上海敏捷算法建模訓(xùn)練營(yíng)周末培訓(xùn)班 2023-09-27 18:10:22
引領(lǐng)數(shù)智賦能，精通模型應(yīng)用
在數(shù)字經(jīng)濟(jì)時(shí)代，利用數(shù)字化知識(shí)可以使企業(yè)擺脫單一供給，本課程將會(huì)從企業(yè)的角度出發(fā)講解不同階段數(shù)據(jù)應(yīng)用的建設(shè)思路。同時(shí)，從找出問(wèn)題→確定問(wèn)題→數(shù)據(jù)清洗→數(shù)據(jù)建?！鷶?shù)據(jù)驗(yàn)證到挖掘出有價(jià)值的數(shù)據(jù)分析思路，并確認(rèn)適合企業(yè)的解決方案。讓學(xué)員掌握可落地、易操作的數(shù)據(jù)科學(xué)思維和技術(shù)模板構(gòu)建出優(yōu)秀模型。
涵蓋常用工具，完善技術(shù)精進(jìn)
課程中涵蓋了Sklearn、LightGBM、NLP、PyTorch、Transformer等常用工具的應(yīng)用實(shí)現(xiàn)，并根據(jù)輸出的結(jié)果分析業(yè)務(wù)需求，為進(jìn)行合理、有效的策略優(yōu)化提供數(shù)據(jù)支撐。在課程學(xué)習(xí)中以問(wèn)題為導(dǎo)向，加強(qiáng)知識(shí)點(diǎn)的理解和應(yīng)用，提高學(xué)員面對(duì)復(fù)雜問(wèn)題的思考能力。聚焦策略分析技術(shù)及企業(yè)常用的分類、NLP、深度學(xué)習(xí)、特征工程等數(shù)據(jù)算法，只教實(shí)用干貨，以專精技術(shù)能力提升業(yè)務(wù)效果與效率。
玩轉(zhuǎn)案例實(shí)戰(zhàn)，直通企業(yè)
課程涉及大量企業(yè)項(xiàng)目案例：精準(zhǔn)營(yíng)銷預(yù)測(cè)、營(yíng)銷策略優(yōu)化、客戶行為分析、風(fēng)險(xiǎn)管理、客戶管理、智能推薦、情感分析、反欺詐等，加持實(shí)戰(zhàn)經(jīng)驗(yàn)，為學(xué)員進(jìn)入名企提供項(xiàng)目背書(shū)。對(duì)數(shù)據(jù)科學(xué)崗位認(rèn)知程度比較淺的學(xué)員，可在職業(yè)規(guī)劃團(tuán)隊(duì)老師的幫助下選擇適合學(xué)員的職業(yè)發(fā)展路線。進(jìn)一步從職場(chǎng)綜合能力要求出發(fā)，通過(guò)經(jīng)驗(yàn)賦能快速提升崗位匹配度。
在職提升人群
.算法建模少想獲得最優(yōu)策略算法的人員
.工作經(jīng)驗(yàn)少想提升數(shù)據(jù)挖掘技能的人員
.業(yè)余時(shí)間多想提高數(shù)據(jù)思維能力的人員
在職提升和轉(zhuǎn)崗人群
.工作任務(wù)重想提高工作效率的財(cái)務(wù)、市場(chǎng)等人員
.競(jìng)爭(zhēng)壓力大想突破職業(yè)瓶頸的產(chǎn)品、運(yùn)營(yíng)等人員
.行業(yè)挑戰(zhàn)多想提升戰(zhàn)略思維的決策、管理等人員
轉(zhuǎn)行數(shù)據(jù)分析人群
.自學(xué)難度大想零基礎(chǔ)快速入門(mén)的人員
，升職加薪難想要跳槽大幅漲薪的人員
.行業(yè)不景氣想進(jìn)新興數(shù)據(jù)行業(yè)的人員
CDA報(bào)考人群
.報(bào)名參加CDA Level|等級(jí)考試的考生
.報(bào)名參加CDA Level II等級(jí)考試的考生
