精华内容
下载资源
问答
  • 包括:数据挖掘技术的基本知识及理论、主要应用场景及常用算法和针对具体应用的技术实现路线
  • 数据挖掘应用20个案例分析.pdf》

    热门讨论 2012-11-12 11:41:09
    包括:数据挖掘技术的基本知识及理论、主要应用场景及常用算法和针对具体应用的技术实现路线
  • 我们在上一篇文章中给大家介绍了在金融行业中数据挖掘应用中的三个案例,在这篇文章中我们继续给大家介绍数据挖掘应用,希望这篇文章能够给大家带来更多的帮助。 首先就是客户价值分析,这是根据“二八原则”,...
        
    13825820-03700d75361a0cf3.jpg

    我们在上一篇文章中给大家介绍了在金融行业中数据挖掘的应用中的三个案例,在这篇文章中我们继续给大家介绍数据挖掘的应用,希望这篇文章能够给大家带来更多的帮助。

    首先就是客户价值分析,这是根据“二八原则”,找出重点客户,即对银行创造80%价值的20%客户实施最优质的服务,通过对客户金融产品的使用频率以及持续性等指标判断客户的忠诚度。我们可以通过客户价值分析分析出更多有价值的内容。

    接着给大家说一下客户流失预警,我们可以根据客户属性特征、存储款、贷款、金融产品使用等数据,运用数据挖掘技术,找到流失客户的共同特征,从而针对具有相似特征的客户还未流失前,进行有针对性的弥补或者营销活动,从而起到避免客户流失到其他公司的作用,起到稳定本企业客户的作用。这一项工作的意义重大。

    然后给大家说一下新客户开发以及新产品推广,通过探索性的数据挖掘方法,如自动探测聚类和购物篮分析,可以用来找出客户数据库中的特征,预测对于银行营销活动的响应率。那些被定为有利的特征可以与新的非客户群进行匹配,以增加营销活动的效果。数据挖掘还可从银行数据库存储的客户信息中,可以根据事先设定的标准找到符合条件的客户群,也可以把客户进行聚类分析让其自然分群,通过对客户的服务收入、风险、成本等相关因素的分析、预测和优化,找到新的可赢利目标客户。

    最后给大家说一下贷款偿还预测贷款偿还预测对银行业务相当重要的。贷款偿还风险相关的因素包括贷款率,贷款期限,负债率,偿还与收入比率,客户收入水平,受教育水平,居住信息,信用历史等等,通过数据挖掘预测手段,可以提早预测哪些用户有可能偿还违约,哪些用户曾经贷款被拒但是预测结果却是低风险。这些内容都是银行十分关注的事情。

    我们在这篇文章中给大家介绍了数据挖掘对银行业带来的实际案例的相关内容,关于这些案例我们由于篇幅原因就给大家介绍到这里了,在下一篇文章中我们就给大家介绍出更多有用的内容。

    展开全文
  • matlab神经网络30个案例分析

    千次下载 热门讨论 2011-06-01 20:06:07
    【目录】- MATLAB神经网络30个案例分析(开发实例系列图书) 第1章 BP神经网络的数据分类——语音特征信号分类1 本案例选取了民歌、古筝、摇滚和流行四类不同音乐,用BP神经网络实现对这四类音乐的有效分类。 第2章 ...
  • 推荐一大数据学习群 119599574晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干货分享,你愿意来学习吗? 挖掘生活大数据技术...

    人工智能&大数据——每日视点:

    推荐一个大数据学习群 119599574晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干货分享,你愿意来学习吗?

    挖掘生活大数据技术应用应该怎样入门?

     

    挖掘生活大数据技术应用应该怎样入门?你走弯路了吗?

    要应用大数据,我们首先得先知道大数据是什么?大数据能做什么?大数据有什么特点?

