•  課程目標

  社交網絡用戶的數(shù)據(jù)對象、數(shù)據(jù)主題、數(shù)據(jù)類型、數(shù)據(jù)維度和數(shù)據(jù)關系都十分豐富。面對數(shù)據(jù)應用業(yè)務場景的多樣性，如何滿足業(yè)務靈活多變的數(shù)據(jù)需求，構建用戶畫像大數(shù)據(jù)生態(tài)體系，是當前用戶大數(shù)據(jù)提出的解決方案之一。本課題旨在幫助學員了解各種數(shù)據(jù)挖掘算法的基本原理及其編程實現(xiàn)方法，以及最新的深度學習算法的原理及其Python編程實現(xiàn)方法等內容，實現(xiàn)用戶畫像的快速、準確構建。本課程班采用“實際案例講解、動手編程實踐”相結合的方式進行授課。
  

  
  

•  師資團隊

• 華清創(chuàng)客企業(yè)內訓講師，均是來自各個領域的資深專家，均擁有6年以上大型項目經驗。

•  培養(yǎng)對象

  學員學習本課程應具備下列基礎知識：
  ①具備Python/Java語言編程的基本知識和初步技能；
  ②了解基本的數(shù)據(jù)挖掘知識；

•  培訓方式

第一種：華清創(chuàng)客講師面授
課時：共4天，每天6學時，總計24學時
◆費用：3200元
◆外地學員：代理安排食宿（需提前預定）

第二種：線上直播授課
直播課時：共8天，每天3學時，總計24學時；
輔導：授課期間，輔導老師每天有1小時的輔導直播
◆費用：3200元

第三種：企業(yè)訂制培訓
課時：根據(jù)定制的大綱確定課時
費用：根據(jù)課程難度，每課時2000~3500元

• •  質量保證

    1、培訓過程中，如有部分內容理解不透或消化不好，可免費在下期培訓班中重聽；

    2、培訓結束后免費提供一個月的技術支持，充分保證培訓后出效果；

    3、培訓合格學員可享受免費推薦就業(yè)機會。

  •  課程大綱

    
    

    第一部分 用戶畫像概述      

             1. 用戶畫像的概念

             2. 用戶畫像的用途

             3. 用戶畫像實戰(zhàn)場景介紹

             4. 用戶畫像構建方法

            

    第二部分 基礎工具包介紹 

             1. Python編程入門

             2. Scikit-learn工具包簡介

             3. Weka工具包簡介

             4. 系列案例：常用機器學習方法的Python實現(xiàn)

             5. 系列案例：基于Scikit-learn的分類模型構建

            

    第三部分 數(shù)據(jù)預處理 

             1. 數(shù)據(jù)預處理目的

             2. 數(shù)據(jù)預處理原則

             3. 數(shù)據(jù)預處理內容

             4. 數(shù)據(jù)預處理方法

             5. 案例實踐：微博數(shù)據(jù)清洗實戰(zhàn)

            

    第四部分 特征選擇      

             1. 特征選擇概念

             2. 特征選擇基本步驟

             3. 特征選擇方法

             4. 案例實踐：微博數(shù)據(jù)特征選擇實戰(zhàn)

            

    第五部分 用戶畫像體系構建      

             1. 基于規(guī)則的特征標簽識別技術

             2. 基于模型的特征標簽識別技術

             3. 基于算法的人物特征標簽識別技術

             4. 用戶畫像構建的常用技術總結

            

    第六部分 傳統(tǒng)文本分類方法      

             1. 文本分類定義

             1. 詞袋模型

             2. 共現(xiàn)矩陣

             3. TF-IDF

             4. 文本分類的常用方法和主流算法

             5. 文本分分類的評估指標

             6. 案例實踐：樸素貝葉斯分類器實戰(zhàn)

            

    第七部分 深度學習文本分類模型      

             1. TextCNN模型

             2. LSTM模型

             3. RCNN模型

             4. FastText模型

            

    第八部分 用戶畫像案例實戰(zhàn)      

             1. 微博用戶性別畫像

             2. 搜索用戶畫像構建