.報(bào)名參加CDA Level II等級(jí)考試的考生
| 細(xì)分課程 | 周 | 日 | 內(nèi)容 | 詳細(xì)內(nèi)容 |
|
預(yù)習(xí)課 （錄播） |
|
|
數(shù)據(jù)庫(kù)SQL |
1. 數(shù)據(jù)庫(kù)基本概念 2. DDL數(shù)據(jù)定義語(yǔ)言 3. DML數(shù)據(jù)操作語(yǔ)言 4. 單表查詢 5. 多表查詢 6. Python連接SQL |
| Python編程基礎(chǔ) |
1. Python標(biāo)準(zhǔn)數(shù)據(jù)類型 2. 控制流語(yǔ)句 3. 自定義函數(shù) 4. 異常和錯(cuò)誤 5. 類與面向?qū)ο缶幊?br /> 6. Numpy數(shù)組操作 7. 用Python做數(shù)據(jù)分析，必會(huì)的庫(kù)Pandas 8. 用Pandas做數(shù)據(jù)清洗與數(shù)據(jù)探索 9. Python數(shù)據(jù)可視化庫(kù)（Matplotlib，Seaborn） |
|||
| 數(shù)學(xué)與統(tǒng)計(jì)學(xué)基礎(chǔ) |
1. 線性代數(shù) 2. 微積分 3. 描述性統(tǒng)計(jì) 4. 參數(shù)估計(jì) 5. 假設(shè)檢驗(yàn) 6. 相關(guān)分析 7. 卡方分析 8. 一元線性回歸理論推導(dǎo) |
|||
|
商業(yè)策略分析 (Level 2) |
第1周 | 周六 | SQL |
1. 數(shù)據(jù)庫(kù)MySQL語(yǔ)句與實(shí)戰(zhàn) 2. Python連接SQL數(shù)據(jù)庫(kù) 3. SQL使用案例 4. 零售電商多表分析案例 |
| 周日 | 指標(biāo)體系與統(tǒng)計(jì)分析可視化 |
1. 分析基礎(chǔ)-數(shù)據(jù)分析的概念、過(guò)程、能力 2. 指標(biāo)體系的意義與構(gòu)建 3. 常用指標(biāo)體系示例 4. 統(tǒng)計(jì)分析可視化 5. 企業(yè)經(jīng)營(yíng)分析-指標(biāo)體系 |
||
| 第2周 | 周六 | Pandas |
1. Python基礎(chǔ)與數(shù)據(jù)清洗可視化回顧 2. Python實(shí)操案例 3. 教育行業(yè)分析-學(xué)校學(xué)科教育可視化案例 4. 數(shù)據(jù)分析師崗位需求-lagou數(shù)據(jù)處理及分析案例 |
|
| 周日 | 方差分析，線性回歸 |
1. 方差分析 2. 線性回歸（模型的建立與估計(jì)） 3. 統(tǒng)計(jì)模型的檢驗(yàn) 4. 識(shí)別分析-用戶支出影響因素分析案例 |
||
| 第3周 | 周六 | 邏輯回歸，主成分分析 |
1. 邏輯回歸（模型的建立與估計(jì)） 2. 模型評(píng)估 3. 信息壓縮-主成分分析與因子分析（數(shù)據(jù)降維） 4. 成交分析-Talkingviews案例 5. 因子分析-城市發(fā)展水平綜合分析 |
|
| 周日 | 標(biāo)簽體系與用戶畫(huà)像 |
1. 標(biāo)簽體系的設(shè)計(jì)原理 2. 用戶標(biāo)簽的制作方法 3. 客群分析-標(biāo)簽體系與用戶畫(huà)像 4. 應(yīng)用用戶畫(huà)像-信用卡持卡用戶畫(huà)像實(shí)戰(zhàn)案例 |
||
| 第4周 | 周六 | 時(shí)間序列 |