    大数据已深入到我们生活的各个领域。比如强大的度娘搜索、双十一每秒17万的订单数据、王者荣耀的几亿玩家数据、网易云根据个人口味生成的歌单、路痴福音的地图导航……

    麦肯锡全球研究所给了一个专业定义就是:一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。

    真正的大数据82%都应该是Hadoop、spark生态体系、storm实时开发,市面所谓“大数据”85%基本讲的都是JAVA/PHP大数据或数据库大数据,学习者在选择时一定要擦亮双眼。

    一张图告诉你什么是数据分析师:运用不同行业中,专门从事行业数据搜集、整理、分析,并依据数据做出行业研究、评估和预测的专业人员

    351c722952404790b4f3714a53eb5392efb.jpg

    不仅是职位颜值高 薪资更是刁到爆发

    2ff669ceebbcb951e9c0dab8abd5239008b.jpg

    等级划分 迅速找到自己的定位

    d7a6011c08bbb2377c81e7c2a68a9444976.jpg

    一个合格的大数据分析师应该掌握的技能

    人工智能&大数据——昨日视点:

    1.工信部:3GPP将于今年6月制定5G国际标准第一版

    62a98837a217c25a69188c3b6dddfc12fb2.jpg

    1月30日上午,国务院新闻办召开新闻发布会,工业和信息化部总工程师张峰在发布会上指出,5G正处于标准确定的关键阶段,国际标准组织3GPP将于今年的6月份完成5G国际标准第一版,移动联通电信三大运营商将可以升级现有网络。2018年是5G标准确定和商用产品研发的关键一年,将依托第三阶段5G技术研发试验,注重“标准、研发与试验”三项工作同步开展。

    2.人民网、腾讯及社科院成立社会治理大数据实验室

    e6eddacdde25eae6ac4f4c70a8df59d7e6c.jpg

    人民网携手腾讯公司以及中国社会科学院新闻与传播研究所,签订《社会治理大数据实验室合作协议》,成立“社会治理大数据实验室”。课题研究、舆情业务、合办品牌活动、研发各类指标体系将是主导方向,实验室还将依托腾讯指数大数据产品、科学明确的算法,研发各类指标体系。

    3.谷歌11亿美元收购HTC部分硬件业务

     

    该收购事项于2017年9月公布,但现已通过所需批准并最终完成。除了来自HTC的2000多名工程师外,Google还将获得HTC知识产权的非独占许可。HTC继续保留其Vive VR部门,并将继续制造自己的智能手机。这将标志着谷歌在亚洲的业务在近几个月出现了转机进展。

    转载于:https://my.oschina.net/u/3877497/blog/1831534

    展开全文
  • 由于大数据技术涉及内容太庞杂,大数据应用领域...推荐一大数据学习群 142974151每天晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是...

    由于大数据技术涉及内容太庞杂,大数据应用领域广泛,而且各领域和方向采用的关键技术差异性也会较大,难以三言两语说清楚,本文来说说到底要怎么学习它,以及怎么避免大数据学习的误区,以供参考。
    大数据要怎么学:数据科学特点与大数据学习误区。推荐一个大数据学习群 142974151每天晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干货分享,,欢迎进阶中和进想深入大数据的小伙伴加入。


    (1)大数据学习要业务驱动,不要技术驱动:数据科学的核心能力是解决问题。
    大数据的核心目标是数据驱动的智能化,要解决具体的问题,不管是科学研究问题,还是商业决策问题,抑或是政府管理问题。
    所以学习之前要明确问题,理解问题,所谓问题导向、目标导向,这个明确之后再研究和选择合适的技术加以应用,这样才有针对性,言必hadoop,spark的大数据分析是不严谨的。
    不同的业务领域需要不同方向理论、技术和工具的支持。如文本、网页要自然语言建模,随时间变化数据流需要序列建模,图像音频和视频多是时空混合建模;大数据处理如采集需要爬虫、倒入导出和预处理等支持,存储需要分布式云存储、云计算资源管理等支持,计算需要分类、预测、描述等模型支持,应用需要可视化、知识库、决策评价等支持。所以是业务决定技术,而不是根据技术来考虑业务,这是大数据学习要避免的第一个误区。


