供应链数据挖掘
一、 课程简介
供应链数据挖掘课程通过融入数据分析挖掘方法、数据采集、数据处理、特征分析、数据模型构建、模型训练验证等,实现供应链数据思维和能力的训练。通过本课程的理论学习与动手实操,可以提升学生运用数据、数据挖掘工具、机器学习方法和技术解决企业供应链设计规划和运营中的实际问题的能力。
二、 课程目标
通过技能训练和综合应用实践,帮助学生全面系统的掌握供应链数据挖掘基本方法和基本内容,熟悉供应链数据挖掘流程及流程运行过程中的方法和所需的各种要素,了解数据挖掘概念,掌握数据挖掘建模的基本操作要领,理解分类预测、回归预测、聚类分析、关联规则等问题,使学生拥有团队意识和职业精神,具备支撑专业学习能力、独立思考和主动探究能力,全面提升学生的供应链数据分析与建模能力。
通过本课程的学习,可以帮助大家培养数据思维,掌握供应链数据挖掘技能,成为一名懂业务、会分析、熟工具的供应链数据分析师。
三、 课程结构
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 | 重点: | 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 | 重点: | 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 | 重点: | 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 | 重点: | 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 | 重点: | 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 | 重点: | 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 |