1. 時(shí)間序列分析（ARIMA算法） 2. Box-Jenkins 建模流程 3. 時(shí)間序列回歸 4. 銷售額預(yù)測(cè)-線上平臺(tái)銷售額預(yù)測(cè)實(shí)戰(zhàn)案例 |
|
| 周日 | 聚類分析，決策樹(shù)應(yīng)用 |
1. 層次聚類 2. Kmeans聚類 3. 聚類分析評(píng)價(jià)方法-決策樹(shù)應(yīng)用 4. 用戶分群-金融行業(yè)運(yùn)營(yíng)案例 |
||
| 第5周 | 周六 | 數(shù)據(jù)采集與處理，特征工程基礎(chǔ) |
1. 數(shù)據(jù)采集（概率與非概率抽樣） 2. 數(shù)據(jù)處理方法（數(shù)據(jù)錄入，數(shù)據(jù)清洗，數(shù)據(jù)編碼） 3. 特征工程基礎(chǔ)（特征預(yù)處理，特征的選擇與轉(zhuǎn)換） |
|
| 周日 | 數(shù)字化工作方法，最優(yōu)化方法 |
1. 數(shù)字化工作方法 2. 運(yùn)籌優(yōu)化方法（線性規(guī)劃與二次優(yōu)化，基于業(yè)務(wù)流程的優(yōu)化） 3. 數(shù)字化運(yùn)營(yíng)綜合案例-某機(jī)構(gòu)營(yíng)銷響應(yīng)概率預(yù)測(cè)與風(fēng)險(xiǎn)預(yù)測(cè)案例 |
||
| 附加內(nèi)容 | 第6周 | 周六 | ETL數(shù)據(jù)接入與數(shù)倉(cāng) |
1. ETL基本概念與常用工具 2. 基于Python的ETL程序開(kāi)發(fā) 3. 定時(shí)執(zhí)行Python程序 4. ETL實(shí)戰(zhàn)項(xiàng)目 5. 數(shù)據(jù)接入策略與調(diào)度工具 |
|
機(jī)器學(xué)習(xí)與人工智能 (Level 3) |
周日 | 大數(shù)據(jù)平臺(tái)Spark，數(shù)據(jù)挖掘?qū)д? |
1. 分布式存儲(chǔ)與計(jì)算 2. Spark與Flink工作原理 3. Spark基本語(yǔ)法 4. 使用PySpark實(shí)現(xiàn)分布式計(jì)算 5. 數(shù)據(jù)挖掘?qū)д?br /> 6. 梯度下降 |
|
| 第7周 | 周六 | 決策樹(shù) |
1. 決策樹(shù)與信息熵 2. ID3, C4.5, CART樹(shù) 3. 模型調(diào)參：網(wǎng)格搜索 4. 決策樹(shù)的PySpark實(shí)現(xiàn) 5. 決策樹(shù)之欺詐識(shí)別案例 |
|
| 周日 | 正則回歸，Pipeline |
1. 正則項(xiàng)的理論基礎(chǔ) 2. 帶正則項(xiàng)的回歸 3. Pipeline工作流專題 4. 使用Pipeline提交算法模型 |
||
| 第8周 | 周六 | 關(guān)聯(lián)規(guī)則與協(xié)同過(guò)濾 |
1. 關(guān)聯(lián)規(guī)則（關(guān)聯(lián)規(guī)則的概念，評(píng)估指標(biāo)，Apriori算法） 2. 協(xié)同過(guò)濾 3. 大數(shù)據(jù)環(huán)境下的協(xié)同過(guò)濾實(shí)現(xiàn) 4. 產(chǎn)品組合策略-零售產(chǎn)品捆綁銷售策略分析案例 |
|
| 周日 | 集成算法基礎(chǔ) |
1. 集成學(xué)習(xí)的理論基礎(chǔ) 2. Bagging, Boosting, Stacking 3. AdaBoost 4. 隨機(jī)森林及其Spark實(shí)現(xiàn) 5. GBDT, XGBoost |