    (2)大数据学习要善用开源,不要重复造轮子:数据科学的技术基因在于开源。IT前沿领域的开源化已成不可逆转的趋势,Android开源让智能手机平民化,让我们跨入了移动互联网时代,智能硬件开源将带领跨入物联网时代,以Hadoop和Spark为代表的大数据开源生态加速了去IOE(IBM、ORACLE、EMC)进程,倒逼传统IT巨头拥抱开源,谷歌和OpenAI联盟的深度学习开源(以Tensorflow,Torch,Caffe等为代表)正在加速人工智能技术的发展。
    数据科学的标配语言R和Python更是因开源而生,因开源而繁荣,诺基亚因没把握开源大势而衰落。为什么要开源,这得益于IT发展的工业化和构件化,各大领域的基础技术栈和工具库已经很成熟,下一阶段就是怎么快速组合、快速搭积木、快速产出的问题,不管是linux,anroid还是tensorflow,其基础构件库基本就是利用已有开源库,结合新的技术方法实现,组合构建而成,很少在重复造轮子。


    另外,开源这种众包开发模式,是一种集体智慧编程的体现,一个公司无法积聚全球工程师的开发智力,而一个GitHub上的明星开源项目可以,所以要善用开源和集体智慧编程,而不要重复造轮子,这是大数据学习要避免的第二个误区。


    (3)大数据学习要以点带面,不贪大求全:数据科学要把握好碎片化与系统性。根据前文的大数据技术体系分析,我们可以看到大数据技术的深度和广度都是传统信息技术难以比拟的。
    我们的精力很有限,短时间内很难掌握多个领域的大数据理论和技术,数据科学要把握好碎片化和系统性的关系。
    何为碎片化,这个碎片化包括业务层面和技术层面,大数据不只是谷歌,亚马逊,BAT等互联网企业,每一个行业、企业里面都有它去关注数据的痕迹:一条生产线上的实时传感器数据,车辆身上的传感数据,高铁设备的运行状态数据,交通部门的监控数据,医疗机构的病例数据,政府部门的海量数据等等,大数据的业务场景和分析目标是碎片化的,而且相互之间分析目标的差异很大;另外,技术层面来讲,大数据技术就是万金油,一切服务于数据分析和决策的技术都属于这个范畴,其技术体系也是碎片化的。
    那怎么把握系统性呢,不同领域的大数据应用有其共性关键技术,其系统技术架构也有相通的地方,如系统的高度可扩展性,能进行横向数据大规模扩张,纵向业务大规模扩展,高容错性和多源异构环境的支持,对原有系统的兼容和集成等等,每个大数据系统都应该考虑上述问题。如何把握大数据的碎片化学习和系统性设计,离不开前面提出的两点误区,建议从应用切入、以点带面,先从一个实际的应用领域需求出发,搞定一个一个技术点,有一定功底之后,再举一反三横向扩展逐步理解其系统性技术。


    (4)大数据学习要勇于实践,不要纸上谈兵:数据科学还是数据工程?
    大数据只有和特定领域的应用结合起来才能产生价值,数据科学还是数据工程是大数据学习要明确的关键问题,搞学术发paper数据科学OK,但要大数据应用落地,如果把数据科学成果转化为数据工程进行落地应用,难度很大,这也是很多企业质疑数据科学价值的原因。且不说这种转化需要一个过程,从业人员自身也是需要审视思考的。


    工业界包括政府管理机构如何引入研究智力,数据分析如何转化和价值变现?数据科学研究人员和企业大数据系统开发工程人员都得想想这些关键问题。
    目前数据工程要解决的关键问题主线是数据(Data)>知识(Knowledge)>服务(Service),数据采集和管理,挖掘分析获取知识,知识规律进行决策支持和应用转化为持续服务。解决好这三个问题,才算大数据应用落地,那么从学习角度讲,DWS就是大数据学习要解决问题的总目标,特别要注重数据科学的实践应用能力,而且实践要重于理论。从模型,特征,误差,实验,测试到应用,每一步都要考虑是否能解决现实问题,模型是否具备可解释性,要勇于尝试和迭代,模型和软件包本身不是万能的,大数据应用要注重鲁棒性和实效性,温室模型是没有用的,训练集和测试集就OK了吗?


