数据分析与挖掘R语言十三式,299元打造R全栈专家!涵盖R语言入门、数据可视化、数据挖掘算法模型、企业级实战、精选行业案例等内容

开始时间: 2016-11-26 13:00 星期六
结束时间: 2016-11-26 17:30 星期六
举办地点: 微信群
主办方:
活动已结束
分享扩散:

拼团链接数据分析与挖掘R语言十三式,299元打造R全栈专家!

操作方式:微信扫描以下二维码,开始参团

数据挖掘(R语言)从入门到精通(录播).png

课程名称:

《数据分析与挖掘R语言十三式》

参团后请及时添加课程助手电话\微信:18516242756

课程目标:                                          

数据挖掘(R语言)从零开始,由浅入深,包括初级入门、中级进阶、高级提升和资深冲刺四个阶段,13套专业课程,从R语言基础、数据质量、数据可视化、数据挖掘、算法、机器学习等体系学习,介绍了R语言及数据分析与挖掘的各个技术细节。通过实际的案例演练,让学员真正体验数据挖掘与R的魅力。新手完全能够通过本课程学习,成长为优秀的R语言全栈专家。            

课程特色:

录播课程自由学习,利用碎片化时间提升知识技能;

科学完整全套体系,从入门到轻松处理项目之所需;

资深名师悉心指导,解决学习问题并完成学习曲线;

理论实践互补结合,培养解决问题及独立研究能力。 

课程建议:

如果你想从事数据分析和挖掘的工作,本课程是你不可或缺的要学习的内容,学习时,建议做好笔记,多敲代码,勤加练习,多和老师和同学交流,必可成为优秀的的数据从业人员。 

主讲老师:

谢佳标

  • 多届中国R语言大会演讲嘉宾;
  • 目前为某游戏公司数据挖掘的负责人,带领团队对游戏数据进行深度挖掘,主要利用R语言进行*大数据的挖掘和可视化工作;
  • 从事数据挖掘建模工作9年+,具有丰富的电商、电购、游戏、电力等行业经验,熟悉不同领域的数据特点,有丰富的利用R语言进行数据挖掘实战经验;
  • 撰写《R语言与数据挖掘》、《R语言游戏数据分析》等书籍。


开课时间:

2016年11月28日

学习方式:

录播课程开课即学,可以自由选择学习时间;

在线反复观看,有效期2年,不定期公开课;

独享福利:VIP会员群+问答中心在线答疑。

课程大纲:      

初级入门篇:(四个系列课程)

中级基础篇:(三个系列课程)

高级提升篇:(三个系列课程)

资深冲刺篇:(三个系列课程)

 已更新课程:

https://edu.hellobi.com/course/explore/r

1.jpg

详细培训大纲:

第一阶段:R语言基础

第一课时:《R语言快速入门》

(时长约2小时32分钟) 

课程目的:学完本课程,掌握R及RStudio工具的安装及使用,了解R的工作空间和包,对数据结构、数据导入、基础绘图及描述性统计分析有个初步的了解。

课程介绍:

1、讲师自我介绍

2、课程大纲及常用分析工具介绍

3、R、RStudio and Rattle安装及介绍

4、新手上路

5、帮助、工作空间及包的介绍

6、数据对象向量详解

7、数据对象之矩阵和数据框

8、数据导入

9、R语言基础绘图

10、R语言描述性统计分析

第二课时:《R语言数据对象及数据基本管理》

(时长约4小时24分钟)

课程目的:通过本课程学习,深入了解R语言不同数据对象创建及时间格式转换方法,掌握常用的数据管理技巧及会编写简单的分支和循环语句。

课程大纲:   

第一章  数据对象   

1、常用数据对象类型介绍    

2、对象属性的判断和转换    

3、日期变量及其常用函数介绍   

4、查看对象的类型   

5、向量创建及向量化操作详解

6、常用序列创建及索引向量介绍

7、因子的创建及储存原理

8、矩阵和数组的创建及应用

9、列表和数据框的创建    

第二章   数据基本管理  

1、数据基本管理知识点介绍及创建新变量

2、变量的重新编码

3、变量重命名

4、变量虚拟化处理详解

5、粘贴函数详解

6、转换函数transform介绍

7、排序函数(sort、order、rank)详解

8、选定特定行或者子集的subset函数详解

9、sqldf包介绍

第三章   循环及分支语句   

1、分支语句详解

2、循环语句介绍

 

