方法 2.LASSO回归算法 3.用Sklearn包实现以上回归算法的超参数调优 4.金融行业常用的几种广义回归模型 5.用线性回归做产品价值预测案例 6.用逻辑回归做保险精准营销案例 |
|
第2天 3、机器学习算法进阶 |
1. 决策树进阶精讲(分类树与回归树) 2. 欠拟合与过拟合专题 3. 模型训练与超参数搜索 4. 集成学习基础 5. 随机森林 6.某金融机构反欺诈建模案例 |
|
第3天 4、集成学习专题 |
1. XGBoost 2. LightGBM 3. 相关库的使用与参数说明 4. 进阶的超参数搜索方法(随机搜索，贝叶斯搜索等) 5. 数据类别不平衡专题 |
|
第4天 5、推荐算法、时间序列预测与特征工程 |
1. 推荐算法整体框架介绍 2. Apriori和FP-TREE算法及银行业应用案例 3. 时间序列ARIMA算法 4. 时间序列LSTM算法 5. 股票价格预测案例 6. 特征升维方法 7. 特征降维方法 8. 特征创新方法 |
|
第5天 6、异常识别算法与分类算法拓展 |
1.半监督学习KNN算法 2.贝叶斯生成式算法 3.局部异常因子和孤立森林算法 4.某金融机构反欺诈建模案例 5.支持向量机SVM算法 6.凸优化和SVM与GBDT公式推导 |
|
第6天 7、综合案例：信用评分卡构建全流程 |
1.使用LightGBM进行拒绝推断 2.特征筛选与WOE转化 3.特征降维 4.数据清洗 5.进行评分卡转换 6.模型评估：技术指标和业务指标 说明：使用toad或Scorecardpy包建立评分卡全流程，提供标准的信用评分卡制作模板 |
|
第1天 1、数据挖掘基础 1.企业中数据分析的层级 2.数据挖掘方法论 3.数据挖掘的核心思维 4.算法建模的四个要素 5.算法模型分类介绍 6.数据挖掘落地场景框架 7.数据挖掘建模模型的评估 |
|
2、数据挖掘框架下再造回归算法 1.岭回归方法 2.LASSO回归算法 3.用Sklearn包实现以上回归算法的超参数调优 4.金融行业常用的几种广义回归模型 5.用线性回归做产品价值预测案例 6.用逻辑回归做保险精准营销案例 |
|
第2天 3、机器学习算法进阶 1. 决策树进阶精讲(分类树与回归树) 2. 欠拟合与过拟合专题 3. 模型训练与超参数搜索 4. 集成学习基础 5. 随机森林 6.某金融机构反欺诈建模案例 |
|
第3天 4、集成学习专题 1. XGBoost 2. LightGBM 3. 相关库的使用与参数说明 4. 进阶的超参数搜索方法(随机搜索，贝叶斯搜索等) 5. 数据类别不平衡专题 |
|
第4天 5、推荐算法、时间序列预测与特征工程 1. 推荐算法整体框架介绍 2. Apriori和FP-TREE算法及银行业应用案例 3. 时间序列ARIMA算法 4. 时间序列LSTM算法 5. 股票价格预测案例 6. 特征升维方法 7. 特征降维方法 8. 特征创新方法 |
|
第5天 6、异常识别算法与分类算法拓展 1.半监督学习KNN算法 2.贝叶斯生成式算法 3.局部异常因子和孤立森林算法 4.某金融机构反欺诈建模案例 5.支持向量机SVM算法 6.凸优化和SVM与GBDT公式推导 |
|
第6天 7、综合案例：信用评分卡构建全流程 1.使用LightGBM进行拒绝推断 2.特征筛选与WOE转化 3.特征降维 4.数据清洗 5.进行评分卡转换 6.模型评估：技术指标和业务指标 说明：使用toad或Scorecardpy包建立评分卡全流程，提供标准的信用评分卡制作模板 |
近期公开课推荐
