课程简介
聚焦真实业务场景下的数据分析与挖掘全流程能力构建。课程为期5天，采用“理论精讲+工具实操+项目驱动”的立体化教学模式。前1-2天，讲师系统讲解核心技术、常用算法应用场景与特征工程构建方法，结合案例剖析数据概况分析与需求拆解思路；后3-5天，学员从5个真实行业项目中任选其一，在讲师全程指导下完整走通需求分析、数据处理、模型建设、模型优化与成果汇报的实战闭环。课程依托Jupyter等主流工具，强调“做中学”，帮助学员将方法论转化为可交付成果，具备独立承担数据分析与挖掘项目的能力。
目标收益
培训对象
课程大纲
| Day1 数据分析和挖掘常用的工具 |
Jupyter工具介绍和使用 Numpy基本使用 Pandas基本使用 —数据加载与处理 —Pandas分组与合并 —Pandas时间序列 Matplotlib基本使用 Scikit-Learn基本 PySpark工具介绍 |
| Day2 常用数据挖掘算法介绍和实战 |
常用算法的应用场景介绍 聚类算法 —K-Means介绍 回归算法介绍和实战 —线性回归 —逻辑回归 决策树算法介绍和实战 随机森林算法介绍和实战 神经网络算法介绍和实操 贝叶斯算法介绍和实操 |
| Day2 数据特征工程构建 |
数据特征工程构建方法论 字典特征抽取 文本特征抽取CountVectorizer 中文文本特征抽取 文本特征抽取TfidfVevtorizer 数据预处理-归一化 数据预处理-标准化 主成分分析 |
|
Day3-Day5 学员分组选择实战项目实操 实战项目一：数据分析营销项目 |
一、数据概况分析 • 数据概况 • 数据清洗 二、单变量分析 • 观察样本0、1的平衡性 • 观察均值大小 • 可视化 三、相关性分析和可视化 四、逻辑回归模型的建立和评估 • 模型建立 • 模型评估 • 模型优化 五、业务价值 |
|
Day3-Day5 学员分组选择实战项目实操 项目实战二：用户消费行为数据分析项目 |
项目介绍和需求分析 数据介绍和数据导入 数据预处理 用户个体消费数据分析 用户消费行为数据分析 用户分层RFM模型 新用户、活跃用户、回流用户和用户流失分析 用户购买周期分析 用户生命周期分析 用户复购率分析 用户回购分析 用户营销和推荐分析 项目总结和报告撰写 |
|
Day3-Day5 学员分组选择实战项目实操 项目实战三：用户流失模型项目 |
项目介绍和需求分析 数据介绍和数据导入 流失模型构建 数据清洗和转换 空值和异常值处理 数据归一化 特征提取 特征的降维和升维 文本的数据化 决策树和随机森林介绍 模型特征工程构建 基于PySpark的用户流失模型开发 模型测试 |
|
Day3-Day5 学员分组选择实战项目实操 项目实战四：信用评估与信贷审批项目 |
业务场景分析 数据质量检查 数据特征工程构建 模型实战（逻辑模型、决策树模型、随机森林模型） 模型测试和优化 |
|
Day3-Day5 学员分组选择实战项目实操 项目实战五：信用卡消费数据分析和挖掘项目 |
消费能：月均消费额、月均消费标准差、单笔最大金额 活跃度：月均交易笔数、活跃天数 消费偏好：按商户类型（餐饮、购物、文旅等）计算消费金额占比 行为特征：夜间交易比例、周末消费比例、平均单笔金额 客户分群：识别高价值、潜力、低活跃、高风险客户，做差异化经营 营销优化：提升响应率、激活睡眠户、精准推荐产品 消费洞察：理解消费偏好、趋势，辅助产品和权益设计 |
|
Day1 数据分析和挖掘常用的工具 Jupyter工具介绍和使用 Numpy基本使用 Pandas基本使用 —数据加载与处理 —Pandas分组与合并 —Pandas时间序列 Matplotlib基本使用 Scikit-Learn基本 PySpark工具介绍 |
|
Day2 常用数据挖掘算法介绍和实战 常用算法的应用场景介绍 聚类算法 —K-Means介绍 回归算法介绍和实战 —线性回归 —逻辑回归 决策树算法介绍和实战 随机森林算法介绍和实战 神经网络算法介绍和实操 贝叶斯算法介绍和实操 |
|
Day2 数据特征工程构建 数据特征工程构建方法论 字典特征抽取 文本特征抽取CountVectorizer 中文文本特征抽取 文本特征抽取TfidfVevtorizer 数据预处理-归一化 数据预处理-标准化 主成分分析 |
|
Day3-Day5 学员分组选择实战项目实操 实战项目一：数据分析营销项目 一、数据概况分析 • 数据概况 • 数据清洗 二、单变量分析 • 观察样本0、1的平衡性 • 观察均值大小 • 可视化 三、相关性分析和可视化 四、逻辑回归模型的建立和评估 • 模型建立 • 模型评估 • 模型优化 五、业务价值 |
|
Day3-Day5 学员分组选择实战项目实操 项目实战二：用户消费行为数据分析项目 项目介绍和需求分析 数据介绍和数据导入 数据预处理 用户个体消费数据分析 用户消费行为数据分析 用户分层RFM模型 新用户、活跃用户、回流用户和用户流失分析 用户购买周期分析 用户生命周期分析 用户复购率分析 用户回购分析 用户营销和推荐分析 项目总结和报告撰写 |
|
Day3-Day5 学员分组选择实战项目实操 项目实战三：用户流失模型项目 项目介绍和需求分析 数据介绍和数据导入 流失模型构建 数据清洗和转换 空值和异常值处理 数据归一化 特征提取 特征的降维和升维 文本的数据化 决策树和随机森林介绍 模型特征工程构建 基于PySpark的用户流失模型开发 模型测试 |
|
Day3-Day5 学员分组选择实战项目实操 项目实战四：信用评估与信贷审批项目 业务场景分析 数据质量检查 数据特征工程构建 模型实战（逻辑模型、决策树模型、随机森林模型） 模型测试和优化 |
|
Day3-Day5 学员分组选择实战项目实操 项目实战五：信用卡消费数据分析和挖掘项目 消费能：月均消费额、月均消费标准差、单笔最大金额 活跃度：月均交易笔数、活跃天数 消费偏好：按商户类型（餐饮、购物、文旅等）计算消费金额占比 行为特征：夜间交易比例、周末消费比例、平均单笔金额 客户分群：识别高价值、潜力、低活跃、高风险客户，做差异化经营 营销优化：提升响应率、激活睡眠户、精准推荐产品 消费洞察：理解消费偏好、趋势，辅助产品和权益设计 |
近期公开课推荐