|
互联网数据挖掘概览 |
- 互联网的数据挖掘典型需求
- 互联网数据采集的典型渠道
- 互联网数据存储特征
- 数据挖掘技术与工具
- 数据分析的工作模式
- 示例：数据挖掘在互联网行业中的应用
|
|
互联网相关的数据挖掘典型应用场景 |
- 数据流挖掘分析
- 文本挖掘分析
- 示例：文本数据流分析
- 位置分析
- 社交关系分析
- 互联网应用识别
- 个性化推荐介绍
|
|
数据分析与挖掘的流程 |
- 确定数据需求
- 设计数据挖掘模型
- 确定数据来源
- 收集并整理数据
- 选择数据挖掘算法
- 执行数据挖掘算法
- 数据分析结果评估与算法+数据优化
- 报告数据分析结果
|
|
数据需求分析 |
- 确定数据分析目标
- 围绕目标分解指标
- 把指标映射到已有的数据
- 确定对数据的要求
|
|
设计数据挖掘模型 |
- 确定数据源模型
- 确定数据挖掘结果模型
- 确定数据分析算法容器模型
- 建立从数据源到数据分析结果映射图
|
|
确定数据源 |
- 数据源存储空间标定
- 数据源逻辑模型分析
- 数据源抽取方法列表
- 数据源备份机制选择
- 数据源质量分析
|
|
收集并整理数据 |
- 数据整理需求明确
- 采用自动化方法整理数据
- 对不合规数据的特殊处理
- 间隙数据的补充
|
|
选择数据挖掘算法 |
- 典型数据挖掘算法列表
- 关联和相关分析
- 相关分析
- 关联规则分析
- 实例：使用相关及关联进行分析
- 聚类分析算法及应用
- 分类算法
- 用决策树进行分类
- 神经网络
- 实例：使用分类方法进行客户流失分析
- 回归分析与预测
- 示例：使用时间序列分析进行网络流量预测
|
|
数据挖掘工具原理与实践 |
- 典型数据挖掘工具列表
- 统计分析工具SPSS介绍（简要）
- 数据挖掘专用工具SPSS Clementine介绍
- 建模及模型评价过程
- 应用SPSS Clementine工具进行数据挖掘与分析
|
|
数据挖掘效果评估与优化 |
- 数据挖掘结果差异分析
- 差异原因定位
- 优化数据与算法
- 重新处理数据、算法分析
- 结果比对与确认
- 数据分析结果报告
|
