0.1 商业数据分析的本质立即播放
0.2 商业数据分析中心建设立即播放
0.3 商业数据分析的阶段与行业运用立即播放
0.4 商业数据分析在银行中的运用立即播放
0.5 商业数据挖掘通用方法论立即播放
0.6 课程安排立即播放
1.1.0 引言与课程介绍
1.1.1 Capital One的故事
1.1.2 风险管理的理解
1.1.3 巴塞尔协议介绍
1.1.4 三大类风险
1.1.5 信用评分卡类型
1.1.6 信用风险IT系统
1.2.1 数据挖掘方法分类
1.2.2 分类模型示例
1.3.1 R的身世和特点1
1.3.2 安装R和包
1.4 数据分析流程演示
1.5 参考资料讲解
2.1.1 R的基本数据类型
2.1.2 R的数据结构
2.1.3 R程序控制
2.1.4_1 R的函数与包
2.1.4_2 R的函数与包
2.1.5 R的时间与日期类型
2.1.6 在R中读取数据
2.2.1 背景介绍
2.2.2 数据库基础知识
2.2.3 数据介绍
2.3.1 SQL语句介绍
2.3.2 纵向连接表
2.3.3 横向连接表
3.1 描述性统计与探索型数据分析-1
3.1 描述性统计与探索型数据分析-2
3.2 APPLY函数族
3.3 制图原理-1
3.3 制图原理-2
3.4 R基础绘图包
3.5 GGPLOT2绘图
3.6 使用SQL进行汇总
3.7_1 使用描述性方法做贷款违约特征探索_1
3.7_2 使用描述性方法做贷款违约特征探索_2
3.7_3 使用描述性方法做贷款违约特征探索_3
4.1 FRM提取行为变量
4.2 数据重组
4.3 抽样知识
4.4.0 信息压缩(概述)
4.4.1 分类变量重编码（概化）
4.4.2 基于目标变量的转换-WOE
4.5.1 主成分分析
4.5.2_1 变量聚类
4.5.2_2 变量聚类
4.6 脏数据或数据不正确
4.7 数据重复
4.8 缺失值处理
4.9 噪声值处理
5.1 参数估计
5.2 假设检验与单样本T检验
5.3 两样本T检验
5.4 方差分析
5.5 相关分析
5.6 卡方检验
6.0 内容介绍
6.1 相关性分析
6.2.1 简单线性回归_1
6.2.1 简单线性回归_2
6.2.1 简单线性回归_3
6.2.2 模型解释
6.2.3 多元线性回归
6.2.4 多元线性回归的变量筛选
6.3.0 线性回归的诊断介绍
6.3.1 残差分析
6.3.2 强影响点分析
6.3.3 多重共线性分析
6.4 数值预测评估原理
6.5.0 正则化方法介绍
6.5.1 岭回归
6.5.2 LASSO算法
6.6 附录：估计方法
7.0 内容介绍
7.1 分类变量的相关关系
7.2 逻辑回归
7.3 模型评估_1决策类
7.3 模型评估_2排序类介绍
7.3 模型评估_3ROC
7.3 模型评估_4其它排序类
7.3 模型评估_5R的实现
7.4 因果关系建模与取数逻辑
7.5 附录：逻辑回归估计方法
8.1 决策树建模思路
8.2 决策树建模基本原理
8.3 Quinlan系列决策树建模原理_1
8.3 Quinlan系列决策树建模原理_2
8.4 CART决策树建模原理_1
8.4 CART决策树建模原理_2
8.5 模型修剪—以CART为例
8.7 组合算法与随机森林
8.8 汽车贷款违约的模式表述
9.0 前言
9.1 基本概念
9.2 人工神经网络结构
9.3 感知器与BP网络_1
9.3 感知器与BP网络_2
9.3 感知器与BP网络_3
9.3 感知器与BP网络_4
9.4 径向基神经网络_1
9.4 径向基神经网络_2
9.4 径向基神经网络_3
10.1.0 分类器的概念
