课程大纲：

数据分析挖掘的课程

概述
数据挖掘研究方向
超大数据分析
文本/web数据挖掘
客户行为模式分析
常用分析工具
CRISP方法论
案例演练：一个案例学会数据分析方法论。
数据审核和数据清洗
有问题的数据将带来有问题的结果，因此在分析之前应该对数据进行质量的审核。
数据审核的目的
定性变量和定量变量的不同审核方法
数据审核的步骤
极端值和缺失值的发现
数据分布特征
数据清洗
缺失值处理策略
极端值处理策略
保持数据的一致性
实战案例
数据特征描绘
业务分析之时，发现数据的特征或者规律，是一个分析人员必备的技能，本节用图形化的方式，描绘数据中的特征和规律。
分布规律描述
直方图
箱体图
二维点图
QQ图
相关关系描述
散点图
矩阵图
对比分析
星状图
条形图
趋势分析
折线图
季节分解
异常值分析
发现数据当中的异常数据的方法。
SPSS异常值分析法
统计学基础概念
假设检验原理与应用
F检验
T检验
方差分析
因子分析和主成分分析
回归分析原理与应用
时间序列分析
预测技术可以使工作更具有前瞻性，本节介绍预测的概念和工具。
周期分析
新产品和老产品在时序上的不同
曲线估计和风险评估
ARIMA模型
聚类分析
客户细分是大数据时代*营销的先决条件，聚类分析算法有助于快速对数据进行聚类，找到*的客户分类方式。
聚类分析的用途
快速聚类
系统聚类
两步聚类
案例
分类算法
分类算法的用途很多，以数据库营销的概念为例：传统针对所有客户的群体推送带来成本过高，效率偏低的问题。分类算法的优点在于通过精准的客户定位，提升内容推送的精准度，减少对客户的骚扰，降低成本，缩短时间，提升企业利润。
概述
不同的决策树算法
CHAID
CRT
Logistic回归
案例解析

数据分析挖掘的课程