数字工业经济创新平台

课程章节

章节教学目标

重点难点

知识点名称

第一章：数据挖掘概述

1.理解数据挖掘的概念
2.理解分类预测的概念和过程
3.理解回归预测的概念和原理
4.理解聚类分析的原理和过程
5.理解关联规则的原理和过程

重点：
数据挖掘的概念及任务
难点：
数据挖掘任务的原理和过程

1.数据挖掘的概念和流程

2.分类预测的概念和分析过程

3.回归预测的概念和原理

4.聚类分析的概念和过程

5.关联规则的原理和过程

6.数据挖掘平台的运用

第二章：有监督学习

1.有监督学习中的分类预测任务和回归预测任务的区别
2.分类预测案例的模型构建
3..测案例的模型构建

重点：
分类预测和回归预测的区别和问题建模
难点：
1.分类预测案例的模型实现
2.回归预测案例的模型实现

1.泰坦尼克生还者预测的案例简介

2.泰坦尼克生还者预测的模型构建

3.波士顿房价预测的案例简介

4.波士顿房价预测的模型构建

第三章：无监督学习

1.无监督学习的聚类分析和关联规则任务概念
2.聚类分析的模型构建
3.关联规则的模型构建

重点：
聚类分析和关联规则的概念和问题建模
难点：
1.聚类分析案例的模型实现
2.关联规则案例的模型实现

1.鸢尾花品种聚类分析的案例简介

2.鸢尾花品种聚类分析的模型构建

3.购物篮分析的案例简介

4.购物篮分析的模型构建

第四章：特征工程

1.认识特征工程
2.数据处理的方法和操作
3.特征选择的方法和操作
4.维度压缩的方法和操作

重点：
1.特征工程的概念和方法
2.数据处理的方法分类
难点：
1.特征选择的方法
2.维度压缩的方法
3.数据处理的方法

1.认识特征工程

2.数据处理方法

3.特征选择方法

4.维度压缩方法

5.特征选择操作

6.数据处理操作

7.降维操作

第五章：基于RFM模型和K-means聚类的客户价值分析

1.数据获取及聚类数据预处理
2.RFM模型构建
3.K-means实现客户价值细分

重点：
1.RFM模型
2.K-means聚类算法
难点：
1.RFM模型的实现
2.K-means实现客户细分
3.客户群体结果分析

1.案例背景分析

2.供应链中的客户细分

3.RFM模型

4.数据标准化

5.K-means算法原理与实现

6.聚类可视化结果分析

第六章：基于关联规则的产品组合优化

1.供应链中的产品组合优化
2.频繁项集与关联规则
3.关联规则的测度指标
4.产品的关联规则发现
5.关联规则的结果解读

重点：
1.频繁项集与关联规则
2.产品的关联规则发现
难点：
1.关联规则的测度指标
2.关联结果的解读

1.案例背景分析

2.供应链中的产品组合优化

3.频繁项集与关联规则

4.关联规则的测度指标

5.产品的关联规则发现

6.模型调整及结果解读

供应链数据挖掘

供应链数据挖掘

供应链数据分析