    大数据如何走出实验室和工程化落地,一是不能闭门造车,模型收敛了就想当然万事大吉了;二是要走出实验室充分与业界实际决策问题对接;三是关联关系和因果关系都不能少,不能描述因果关系的模型无助于解决现实问题;四是注重模型的迭代和产品化,持续升级和优化,解决新数据增量学习和模型动态调整的问题。
    所以,大数据学习一定要清楚我是在做数据科学还是数据工程,各需要哪些方面的技术能力,现在处于哪一个阶段等,不然为了技术而技术,是难以学好和用好大数据的。

     




    转载于:https://www.cnblogs.com/baijindashuju/p/10885196.html

    展开全文
  • 图表示学习为挖掘和学习网络数据提供了一革命性的范例。在本教程中,我们将系统地介绍网络上的表示学习。我们将以阿里巴巴、AMiner、Microsoft Academic、微信和XueTangX的行业案例作为教程的开始,来解释网络分析...
  • Ai 尚研修不仅为您提供高效深入的学习平台更愿为您选择一位长期陪伴的专家导师 让职业生涯轻松启航 上课时间 2020年9月19 日-9月20 日/ 9月...理系统建模与仿真具有丰富的实战应用经验主编MATLAB 智能算法30 个案例分析
  • <br> ⑶数据的表现:数据表现实际上相当于数据仓库的门面,其性能主要集中在多维分析、数理统计和数据挖掘方面。而多维分析又是数据仓库的重要表现形式,近几年来由于互联网的发展,使得多维分析领域的工具和...
  • 第三篇的内容换了角度,直接以调试工具和调试方法为目标,讲述调试工具本身的设计思路、存在问题和解决方法,包括Windows系统内核调试的通信问题和Windows 8的解决方法(第19章),Android系统跨机器调试Java应用...
  • 推荐一大数据学习群 119599574晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干货分享, 21世纪前十年则为成熟期,主要...

    大数据的发展历程总体上可以划分为三个重要阶段,萌芽期、成熟期和大规模应用期,20世纪90年至21世纪初,为萌芽期,随着,一批商业智能工具和知识管理技术的开始和应用,度过了数据萌芽。

    推荐一个大数据学习群 119599574晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干货分享,

    入行大数据,需要学习哪些基础知识?

    21世纪前十年则为成熟期,主要标志为,大数据解决方案逐渐走向成熟,形成了并行计算与分布式系统两大核心技,谷歌的GFS和MapReduce等大数据技术受到追捧,Hadoop平台开始大行期道,2010年以后,为大规模应用期,标志为,数据应用渗透各行各业,数据驱动决策,信息社会智能化程度快速提高。

    入行大数据,需要学习哪些基础知识?

    数据时代的到来,也推动了数据行业的发展,包括企业使用数据获取价值,促使了大量人员从事于数据的学习,学习大数据需要掌握基础知识,接下从我的角度,为大家做个简要的阐述。

    学习大数据需要掌握的知识,初期了解概念,后期就要学习数据技术,主要包括:

    1.大数据概念

    2.大数据的影响

    3.大数据的影响

    4.大数据的应用

    5.大数据的产业

    6.大数据处理架构Hadoop

    7.大数据关键技术

    8.大数据的计算模式

    后三个牵涉的数据技技术,就复杂一点了,可以细说一下:

    1.大数据处理架构Hadoop:Hadoop的特性、Hadoop生态系统、Hadoop的安装与使用;

