R語(yǔ)言培訓(xùn)班 |
 班級(jí)規(guī)模及環(huán)境--熱線:4008699035 手機(jī):15921673576( 微信同號(hào)) |
| 每期人數(shù)限3到5人。 |
| 培訓(xùn)特點(diǎn) |
| 個(gè)性化、顧問(wèn)式培訓(xùn)，互動(dòng)式授課，針對(duì)實(shí)際需求，項(xiàng)目案例教學(xué)，實(shí)戰(zhàn)項(xiàng)目演示，超級(jí)精品小班。 |
| 培訓(xùn)講師 |
華為，中科院，上海貝爾，中興，Xilinx,Intel英特爾,TI德州儀器，NI公司，Cadence公司,Synopsys，IBM，Altera，Oracle，synopsys，微軟，飛思卡爾，等大型公司高級(jí)工程師，項(xiàng)目經(jīng)理，技術(shù)支持專家，曙海教育集團(tuán)，資深講師。 大多名牌大學(xué)，碩士以上學(xué)歷，相關(guān)技術(shù)專業(yè)，有豐富的理論素養(yǎng)，十多年實(shí)際項(xiàng)目經(jīng)歷，開發(fā)過(guò)多個(gè)大型項(xiàng)目，熱情，樂(lè)于技術(shù)分享。針對(duì)客戶實(shí)際需求，案例教學(xué)，邊講邊練，互動(dòng)式溝通，學(xué)有所獲。 |
| 開課時(shí)間和上課地點(diǎn) |
| 上課地點(diǎn)：【上海】：同濟(jì)大學(xué)(滬西)/新城金郡商務(wù)樓(11號(hào)線白銀路站) 【深圳分部】：電影大廈(地鐵一號(hào)線大劇院站)/深圳大學(xué)成教院 【北京分部】：北京中山學(xué)院/福鑫大樓 【南京分部】：金港大廈(和燕路) 【武漢分部】：佳源大廈（高新二路） 【成都分部】：領(lǐng)館區(qū)1號(hào)（中和大道） 【沈陽(yáng)分部】：沈陽(yáng)理工大學(xué)/六宅臻品 【鄭州分部】：鄭州大學(xué)/錦華大廈 【石家莊分部】：河北科技大學(xué)/瑞景大廈 【廣州分部】：廣糧大廈 【西安分部】：協(xié)同大廈 最近開課時(shí)間(周末班/連續(xù)班/晚班）：R語(yǔ)言培訓(xùn)班開班時(shí)間：2020年3月16日 |
| 實(shí)驗(yàn)設(shè)備和授課方式 |
☆資深工程師授課 |
| 最新優(yōu)惠 |
| ☆請(qǐng)咨詢客服。 |
| 質(zhì)量保障 |
1、培訓(xùn)過(guò)程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽； |
| 課程大綱 |
R語(yǔ)言培訓(xùn)班 |
第一階段 |
第1部分快速入門 |
第二階段 高級(jí)（一） |
一 R軟件及應(yīng)用統(tǒng)計(jì)方法 R軟件介紹：語(yǔ)言入門、用R編程、用R繪圖 R及統(tǒng)計(jì)互動(dòng)：基礎(chǔ)統(tǒng)計(jì) 經(jīng)典回歸分析（包括方差分析） 腳本編程 R繪圖 編寫函數(shù) 數(shù)據(jù)保存 二 現(xiàn)代回歸和分類（數(shù)據(jù)挖掘方法） 列聯(lián)表分析 聯(lián)規(guī)則分析（數(shù)據(jù)挖掘方法） 三 多層模型（隨機(jī)效應(yīng)混合模型、縱向數(shù)據(jù)、面板數(shù)據(jù)） 通過(guò)顧客滿意度模型引入路徑模型（圖模型）及其PLS偏最小二乘）方法 時(shí)間序列簡(jiǎn)介及狀態(tài)空間模型 多元分析 |
第三階段 高級(jí)（二） |
第一講：R語(yǔ)言精要 本著循序漸進(jìn)而又覆蓋R語(yǔ)言重要而有用的基本內(nèi)容原則，本講從R語(yǔ)言入門開始，以前期的數(shù)據(jù)處理為核心，以實(shí)際案例為載體，內(nèi)容包括R語(yǔ)言的向量、數(shù)據(jù)框、矩陣運(yùn)算、缺失值和零值的處理、特別注重用R語(yǔ)言構(gòu)造函數(shù)編程解決實(shí)際問(wèn)題。 案例1：如何用R語(yǔ)言plyr等包合并、排序、分析數(shù)據(jù)并編制香農(nóng)-威納指數(shù)； 案例2：如何用R語(yǔ)言編程同時(shí)實(shí)現(xiàn)幾十個(gè)高難度數(shù)據(jù)分析可視化圖片的jpeg格式輸出； 第二講：Logistic回歸與商業(yè)大數(shù)據(jù)建模 Logistic回歸是商業(yè)建模的常用重要數(shù)據(jù)挖掘方法，本講要講清楚Logistic回歸的建模原理、與多元線性模型的區(qū)別、R語(yǔ)言實(shí)現(xiàn)過(guò)程及回歸診斷注意事項(xiàng)、預(yù)測(cè)方法和結(jié)果解釋，讓學(xué)員徹底地掌握Logistic回歸解決問(wèn)題的R語(yǔ)言方法。 主要案例： ?案例1：利用Logistic回歸幫助商業(yè)銀行完成對(duì)客戶提前還貸款情況的預(yù)測(cè)； ?案例2：利用Logistic回歸幫助醫(yī)生對(duì)病人選擇最佳治療方案；
