大数据案例分析（实验课）

刘莹

目录

  • 1 互联网信息智能挖掘基础
    • 1.1 逻辑斯蒂回归-案例1 股票客户流失预警模型
    • 1.2 决策树模型-案例2 员工离职预测模型
    • 1.3 贝叶斯模型-案例3  肿瘤预测模型
    • 1.4 AdaBoost模型-案例4 信用卡精准营销模型
    • 1.5 GDBT模型-案例5 产品定价
    • 1.6 XGBoost模型-案例6 金融反欺诈模型
    • 1.7 LightGBM模型-案例7 客户违约预测模型
    • 1.8 LightGBM回归模型-案例8 广告收益回归模型
    • 1.9 降维-案例9人脸识别
    • 1.10 KMeans算法-案例10 银行客户分群模型
    • 1.11 DBSCAN算法-案例11 新闻聚类分群模型
    • 1.12 Requests库-案例12 数据爬虫（百度新闻爬取）
    • 1.13 相关性分析-案例13 智能推荐系统
    • 1.14 图模型-案例14 图论模型与networkx库
  • 2 风险管理大数据案例分析
    • 2.1 实验（一）股票客户流失预警
    • 2.2 实验（二）员工离职预测
    • 2.3 实验（三）肿瘤预测
    • 2.4 实验（四）信用卡精准营销
    • 2.5 实验（五）产品定价
    • 2.6 实验（六）金融反欺诈
    • 2.7 实验（七）客户违约预测
    • 2.8 实验（八）广告收益回归
  • 3 能源环境大数据案例分析
    • 3.1 实验（一）：工业蒸汽预测
      • 3.1.1 第一步：问题的理解
      • 3.1.2 第二步：数据探索
      • 3.1.3 第三步：特征工程
      • 3.1.4 第四步：模型训练
      • 3.1.5 第五步：模型验证
      • 3.1.6 第六步：特征优化
      • 3.1.7 第七步：模型融合
    • 3.2 实验（二）天猫用户重复购买预测
      • 3.2.1 第一步：问题的理解
      • 3.2.2 第二步：数据探索
      • 3.2.3 第三步：特征工程
      • 3.2.4 第四步：模型训练
      • 3.2.5 第五步：模型验证
      • 3.2.6 第六步：特征优化
    • 3.3 实验（三）O2O优惠券预测
      • 3.3.1 第一步：问题的理解
      • 3.3.2 第二步：数据探索
      • 3.3.3 第三步：特征工程
      • 3.3.4 第四步：模型训练
      • 3.3.5 第五步：模型验证
      • 3.3.6 第六步：提交结果
    • 3.4 实验（四）阿里云安全恶意程序检测
      • 3.4.1 第一步：问题的理解
      • 3.4.2 第二步：数据探索
      • 3.4.3 第三步：特征工程与基线模型
      • 3.4.4 第四步：高阶数据探索
      • 3.4.5 第五步：特征工程进阶与方案优化
      • 3.4.6 第六步：优化技巧与解决方案升级
  • 4 医疗大数据案例分析
    • 4.1 实验（一）
    • 4.2 实验（二）
    • 4.3 实验（三）
    • 4.4 实验（四）
  • 5 金融大数据案例分析
    • 5.1 实验（一）
    • 5.2 实验（二）
    • 5.3 实验（三）
    • 5.4 实验（四）
  • 6 社交网路大数据案例分析
    • 6.1 实验（一）
    • 6.2 实验（二）
  • 7 投资者行为大数据案例分析
    • 7.1 实验（一）
    • 7.2 实验（二）
LightGBM回归模型-案例8 广告收益回归模型