    2.大数据关键技术技术:数据采集、数据存储与管理、数据处理与分析、数据隐私与安全;

    3.大数据处理计算模式:批处理计算、流计算、图计算、查询分析计算

    数据的核心技术就是获取数据价值,获取数据前提是,先要有数据,这就牵涉数据挖掘了。

    人工智能和大数据的科谱,有需要的同学,别忘了加群哦

    展开全文
  • 如何开始学习大数据

    2018-11-09 12:20:01
    推荐一大数据学习群 142973723每天晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干货分享, 之前一直以为大数据的东西就是来...
  • 大数据包含的东西太多了,大数据不仅应用...推荐一大数据学习群 142973723每天晚上20:10都有一节【免费的】大数据直播课程,专注大数据分析方法,大数据编程,大数据仓库,大数据案例,人工智能,数据挖掘都是纯干...
  • Python数据挖掘工程师(机器学习、深度学习、算法专家) Python爬虫工程师 Python测试工程师(自动化测试、测试开发) 说明:目前,数据分析是一非常热门的方向,因为不管是互联网行业还是传统行业都已经积累了...
  • 第二部分面向Analysis Services开发人员,详细介绍了如何使用BIDS以及BIDS的所有功能,提供了使用SSAS构建OLAP多维数据集和数据挖掘模型的指南;第三部分面向Integration Services开发人员,详细介绍如何使用SSIS...
  • 第二部分面向Analysis Services开发人员,详细介绍了如何使用BIDS以及BIDS的所有功能,提供了使用SSAS构建OLAP多维数据集和数据挖掘模型的指南;第三部分面向Integration Services开发人员,详细介绍如何使用SSIS...
  • 第二部分面向Analysis Services开发人员,详细介绍了如何使用BIDS以及BIDS的所有功能,提供了使用SSAS构建OLAP多维数据集和数据挖掘模型的指南;第三部分面向Integration Services开发人员,详细介绍如何使用SSIS...
  • 第二部分面向Analysis Services开发人员,详细介绍了如何使用BIDS以及BIDS的所有功能,提供了使用SSAS构建OLAP多维数据集和数据挖掘模型的指南;第三部分面向Integration Services开发人员,详细介绍如何使用SSIS...
  • 第二部分面向Analysis Services开发人员,详细介绍了如何使用BIDS以及BIDS的所有功能,提供了使用SSAS构建OLAP多维数据集和数据挖掘模型的指南;第三部分面向Integration Services开发人员,详细介绍如何使用SSIS...
  • 4.4 利用Excel进行数据挖掘 248 实例113 利用Excel对数据进行格式转换 实例114 将多Excel文件汇总到一Excel文件 第2篇 ASP.NET数据库应用篇 第5章 ADO.NET数据库操作技术 5.1 一切从我开始:建立...
  • 4.4 利用Excel进行数据挖掘 248 实例113 利用Excel对数据进行格式转换 实例114 将多Excel文件汇总到一Excel文件 第2篇 ASP.NET数据库应用篇 第5章 ADO.NET数据库操作技术 5.1 一切从我开始:建立...
  • [Oracle.11g权威指南(第2版)].谷长勇.扫描版.pdf

    千次下载 热门讨论 2013-06-23 21:16:09
    第七部分为Oracle 11g数据库集群技术与高可用性,包括真正应用集群(RAC)、自动存储管理(ASM)、容灾与数据卫士、故障诊断、真正应用测试等内容;第八部分为商业智能与数据仓库,介绍了Oracle 11g数据库在构建企业...
  • 本课程将通过一电视收视率项目实战驱动讲解,项目案例是国内的一家广电企业作为非洲国家的一运营商,以用户收视行为数据作为基础数据,通过对频道和节目的分析,采用多维度统计分析的方法挖掘用户的收视行为特征...

空空如也

空空如也

1 2 3
收藏数 52
精华内容 20
关键字:

数据挖掘应用20个案例分析