?
大數據高級實戰研修：深入大數據智能分析和挖掘產品和技術培訓課程
目標收益
本課程將圍繞大數據最本質的特點—智能化為主線，從大數據的產品思維、數據分析重要工具、數據挖掘核心技術等層面深入講述
數據挖掘的高階話題，包括有偏數據挖掘、數據流挖掘、在線學習、高級數據預處理技術等。同時課程案例豐富，重點從社交網絡圖譜挖掘、推薦引擎等做實站案例講解。該課程使學員：
理解大數據基本概率、理解大數據產品設計思維、理解大數據基礎技術架構
掌握社交圖譜挖掘的一到兩個經典數據挖掘案例的解決方案
掌握社交好友推薦中一到兩個經典案例的解決方案
掌握如何搭建一個實用的推薦引擎的方法；
掌握數據挖掘的經典方法論：數據挖掘過程、模型評估標準等
側重掌握最普遍使用的分類預測技術的方法，
培訓對象
重點面向產品和技術人員，包括數據挖掘工程師、數據分析師、大數據工程師、算法專家、項目經理、技術經理、數據產品經理以及其他具有一定數據挖掘經驗的人員。
課程大綱
?
| 主題 |
內容 |
|
1.大數據時代概述
|
1.1 大數據解決的問題是什么？
1.2 大數據公司（部門）的都在做什么？
1.3 如何建立自己的大數據能力？
|
|
2.數據挖掘過程和實用工具使用
|
2.1 數據挖掘過程的方法及其思想介紹
2.2 挖掘工具Weka使用實踐
|
|
3.深入分類挖掘新技術
|
3.1 產業實戰中如何研發一個新的數據挖掘算法
3.2 機器學習算法理論深入
3.3 常用多模型算法詳解
3.4 Dynamic Data Mining（DDM）：分而治之的多模型框架研發過程
3.5 模型評估高級話題
|
|
4.深入常用實戰數據預處理與有偏挖掘技術
|
4.1 有偏數據挖掘
4.2 高級數據預處理實戰策略
|
|
5.深入在線學習與數據流挖掘
|
5.1 在線數據流挖掘基本概念
5.2 數據流挖掘的關鍵挑戰
5.3 兩類經典在線流挖掘算法匯總
5.4 進階：有偏在線數據流挖掘的解決方案
5.5 在線數據流挖掘總結
|
|
6.深入社交圖譜及推薦引擎實戰
|
6.1 推薦引擎解決的問題
6.2 推薦系統歷史
6.3 通用推薦引擎基礎架構
6.4 社會化推薦引擎
6.5 社會化推薦引擎算法案例講解
6.6 社交圖譜挖掘介紹
6.7 社交圖譜挖掘案例講解：好友親密度模型
6.8 社交圖譜挖掘案例講解：好友自動分組
|
?
