大數據挖掘與分析

內容概要

１．介紹ＳＰＳＳ　Ｍｏｄｅｌｅｒ數據挖掘軟件的功能和基本操作；

２．學習如何使用ＳＰＳＳ　Ｍｏｄｅｌｅｒ完成數據挖掘過程；

３．學習機器學習的常見技術，例如神經網絡、決策樹、聚類、關聯分析、回歸分析和社會網絡用戶情感分析等，并學習如何將它們應用到業務數據。

４．結合實際案例以及上機操作講解

培訓內容

１．　數據挖掘簡介

數據挖掘的概念

ＣＲＩＳＰ－ＤＭ方法論

ＳＰＳＳ　Ｍｏｄｅｌｅｒ　１８簡介

２．　數據理解

數據理解

缺失值定義

數據審核節點介紹

分布圖節點－－－－初步理解字符型字段的分

直方圖／統計節點－－－－初步理解數值型字段的分布

常用數據分析圖畫法

３．　ＳＰＳＳ　Ｍｏｄｅｌｅｒ分類技術

決策樹技術

Ｌｏｇｉｓｔｉｃｓ回歸

神經網絡

貝葉斯分類器

４．　ＳＰＳＳ　Ｍｏｄｅｌｅｒ細分技術

Ｋｏｈｏｎｅｎ網絡／兩步聚類／Ｋ－ｍｅａｎｓ

５．　ＳＰＳＳ　Ｍｏｄｅｌｅｒ關聯分析技術

常見的回歸分析Ｃａｒｍａ／Ａｐｒｉｏｒｉ

序列節點

６．　ＳＰＳＳ　Ｍｏｄｅｌｅｒ自動建模技術

自動聚類節點

自動分類節點

自動數值節點

７．　ＳＰＳＳ　Ｍｏｄｅｌｅｒ其他技術

線性回歸

特征選擇

支持向量機（ＳＶＭ）

主成分／因子分析

８．　ＳＰＳＳ　Ｍｏｄｅｌｅｒ模型評估技術

評估圖

分析節點

案例１：銀行客戶數據分析

以客戶信用記錄、消費歷史記錄數據為基礎，使用ＩＢＭ　ＳＰＳＳ　Ｍｏｄｅｌｅｒ，分析決定用戶信用等級的主要因素是什么？并給與解釋。信用額度和信用評分有何關系？給出欺詐的判斷模型。分析客戶人口屬性對銀行信貸和信用評分有無影響。分析逾期還款的客戶有什么特征？根據消費歷史分析各類客戶的特征。

案例２：大眾點評網的用戶偏好分析

到大眾點評網抓取多家火鍋店的店名、位置、點評條數、人均消費額、口味評分（均分）、環境評分（均分）、服務評分（均分）、點評的均分、有無團購、有無送外賣、有無訂座等數據（還可以采集標簽等數據），對火鍋店進行分類、找出每類火鍋店的特征，并分析點評均分與其他變量之間的關系。為新開設火鍋店選址提供指導；為用戶推薦火鍋店。

案例３：制造企業質量數據挖掘

本項目在中天耐熱導線工廠最近２年的質量管理數據的基礎上，分析了這些數據存在的問題，進行了大量的預處理，利用統計學、多維度分析、數據挖掘以及可視化等多種數據分析方法，以優化耐熱導線的制造過程。

案例４：電商客戶情感分析

通過抓取對典型電商客戶的評論，分析客戶對于某個商品多個維度的態度和情感傾向，以及客戶注重商品屬性所在，商品的賣點、不足以及同類商品競爭力對比。