第三课时:《R语言数据导入导出》

(时长约2小时21分钟)

课程目的:通过本课程学习,掌握文本文件、非结构化文件、excel文件的读入方式;掌握R语言与mysql数据库的连接方式及数据读取及操作;掌握quantmod包爬取金融数据的基本操作。

课程大纲:

1、课程大纲介绍

2、从键盘输入数据

3、利用RStuido导入数据

4、读入文本文件数据

5、将Excel数据读入R

6、利用foreign包读入spss、arff格式数据

7、利用RODBC包实现R与数据库连接

8、数据爬取之quantmod包介绍

9、利用其它方式爬取网络数据

 

第四课时:《数据描述性统计分析及数据抽样》

(时长约2小时27分钟)

课程目的:通过本课程学习,掌握R语言常用的位置度量统计指标;深入探讨数据抽样,包括随机抽样函数sample及等比例抽样函数createDataParation函数的使用;运用SMOTE函数进行类失衡问题处理等等。

课程大纲:

第一章  描述性统计分析

 1、课程大纲及描述性统计分析简介

 2、均值函数的介绍及参数trim详解

 3、mean函数的na.rm参数及weighted.mean函数介绍

 4、median函数详解

 5、百分位数quantile函数详解

第二章 数据抽样

 1、数据抽样的必要性及常用场景

 2、类失衡函数SMOTE详解

 3、数据随机抽样sample函数

 4、利用sample函数实现等比抽样

 5、creatDataPartition函数介绍

 6、用于交叉验证的样本抽样-creatFolds函数

 7、数据标准化- preProcess()函数

 

第五课时:《R语言绘图基础》

(时长约3小时17分钟)

课程目的:通过本课程学习,掌握R常用图形参数(颜色、点、线、文字);低级绘图函数(标题、图例、坐标轴、点、线) 以及基础包中常用高级绘图函数的用法。

课程大纲:

第一章 绘图参数设置

 1、R语言绘图基础及颜色参数col详解

 2、主题配色函数详解

 3、RColorBrewer颜色扩展包详解

 4、文字元素相关参数设置详解

 5、点元素相关参数设置详解

 6、线元素相关参数设置详解

第二章 低级绘图函数

 1、标题设置详解

 2、坐标轴axis函数详解

 3、图例函数legend详解

 4、网格线grid、点point、文字text函数介绍

 5、线函数abline、lines详解

第三章  基础包中高级绘图函数

 1、基础包中 常见绘图函数

 2、散点图、散点图矩阵、高密度散点图、三维散点图以及气泡图详解

 3、线图、点图、直方图、核密度图、箱线图

 

第六课时:《R语言之高级绘图》

(时长约5小时46分钟)

课程目的:通过本课程学习,灵活应用lattice包、ggplot2包对复杂数据进行可视化;掌握常用的数据可视化交互包rCharts、recharts、rborkeh、plotly等包的安装及使用。

课程大纲:

第一章 ggplot2绘图系统 

 1、ggplot2原理及qplot函数介绍

 2、ggplot常用函数及案例演示 

 3、ggplot绘制散点图、柱状图、直方图演示

 4、ggthemes主题包介绍 

第二章 lattice绘图系统  

 5、lattice包小例子

 6、图形参数设置

 7、条件变量

 8、面板函数

 9、分组变量

 10、lattice高级绘图函数介绍

 11、条形图barchart函数详解

 12、点图dotplot函数详解

 13、直方图histogram、核密度图densityplot和带状图stripplot函数介绍

 14、QQ图qqmath和qq函数、箱线图bwplot、散点图xyplot、散点图矩阵splom函数介绍

 15、lattice包中三维图绘制介绍 

第三章 交互式绘图  

 16、rCharts包安装及小例子演示

 17、nPlot函数绘制柱状图和条形图

 18、利用nPlot函数绘制饼图和散点图

 19、hPlot和mPlot函数介绍和案例演示

 20、recharts包介绍及散点图案例演示

 21、recharts绘制条形图雷达图和中文数据测试

 22、rbokeh包介绍及案例演示

 23、plotly包介绍及案例演示

 24、其他交互包的介绍

 

第七课时:《R语言之数据探索》

(时长约4小时51分钟)

课程目的:通过本课程学习,理解数据质量分析的重要性;掌握缺失值高级处理的方法;通过数据分析手段分析异常值以及研究连续性变量间的相关性。

课程大纲:

1、数据质量

  • 数据质量分析理论知识
  • 课程大纲及数据缺失值产生原因介绍
  • 缺失值的影响和简单分析

2、异常值的处理方法介绍

  • 缺失值处理的高级方法
  • 缺失值处理的步骤和常用方法介绍
  • 识别缺失值(na和complete.cases函数详解)

3、md.pattern函数详解

4、探索缺失值模式:aggr函数详解

5、缺失值处理:行删除和利用缺失值进行替换

6、利用线性回归和随机森林对缺失值进行插补

  • 异常值处理
  • 质量控制图qcc函数详解
  • 利用stats函数识别异常值2

7、利用K-Means聚类识别异常值

  • 相关性分析
  • 相关性分析的常用方法
  • 散点图矩阵详解
  • 求相关系数值及可视化

 

第二阶段:R语言模型篇

第八课时:《数据挖掘算法之统计模型篇》

(预计时长:6个小时)

课程目的:通过本课程学习,掌握常用经典挖掘算法:线性回归、降维技术、聚类分析及关联规则的基本原理及R语言实现;并通过案例带领大家进行实战。

课程大纲:

  • 线性回归及广义线性回归模型
  • 线性回归基本原理
  • 一元线性回归
  • 多元线性回归
  • 回归诊断
  • 广义线性回归模型基本原理
  • Logit回归
  • 降维技术
  • 主成分分析的基本原理
  • 主成分分析的R语言实现
  • 案例:利用主成分分析构建股票市场指数
  • 因子分析的基本原理
  • 因子分析的R语言实现
  • 案例:对洛杉矶街区数据进行因子分析
  • 对应分析的基本原理
  • 对应分析的R语言实现
  • 案例:游戏玩家购物喜欢的对应分析
  • 聚类分析
  • 距离的计算方法:dist函数
  • 常用聚类分析的原理:K-Means聚类、层次聚类的实现原理详细介绍
  • 常用聚类分析的R语言实现
  • 案例:对鸢尾花数据集进行K-Means聚类
  • 案例:对汽车数据集进行K-Means聚类
  • 案例:对洛杉矶街区数据进行层次聚类
  • 案例:对汽车数据集进行层次聚类
  • 关联规则
  • 关联规则的基本概念:关联规则的原理及Apriori算法介绍
  • 关联规则的R语言实现
  • 关联规则可视化-arulesViz包介绍
  • 案例:利用超市购物篮Groceries数据进行关联规则分析

 

第九课时:《数据挖掘算法之机器学习篇》

(预计时长:6个小时)

课程目的:通过本课程学习,掌握常用机器学习算法:KNN近邻算法、朴素贝叶斯算法、决策树算法已经组合算法的基本原理及R语言实现。

课程大纲:

  • KNN近邻分类算法
  • KNN近邻算法基本原理介绍
  • KNN近邻算法R语言实现
  • 案例:对iris数据集进行knn分类
  • 案例:对乳腺癌数据集wisc_bc_data进行knn分类
  • 朴素贝叶斯分类
  • 朴素贝叶斯分类算法原理
  • 朴素贝叶斯算法的R语言实现
  • 案例:对数据集PimaIndiansDiabetes进行分类
  • 案例:利用朴素贝叶斯分类对文本数据进行分类
  • 决策树算法
  • 理解决策树基本原理
  • 不同决策树算法的核心理念
  • 不同决策树算法的R语言实现
  • 案例:利用不同的决策树算法对鸢尾花数据集进行分类预测
  • 案例:利用不同的决策树算法对汽车数据集进行分类预测
  • 应用组合算法进行分类
  • 为什么要用组合算法
  • 常用组合算法的原理介绍
  • 不同组合算法的R语言实现
  • 案例:对胎心宫缩监护数据的胎儿状态分类进行研究
  • 案例:对汽车数据集中的用户满意度状态进行研究

 

第十课时:《数据挖掘算法之模型评估篇》

(预计时长:3.5个小时)

课程目的:通过本课程学习,掌握常用的模型评估方法:混淆矩阵、ROC曲线、K折交叉验证等。

课程大纲:

  • 混淆矩阵
  • 深入了解混淆矩阵
  • 使用混淆矩阵度量性能
  • ROC曲线
  • ROC曲线的理论知识
  • ROC曲线的R绘制方法
  • 利用caret包比较ROC曲线
  • 基于K折交叉验证方法
  • K折交叉验证基本原理
  • 利用e1071包完成交叉验证
  • 利用caret包完成交叉验证

