从业务问题到数据挖掘解决方案
📖 30章 · 完整目录
01
业务问题定义
如何将模糊的业务需求转化为清晰的数据挖掘目标。
需求拆解 · 目标对齐 · 可量化指标
02
数据探索与理解
数据来源分析、数据质量评估、数据分布探索。
EDA · 质量报告 · 分布可视化
03
数据预处理
数据清洗、缺失值处理、异常值检测与处理。
清洗管道 · 插补 · 离群点
04
特征工程
特征构建、特征选择、特征缩放。
衍生变量 · 降维 · 归一化
05
模型选择
分类、回归、聚类、关联规则等算法选型指南。
算法对比 · 业务匹配
06
模型评估
交叉验证、混淆矩阵、ROC曲线、AUC值。
性能度量 · 验证策略
07
模型部署
从Jupyter Notebook到生产环境的迁移策略。
容器化 · API · 监控
08
项目实战：客户流失预测
从业务到模型全流程。
电信/订阅 · 全链路
09
项目实战：电商推荐系统
协同过滤与矩阵分解。
召回 · 排序 · 实时
10
项目实战：金融风控模型
评分卡与集成学习。
信用评分 · 拒绝推断
11
时间序列分析
业务预测中的趋势、季节性与周期性。
ARIMA · Prophet · 时序特征
12
文本挖掘
从业务评论中提取洞察（情感分析、主题建模）。
NLP · LDA · 情感极性
13
图数据挖掘
社交网络分析与业务应用。
社群发现 · 影响力传播
14
深度学习入门
何时该用深度学习？业务场景判断。
CNN/RNN · 迁移学习
15
模型解释性
SHAP、LIME在业务汇报中的应用。
可解释AI · 特征归因
16
数据伦理与隐私
业务合规中的数据使用边界。
差分隐私 · 合规框架
17
A/B测试设计
从业务假设到统计验证。
假设检验 · 最小样本
18
数据可视化
用图表讲好业务故事。
Dashboard · 叙事
19
自动化机器学习
AutoML在业务中的落地实践。
H2O · AutoGluon · 调参
20
多模态数据融合
结构化与非结构化数据的整合。
表格+文本+图像
21
实时数据挖掘
流处理与业务决策。
Kafka · Flink · 实时特征
22
数据仓库与数据湖
业务数据架构基础。
分层模型 · 湖仓一体
23
SQL进阶
复杂业务查询与性能优化。
窗口函数 · 执行计划
24
Python数据科学生态
Pandas、NumPy、Scikit-learn实战技巧。
高效编程 · 管道
25
Spark大数据处理
应对海量业务数据。
RDD · DataFrame · 调优
26
业务指标体系建设
从数据到KPI的映射。
北极星指标 · 归因
27
数据产品化
将模型封装为API服务。
FastAPI · 容器部署
28
项目管理
数据挖掘项目的生命周期与敏捷实践。
CRISP-DM · 迭代
29
沟通技巧
如何向非技术人员解释数据挖掘结果。
故事化 · 可视化
30
前沿趋势
因果推断、联邦学习在业务中的潜力。
Causal ML · 隐私计算