中级
提供者 : Briana Brownell
8 章节 · 37 课时 · 2h 39m
语言：阿拉伯语, 德语, 英语, 西班牙语, 法语, 葡萄牙语, 乌尔都语, 简体中文
课程描述
在本课程中，您将学习机器学习各个领域的基础知识，包括聚类、异常检测和关联建模。您将了解最常见的聚类方法、k均值算法，以及如何将其应用于调查数据以创建强大的客户细分，包括创建角色和打字工具。在本课程结束时，您将了解如何执行多种不同的聚类和分析技术。 更具体地说，您将回顾最常用的聚类方法，以及它们在几个示例数据集上的表现。您将学习如何分析数据以发现欺诈和数据输入错误等有意和无意异常，检测异常数据，并了解如何验证它们。您将研究如何在购买之间创建关联规则，以及它们如何为零售店或电子商务网站的战略提供信息。将涵盖常见挑战，以便您可以确保您创建的模型有效且稳健。最后，您将有机会回顾几个案例研究，以便详细了解您学到的有关工作的知识。
您将学到的内容
- 了解各种聚类算法及其优缺点，包括k均值、小批量k均值、凝聚聚类、谱聚类、DBSCAN和高斯混合模型
- 针对特定问题选择最佳聚类算法，并识别聚类在实际问题中的应用场景
- 将k均值应用于调查数据，构建客户细分、用户画像和分类工具
- 使用多种方法检测有意和无意的异常（如欺诈行为和数据录入错误），并对其进行验证
- 利用支持度、置信度和提升度构建关联规则，以理解购买行为
- 分析已实施的聚类和异常检测模型的案例研究
关键要点
- k均值是最常用的聚类方法，可应用于调查数据，用于创建客户细分、用户画像和分类工具。
- 聚类涵盖一系列无监督学习技术，选择合适的算法取决于具体问题和数据集。
- 异常检测既能发现有意为之的异常（如欺诈），也能发现无意产生的异常（如数据录入错误），且检测到的异常应经过验证。
- 关联规则描述购买行为之间的关系，可为实体零售店或电子商务网站的策略制定提供参考。
- 应对常见挑战有助于确保所构建的聚类和分析模型具有有效性和稳健性。
常见问题
本课程涵盖哪些主题？
本课程涵盖机器学习多个领域的基础知识，包括聚类、异常检测和关联建模。内容包括常见聚类方法及其在示例数据集上的表现、异常检测、关联规则构建，以及已实施模型的案例研究。
我将学习哪些聚类算法？
您将学习多种聚类方法，包括k均值算法、小批量k均值、凝聚聚类、谱聚类、DBSCAN和高斯混合模型，以及各算法的对比分析。
本课程将使我掌握哪些技能？
您将掌握聚类分析、数据科学、层次聚类、k均值聚类、机器学习方法和谱聚类等方面的技能。
本课程如何应用k均值？
k均值被应用于调查数据，以构建稳健的客户细分，包括创建用户画像和分类工具。课程还涵盖输入变量的选择、聚类数量的确定、质心解释以及模型质量指标等内容。
学习关联规则后我能做什么？
您将学习如何利用支持度、置信度和提升度在购买行为之间构建关联规则，并了解这些规则如何为实体零售店或电子商务网站的策略制定提供指导。
专业认证和继续教育单位 (CEUs)
International Institute of Business Analysis (IIBA®)
Continuing Development Units (CDUs): 2.75
诺乐知习题是国际商业分析协会（IIBA®）认可的CCBA®、CBAP®教育认证提供商。诺乐知习题课程可以帮助学员获得继续发展积分（CDUs）。
