一、課程簡介
講師結(jié)合自己數(shù)據(jù)化運(yùn)營實(shí)踐中大量的項(xiàng)目經(jīng)驗(yàn)，用通俗易懂的“非技術(shù)”語言和大量活潑生動(dòng)的案例，圍繞數(shù)據(jù)分析挖掘中的思路、方法、技巧與應(yīng)用，全方位整理、總結(jié)、分享，幫助學(xué)員深刻領(lǐng)會(huì)和掌握“以業(yè)務(wù)為核心，以思路為重點(diǎn)，以分析技術(shù)為輔佐”的數(shù)據(jù)挖掘?qū)嵺`應(yīng)用。

二、培訓(xùn)時(shí)間
本次培訓(xùn)為期 2天，6小時(shí)/天，（可根據(jù)具體需求做調(diào)整）。

三、培訓(xùn)大綱
 

	模塊	內(nèi)容
第一單元	概率論與 數(shù)理統(tǒng)計(jì)基礎(chǔ)	數(shù)據(jù)分析方法概述：數(shù)據(jù)分析過程、數(shù)據(jù)分析的商業(yè)驅(qū)動(dòng) 概率論基礎(chǔ)：集合、概率、隨機(jī)變量、概率密度、公理化 變換和期望：隨機(jī)變量函數(shù)分布、矩、矩列唯一性 常見分布族：離散分布、連續(xù)分布、指數(shù)分布、中心極限定理、概率不等式 多維隨機(jī)變量：聯(lián)合分布與邊緣分布、多層模型與混合分布、二維變化、協(xié)方差與相關(guān)系數(shù) 隨機(jī)樣本的性質(zhì)：抽樣、樣本分布 數(shù)據(jù)簡化原理：似然函數(shù)、輔助函數(shù) 參數(shù)估計(jì)：點(diǎn)估計(jì)、區(qū)間估計(jì)、矩估計(jì)、貝葉斯估計(jì)、EM 算法 假設(shè)檢驗(yàn)：似然比檢驗(yàn)、貝葉斯檢驗(yàn)、最大功效檢驗(yàn)、置信區(qū)間、P 值、損失函數(shù) 漸進(jìn)評(píng)價(jià)：相合性、有效性、標(biāo)準(zhǔn)誤差、穩(wěn)健性、LTR 的漸進(jìn)分布、近似極大似然區(qū)間 方差分析和回歸分析：ANOVA 假設(shè)、簡單線性回歸與最小二乘 回歸模型：變量有誤差時(shí)的線性回歸、Logistic 回歸、穩(wěn)健回歸
第二單元	PYTHON 基礎(chǔ)	基礎(chǔ)知識(shí)：安裝配置、基礎(chǔ)語法等 數(shù)據(jù)可視化：數(shù)據(jù)可視化包介紹及圖像繪制 數(shù)據(jù)整理和數(shù)據(jù)清洗：Numpy 數(shù)組基礎(chǔ)；Pandas 對(duì)象基礎(chǔ)
第三單元	機(jī)器學(xué)習(xí)算法	scikit-learn 入門：Scikit-Learn 庫簡介 KNN-最近鄰分類算法：原理、實(shí)現(xiàn)、示例講解 決策樹算法：原理、實(shí)現(xiàn)、示例講解 隨機(jī)森林算法：原理、實(shí)現(xiàn)、示例講解 K-Means 聚類算法：原理、實(shí)現(xiàn)、示例講解 關(guān)聯(lián)規(guī)則算法：原理、實(shí)現(xiàn)、示例講解 線性回歸：原理、實(shí)現(xiàn)、示例講解 邏輯回歸：原理、實(shí)現(xiàn)、示例講解 SVM 支持向量機(jī)：原理、實(shí)現(xiàn)、示例講解 樸素貝葉斯算法：原理、實(shí)現(xiàn)、示例講解
第四單元	客戶生命周期案例	結(jié)合客戶生命周期案例，講解精準(zhǔn)營銷、銀行反欺詐、信用評(píng)分等內(nèi)容。