10.1.1 KNN算法_1
10.1.1 KNN算法_2
10.1.2 朴素贝叶斯_1
10.2.1 支持向量机概述
10.2.2 支持向量机详述_1
10.2.2 支持向量机详述_2
10.2.2 支持向量机详述_3
11.1 基本概念
11.2 层次聚类_1
11.2 层次聚类_2
11.3.1 K-means聚类_1
11.3.1 K-means聚类_2
11.3.1 K-means聚类_3
11.3.2使用决策树做聚类后客户画像
12.1 广告推荐介绍
12.2 购物篮分析与运用_1
12.2 购物篮分析与运用_2
12.3 相关性在推荐中的运用
12.4.1 协同过滤介绍
12.4.2 基于物品的协同过滤
12.5 基于内容的推荐
12.6 附录：矩阵奇异值分解(SVD)在协同过滤中的运用
13.1 认识时间序列
13.2 简单时间序列分析法：平滑算法_1
13.2 简单时间序列分析法：平滑算法_2
13.2 简单时间序列分析法：平滑算法_3
13.2 简单时间序列分析法：平滑算法_4
13.3 平稳时间序列（ARMA）模型设定与识别_1
13.3 平稳时间序列（ARMA）模型设定与识别_2
13.3 平稳时间序列（ARMA）模型设定与识别_3
13.4 非平稳时间序列（ARIMA）模型_1
13.4 非平稳时间序列（ARIMA）模型_2
13.5 实际数据时间序列建模步骤_1
13.5 实际数据时间序列建模步骤_2
13.5 实际数据时间序列建模步骤_3
案例1.1 业务理解
案例1.2 数据理解
案例1.3.1 拒绝推断_1
案例1.3.1 拒绝推断_2
案例1.3.1 拒绝推断_3
案例1.3.2 变量粗筛
案例1.3.3 变量细筛与数据清洗_1
案例1.3.3 变量细筛与数据清洗_2
案例1.3.3 变量细筛与数据清洗_3
案例1.3.4 连续变量分箱WOE转换
案例1.4 建模与模型评估
案例1.5 模型监测
一、课程概述
1.本课程基于R语言，系统讲解如何将数据挖掘方法运用到信用风险建模、客户关系管理等领域，助力学员从零基础到掌握R数据分析挖掘应用。学校学习重方法，实际工作重流程。一个高质量的模型既要求预测能力强，又要求运行稳定；这要求建模人员不但通晓各种建模方法的性能，还要对业务及数据生成和采集过程有深入的了解。
2.本课程从基础开始讲解，直到行业实际运用，满足有志于从事商业分析建模工作人员的学习需求，适用于零基础或有相关基础的学员。
3. R语言轻巧实用、算法更新快，是数据科学从业者的最佳工具选择之一；同时，本课程基于丰富且实用的案例，直接面向运用提供解决方案，致力于学员能够学以致用。
4.案例包括但不限于：
--信用风险建模
--客户关系管理
--互联网数据分析挖掘
--客户价值预测
--精准营销
--流失预警
二、课程讲师
常国珍
CDA数据分析师讲师/北京大学商学博士
曾就职于亚信科技商业运营咨询部、方正国际金融事业部、德勤管理咨询信息技术系统咨询部，多家金融信息部门和金融高科技公司数据分析顾问。主要从事征信数据集与信用风险建模、客户价值提升等项目。擅长将基于个体行为分析的微观经济学研究范式与量化模型向结合的客户终身价值建模。
三、适用人群
1.想用R进行数据分析挖掘人员；
2.高校学生、老师；
3.从事/转行数据挖掘人员；
4.想系统学习算法与案例的从业者；
©2024Peixun.net 北京国富如荷网络科技有限公司 版权所有 未经许可 请勿转载
京ICP备11001960号-4
京公网安备 11010802034634号
邮件已发送！
已成功发送邮件到您注册的邮箱 请前往查询并点击链接重置密码
课程系列：
分享
收藏
扫码二维码