 

第三阶段:R语言进阶篇

第十一课时:《数据挖掘可视化工具:Rattle篇》

(预计时长:4个小时)

课程目的:通过本课程学习,掌握Rattle工具的基本操作,实现快速完成数据探索、数据预处理、数据建模、模型评估等数据挖掘工作。

课程大纲:

  • Rattle介绍及安装
  • Rattle简介
  • Rattle介绍
  • 功能预览
  • 数据导入Rattle
  • 导入csv格式数据
  • 导入txt格式数据
  • 导入ARFF数据
  • 导入ODBC数据
  • 导入其他数据
  • 数据探索
  • 数据总体概要
  • 数据分布探索(数据可视化)
  • 数据相关性分析
  • 数据主成分分析
  • 交互图
  • 数据建模及模型评估
  • 聚类分析
  • 关联规则
  • 决策树
  • 随机森林
  • 模型评估

 

第十二课时:《利用shiny快速搭建数据挖掘平台原型》

(预计时长:7个小时)

课程目的:通过本课程学习,掌握shiny及shinydashboard包的知识点,通过实际案例详解让学员达到自行搭建网页app应用的能力。

课程大纲:

第一章 利用shiny包快速搭建数据分析平台原型

  • shiny包介绍
  • shiny包搭建web网页原理
  • shiy框架介绍
  • 常用控件介绍
  • 案例详细介绍

第二章 利用shinydashboard包快速搭建BI平台

  • shinydashboard包介绍
  • shinydashboard框架介绍
  • 常用函数介绍
  • 案例:快速搭建数据分析平台原理
  • 输出lattice包、ggplot2等常规图形
  • 输出rCharts包、DT包、networkD3包等交互图形

第三章 在平台输出模型结果:关联分析规则可视化&聚类分析结果可视化

  • 案例:用户细分及付费预测平台
  • 平台基本功能介绍
  • 平台框架搭建
  • 代码详解

第四章 案例渠道用户打分平台

  • 平台基本功能介绍
  • 平台框架搭建
  • 代码详解

 

第十三课时:《行业案例分享》

(预计时长:8个小时)

课程目的:通过本课程学习,提升知识点综合应用能力。通过不同行业案例的分享,掌握数据挖掘在实际业务数据中的方法论,达到举一反三,进而能将挖掘技术应用到自己实际数据中去。

课程大纲:

第一章 案例:对玩家付费行为进行预测

  • 对玩家物品购买关联分析
  • 基于玩家物品的智能推荐
  • 玩家社会网络分析

第二章 案例:航空公司客户价值分析

  • 背景与挖掘目标
  • 分析方法与过程
  • 数据探索分析
  • 数据预处理
  • 模型构建
  • 模型应用

第三章 案例:基于数据挖掘技术的市财政收入分析预测模型

  • 背景与挖掘目标
  • 分析方法与过程
  • 数据探索分析
  • 数据预处理
  • 模型构建
  • 模型应用

第四章 案例:预测股票市场收益

  • 问题描述与目标
  • 定义预测任务
  • 预测模型
  • 模型评价和选择

第五章 案例:侦测欺诈交易

  • 问题描述与目标
  • 定义数据挖掘任务
  • 计算离群值的排序

第六章 案例:客户回复预测与效益最大化

  • 问题描述与目标
  • 数据探索
  • 训练决策树
  • 模型评估
  • 选择最有决策树
  • 评分

 

联系方式:

1、参团后,请加天善智能课程助手微信:18516242756 ,发送参团成功截图;

2、手机:18516242756

3、邮件:admin@hellobi.com

 

Q&A

1、团课成功后,如何使用学籍号开启学习之旅?

答:团课成功后,参团成功并成功缴纳尾款以后,系统会自动发送一条拼团成功的信息给大家,包含了您个人信息姓名和电话以及学号。

请参考说明页面《如何使用学籍号》注册使用。

2、本次课程的上课形式是什么?

答:本次课程是录播视频学习课程,两年有效期内,可访问天善学院随时观看。

3、学习过程中有问题如何咨询。

答:完成课程报名后,将邀请您加入课程学员VIP交流群,在群内与讲师、课程助手及同学们沟通。另外亦可在天善问答社区提问,会有诸多顾问和同道为您解答。

4、看不了课程怎么办。

答:请使用谷歌浏览器观看课程视频,如仍无法解决,请联系课程助手协助查看。

66 人报名

改版

反馈