你将获得
"1. 熟练掌握分类决策、关联关系挖掘等数据挖掘核心方法，筑牢数据挖掘基础。
2. 精通逻辑回归、XGBoost 等多种算法的应用，轻松解决实际业务问题。
3. 显著提升在采购、销售等业务场景中的数据挖掘实战能力，赋能业务决策。
4. 学会运用时间序列和运筹规划方法，有效应对复杂业务难题。"
课程介绍
本课程围绕 AI 数据挖掘展开，全面涵盖分类决策、关联关系挖掘、集成学习、时间序列决策及运筹规划等核心内容。在分类决策章节，深入讲解数据分类决策意义、BCG 矩阵划分，通过采购物料分类与决策、保险客户续保预测等案例，教授逻辑回归、决策树与随机森林等模型的构建及可解释性分析，还有评分卡模型的构建与应用。关联关系挖掘章节解析关联规则、支持度等概念，借助超市案例、BreadBasket 购物清单分析等，让学员掌握关联规则与相关性分析方法，并学会从销售数据中找到影响销售的关键因素。集成学习部分介绍集成学习概念、GBDT 原理及 XGBoost 等工具，通过男女声音识别、二手车价格预测等实战案例，提升学员在项目中运用机器学习神器的能力。时间序列决策章节讲解时间序列预测模型及 Facebook prophet 工具，结合沪市指数预测、资金流入流出预测等案例，培养学员时序预测能力。运筹规划章节介绍常见规划问题及相关工具，通过 Santa 接待安排、旅行商问题等案例，助力学员解决复杂场景下的规划难题。课程通过理论与实战结合，帮助学员全面掌握数据挖掘技能，有效应对各类实际业务挑战。
课程目录
" 第一章：分类决策
- 数据分类决策意义
- BCG 矩阵划分
- 案例: 采购物料分类与决策
- 构建分类器并对数据进行洞察
- 逻辑回归
- 决策树与随机森林
- 模型可解释性
- 评分卡模型
- 评分卡模型的构建
- WOE 与 IV 值计算
- 字段分箱
- 针对不同的分类制定不同的采购策略
- 案例：保险客户续保预测
- 数据可视化探索
- 构建续保预测模型
- 特征洞察：哪些用户更容易续保
- 构建续保分 (评分卡模型)
第二章：挖掘数据中的关联关系
1. 挖掘数据中的关联关系
- 超市如何预知高中生怀孕
- 什么是关联规则
- 支持度、置信度和提升度
- Apriori 算法
- BreadBasket：面包店购物清单的关联分析
- MovieLens：电影分类中的关联分析
- MovieActors：电影演员中的关联分析
- 关联规则与协同过滤的区别
- 关联规则中的最小支持度、最小置信度该如何确定
- 相关性分析
- 数据相关性分析
- 回归分析模型与使用
- 一元回归、多元回归、多项式回归
- 案例：股票相关性分析
案例：从销售数据中找到影响销售的主要原因
第三章：机器学习神器与应用
- 什么是集成学习
- GBDT 原理
- XGBoost、LightGBM、CatBoost
- 传统行业中使用最多的预测神器
- 如何在项目中使用机器学习神器
- 机器学习实战
- 案例：男女声音识别。
- 案例：员工离职预测。
- 案例：二手车价格预测 (特征工程、XGBoost 训练与调参、从模型中洞察特征重要性模型融合的原理与技巧)
第四章：时间序列决策
- 时间序列分析
- 什么是时间序列预测
- AR、MA、ARMA、ARIMA 模型
- 使用 ARMA/ARIMA 对沪 - 市指数进行预测
- 案例：对沪市指数走势进行预测
- 案例：资金流入流出预测
- 时间序列挖掘
- Facebook 时序分析工具 prophet
- 案例：页面流量预测
- 案例：交通流量预测
- 基于 Transformer 的时序预测
- Informer 与 FEDformer
- Al 大赛：资金流入流出预测
第五章：运筹规划
- 常见规划问题: 线性规划、整数规划、混合整数规划
- pulp 工具
- Google ortools
- 案例：Santa 的接待安排
- 复杂场景下的规划问题
- 案例：使用 Ortools 求解旅行商问题
- 案例：指定城市的旅行商 TSP
- 案例：多辆车的路径规划 VRP
- 案例：带有容量约束的 VRF
- 案例：带有时间窗口约束的 VRP
- 案例：带有指定拿起放下约束的 VRP"
查看更多
讲师
陈旸
清华大学计算机博士
看过的人还看了
