• 數(shù)據(jù)分析基本概念
• 數(shù)據(jù)分析算法
• 數(shù)據(jù)分析工具
• 數(shù)據(jù)分析流程
• 數(shù)據(jù)分析范疇
• 數(shù)據(jù)挖掘基本概念
• 數(shù)據(jù)挖掘模型
• 數(shù)據(jù)挖掘目標(biāo)
• 數(shù)據(jù)挖掘數(shù)據(jù)質(zhì)量
• 數(shù)據(jù)挖掘的9大定律
• 數(shù)據(jù)挖掘發(fā)展趨勢(shì)

• 什么是R語(yǔ)言，R語(yǔ)言的特點(diǎn)
• R語(yǔ)言主要的模塊、語(yǔ)言包
• R語(yǔ)言安裝環(huán)境
• R語(yǔ)言與與Hadoop、Hive的對(duì)接

• Spark的速度為什么如此的快？
• Spark 生態(tài)系統(tǒng)
• Spark的架構(gòu)設(shè)計(jì)剖析
• RDD計(jì)算流程解析
• Spark的出色容錯(cuò)機(jī)制
• Spark分布式架構(gòu)與單機(jī)多核架構(gòu)的異同
• Spark的企業(yè)級(jí)應(yīng)用

• 機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)
• 圖計(jì)算基礎(chǔ)知識(shí)
• Spark，MLlib，以及GraphX的操作示
• 廣義線性模型
• SVM
• 聚類算法
• 圖計(jì)算模型
• 決策樹(shù)與組合學(xué)習(xí)
• 器學(xué)習(xí)算法評(píng)測(cè)
• 評(píng)測(cè)方法
• Cross validation與Grid Search
• MLlib中的實(shí)現(xiàn)
• 在線、離線測(cè)評(píng)方法

• SparkR 項(xiàng)目介紹
• SparkR HelloWord
• SparkR API 介紹
• SparkR與DataFrame的架構(gòu)分析
• SparkR軟件棧
• SparkR編程指南

• Logistic回歸是商業(yè)建模的常用重要數(shù)據(jù)挖掘方法，本講要講清楚Logistic回歸的建模原理、與多元線性模型的區(qū)別、R語(yǔ)言實(shí)現(xiàn)過(guò)程及回歸診斷注意事項(xiàng)、預(yù)測(cè)方法和結(jié)果解釋，讓學(xué)員徹底地掌握Logistic回歸解決問(wèn)題的R語(yǔ)言方法。
• 主要案例：
• 案例1：利用Logistic回歸幫助公司分析客戶流失的原因并做好預(yù)測(cè)。

?

• 關(guān)聯(lián)規(guī)則（著名的“啤酒和尿布”）是數(shù)據(jù)挖掘的基礎(chǔ)和核心技術(shù)之一，本講將著重圍繞經(jīng)典的Apriori算法和eclat算法，闡明關(guān)聯(lián)規(guī)則的支持、置信和提升程度與控制，使用R語(yǔ)言快速完成關(guān)聯(lián)規(guī)則分析。
• 主要案例：
• 案例1：使用R語(yǔ)言關(guān)聯(lián)規(guī)則方法幫助各個(gè)超市實(shí)現(xiàn)商品的最佳捆綁銷售方案（即“購(gòu)物籃”分析）；

• 決策樹(shù)是數(shù)據(jù)挖掘的經(jīng)典方法，其原理容易被理解。本講主要講授兩種最為普遍的決策樹(shù)算法：CART和C4.5算法，使用rpart和J48函數(shù)進(jìn)行R語(yǔ)言分析。
• 主要案例：
• 案例2：使用決策樹(shù)幫助電信局判斷和預(yù)測(cè)客戶辦理寬帶業(yè)務(wù)。

• 在機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類器，本講講清隨機(jī)森林方法的原理，以致在實(shí)際中幫助學(xué)員判斷適合進(jìn)行隨機(jī)森林分析的情況，最終熟練掌握R語(yǔ)言隨機(jī)森林分析的方法。
• 主要案例：
• 案例1：對(duì)皮膚病進(jìn)行隨機(jī)森林的分類和預(yù)測(cè)；
• 案例2：對(duì)酒的品質(zhì)和種類進(jìn)行分類和評(píng)價(jià)。

• 本講將分析支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小原理、間隔和核函數(shù)，從而幫助學(xué)員深刻理解支持向量機(jī)的思想和算法，以及使用中注意的問(wèn)題，從而幫助學(xué)員靈活地應(yīng)用于各個(gè)領(lǐng)域。
• 主要案例：
• 案例1：使用支持向量機(jī)進(jìn)行股票指數(shù)預(yù)測(cè)。

• 神經(jīng)網(wǎng)絡(luò)由大量的節(jié)點(diǎn)和輸出函數(shù)構(gòu)成邏輯策略，本講介紹其原理，主要通過(guò)案例的方式講解R語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)算法的過(guò)程和注意的事項(xiàng)。
• 主要案例：
• 案例1：酒的品質(zhì)和種類的神經(jīng)網(wǎng)絡(luò)的分析和預(yù)測(cè)；
• 案例2：公司財(cái)務(wù)預(yù)警建模。

• 文本挖掘，特別是對(duì)中文的文本挖掘日趨重要。本講介紹文本挖掘的原理和方法，幫助大家使用R語(yǔ)言在大量的非結(jié)構(gòu)化的數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的信息，抽取潛在有用的數(shù)據(jù)，發(fā)現(xiàn)適合模式，實(shí)現(xiàn)可視化結(jié)果展示。
• 主要案例：
• 案例：使用R語(yǔ)言結(jié)合KNN算法對(duì)網(wǎng)頁(yè)（Web）進(jìn)行文本挖掘（含分詞、分類、可視化等）?