第三講：關(guān)聯(lián)規(guī)則和R語(yǔ)言實(shí)現(xiàn) 關(guān)聯(lián)規(guī)則（著名的“啤酒和尿布”）是數(shù)據(jù)挖掘的基礎(chǔ)和核心技術(shù)之一，本講將著重圍繞經(jīng)典的Apriori算法和eclat算法，闡明關(guān)聯(lián)規(guī)則的支持、置信和提升程度與控制，使用R語(yǔ)言快速完成關(guān)聯(lián)規(guī)則分析。 主要案例： 案例：使用R語(yǔ)言關(guān)聯(lián)規(guī)則方法幫助各個(gè)超市實(shí)現(xiàn)商品的最佳捆綁銷售方案（即“購(gòu)物籃”分析）；
第四講：決策樹（回歸樹）分析和R語(yǔ)言實(shí)現(xiàn) 決策樹是數(shù)據(jù)挖掘的經(jīng)典方法，其原理容易被理解。本講主要講授兩種最為普遍的決策樹算法：CART和C4.5算法，使用rpart和J48函數(shù)進(jìn)行R語(yǔ)言分析。 主要案例： 案例1：對(duì)汽車耗油量進(jìn)行決策樹分析并完成相關(guān)目標(biāo)變量的預(yù)測(cè)； 案例2：使用決策樹幫助電信局判斷和預(yù)測(cè)客戶辦理寬帶業(yè)務(wù)。 第五講：機(jī)器集成學(xué)習(xí)的Bagging和AdaBoost算法 這兩種方法將許多分類器的預(yù)測(cè)結(jié)果進(jìn)行匯總分析，從而達(dá)到顯著提升分類效果。本講介紹這2種算法的思想，在R語(yǔ)言中構(gòu)造訓(xùn)練集和測(cè)試集進(jìn)一步進(jìn)行分析。 主要案例： 案例1：用R語(yǔ)言的Bagging和AdaBoost進(jìn)行商業(yè)銀行定期存款的分析和預(yù)測(cè)； 案例2：用R語(yǔ)言的Bagging和AdaBoost識(shí)別有毒蘑菇。 第六講：R語(yǔ)言隨機(jī)森林（RandomForest）算法 在機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)決策樹的分類器，本講講清隨機(jī)森林方法的原理，以致在實(shí)際中幫助學(xué)員判斷適合進(jìn)行隨機(jī)森林分析的情況，最終熟練掌握R語(yǔ)言隨機(jī)森林分析的方法。 主要案例： 案例1：對(duì)皮膚病進(jìn)行隨機(jī)森林的分類和預(yù)測(cè)； 案例2：對(duì)酒的品質(zhì)和種類進(jìn)行分類和評(píng)價(jià)。 第七講：支持向量機(jī)和R語(yǔ)言的實(shí)現(xiàn) 本講將分析支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小原理、間隔和核函數(shù)，從而幫助學(xué)員深刻理解支持向量機(jī)的思想和算法，以及使用中注意的問(wèn)題，從而幫助學(xué)員靈活地應(yīng)用于各個(gè)領(lǐng)域。 主要案例： 案例：對(duì)著名的鳶尾花數(shù)據(jù)進(jìn)行支持向量機(jī)的分析； 第八講：神經(jīng)網(wǎng)絡(luò)和R語(yǔ)言的實(shí)現(xiàn) 神經(jīng)網(wǎng)絡(luò)由大量的節(jié)點(diǎn)和輸出函數(shù)構(gòu)成邏輯策略，本講介紹其原理，主要通過(guò)案例的方式講解R語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)算法的過(guò)程和注意的事項(xiàng)。 主要案例： 案例1：酒的品質(zhì)和種類的神經(jīng)網(wǎng)絡(luò)的分析和預(yù)測(cè)； 第九講：交叉驗(yàn)證比較各個(gè)模型 對(duì)于同一個(gè)數(shù)據(jù)，可能有很多模型來(lái)擬合，如何衡量和比較模型的精度呢？本講將介紹交叉驗(yàn)證訓(xùn)練集和測(cè)試集的方法來(lái)幫助大家在實(shí)際中選取最佳模型進(jìn)行擬合和預(yù)測(cè) 第十講：使用R語(yǔ)言結(jié)合KNN算法進(jìn)行文本挖掘 文本挖掘，特別是對(duì)中文的文本挖掘日趨重要。本講介紹文本挖掘的原理和方法，幫助大家使用R語(yǔ)言在大量的非結(jié)構(gòu)化的數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的信息，抽取潛在有用的數(shù)據(jù)，發(fā)現(xiàn)適合模式，實(shí)現(xiàn)可視化結(jié)果展示。 主要案例： 案例：使用R語(yǔ)言結(jié)合KNN算法對(duì)網(wǎng)頁(yè)（Web）進(jìn)行文本挖掘（含分詞、分類、可視化等） |