||
| 第9周 | 周六 | 爬蟲(chóng)，文本分析 |
1. 數(shù)據(jù)的爬?。╤ttp原理, requests應(yīng)用, HTML結(jié)構(gòu)及xpath應(yīng)用） 2, 非結(jié)構(gòu)化數(shù)據(jù)的加工處理 3. 文本數(shù)據(jù)處理之正則表達(dá)式 |
|
| 周日 | 機(jī)器學(xué)習(xí)進(jìn)階，人工智能基礎(chǔ) |
1. LightGBM, CatBoost 2. 數(shù)據(jù)不平衡問(wèn)題 3. 貝葉斯搜索調(diào)參 4. 貝葉斯調(diào)參python實(shí)踐 5. 人工智能基礎(chǔ) 6. caie網(wǎng)頁(yè)端使用 |
||
| 第10周 | 周六 | 人工智能之神經(jīng)網(wǎng)絡(luò) |
1. 深度神經(jīng)網(wǎng)絡(luò)基礎(chǔ)：感知器及多層感知器 2. 神經(jīng)網(wǎng)絡(luò)架構(gòu) 3. BP反向傳播算法 4. 梯度與學(xué)習(xí)率專題 5. 卷積神經(jīng)網(wǎng)絡(luò) 6. Pytorch框架與代碼實(shí)踐 7. 圖像分析-手寫(xiě)數(shù)字自動(dòng)識(shí)別 |
|
| 周日 | 聚類分析進(jìn)階與異常識(shí)別 |
1. 聚類分析進(jìn)階（密度聚類，高斯混合聚類，譜聚類） 2. 異常識(shí)別（孤立森林，局部異常因子） 3. 交易反欺詐-異常交易識(shí)別案例 |
||
| 第11周 | 周六 | 人工智能NLP之文本挖掘 |
1. 分詞與詞性標(biāo)注 2. 文本信息提取 3. 詞嵌入（CBOW與Skip-gram） 4. 構(gòu)建文本信息庫(kù) 5. 文本聚類算法 6. 文本分類算法與Pytorch實(shí)現(xiàn) |
|
| 周日 | 大型項(xiàng)目案例 | 實(shí)戰(zhàn)項(xiàng)目-金融風(fēng)控大型案例 | ||
| 第12周 | 周六 | 人工智能NLP之大語(yǔ)言模型LLM |
1. 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 2. 編碼器與遷移學(xué)習(xí) 3. 殘差網(wǎng)絡(luò)ResNet 4. 預(yù)訓(xùn)練框架Transformer 5. 大語(yǔ)言模型LLM技術(shù)架構(gòu)與訓(xùn)練方法 6. 開(kāi)源模型平臺(tái)與框架 7. Openai api之python代碼實(shí)踐 |
|
| 第13周 | 周六 | 大語(yǔ)言模型LLM前沿方法 |
1. 知識(shí)學(xué)習(xí) 2. GPT之Fine tuning 3. LLM的本地化部署 4. 本地化LLM的Fine tuning 5. Agent 6. 向量數(shù)據(jù)庫(kù)與知識(shí)庫(kù) 7. 人工智能NLP的前沿方向 |
|
| 選修課 |
|
|
選修課 |
1、互聯(lián)網(wǎng)數(shù)字化運(yùn)營(yíng)【18課時(shí)】 2、何為數(shù)據(jù)產(chǎn)品經(jīng)理？【1課時(shí)】 3、Python爬蟲(chóng)【15課時(shí)】 4、人工智能(深度學(xué)習(xí))實(shí)戰(zhàn)之圖像識(shí)別【6課時(shí)】 5、Tableau多維可視化分析【3課時(shí)】 6、SPSS統(tǒng)計(jì)分析【12課時(shí)】 |
