
R语言由新西兰奥克兰大学Ross和Robert开发。
R语言是自由软件,可以放心大胆地使用,且具有非常强大的统计分析和作图功能,而且更重要的是R软件具有非常丰富的网上资源,目前R软件有3000多种贡献包,几乎可以实现所有的统计方法,目前大部分的顶级统计学家和计量经济学家都使用R语言,而且越来越多的数据分析实务人员也开始使用R语言。
R语言具有简单易学,功能强大,体积小(仅40m左右),完全免费,可自由开发等特点,且R语言和S语言语法基本相同,绝大部分程序是互相兼容的。学习R软件正成为一种趋势。
R软件最优美的地方是它能够修改很多前人编写的包的代码做各种你所需的事情,实际你是站在巨人的肩膀上。——Google首席经济学家Hal Varian
时间:2018年1月21-23日 (三天)初级;1月23-25日 (三天)高级
地点:北京市海淀区首都体育学院
费用:
初级:3300元 / 2800元 (仅限全日制本科生及硕士研究生优惠价)
高级:3600元 / 3100元 (仅限全日制本科生和硕士研究生优惠价)
全程:6000元 / 5400元 (仅限全日制本科生和硕士研究生优惠价)
(食宿自理)
安排:上午9:00-12:00;下午2:00-5:00;答疑
讲师介绍:
方匡南老师,统计学教授,博士生导师,耶鲁大学博士后。主要研究:数据挖掘、应用统计。 2007年出版了国内第一本R语言中文教程《R语言统计分析软件简明教程》,并于2015年2月出版了《R数据分析:方法与案例详解》,该书在同类书籍中销售名列前茅,并被引入到台湾地区出版。有10多年的R语言使用经验和丰富的数据挖掘和机器学习实战经验。曾先后在在 Journal of Multivariate Analysis、Scientific Reports(Nature子刊)、Computational Statistics and Data Analysis等国内外权威期刊发表论文70多篇。先后主持了国家自然科学基金、国家社科基金等多个项目。
学员对象:
金融、医疗、通讯、咨询、电子商务等领域的数据分析人员、数据挖掘工程师、数据科学家;
高校硕士生、博士生、青年教师等。
培训目的和特色:
1. 让学员快速入门并熟练掌握R语言,掌握如何利用R丰富的网上资料和帮助系统,学会基本的编程方法。
2. 以实际案例引入,深入浅出地讲解如何使用R语言进行数据挖掘和机器学习,让学员不仅掌握R语言的使用,更重要的是学会数据挖掘和机器学习的思想、原理和方法。
培训内容目录:
【初级班】
专题名称 |
授课内容 |
第1讲(3小时) R语言入门 |
目标:掌握R语言的基本用法 1.R语言介绍 2.编辑软件Rstudio使用 3.R程序包的载入与使用 4.数据对象及运算(向量、矩阵、数组、列表与数据框处理) |
第2讲(3小时) 数据读写 R基本编程 |
目标:掌握用R编写函数和数据的读写 1. R数据读入与读出 (读入txt、xls、SPSS、SAS、stata以及数据库文件) 2.R 函数编写 3.R的条件与循环函数 4.高效编程技巧介绍 |
第3讲(3小时) 数据预处理 探索性分析 |
目标:掌握数据预处理与探索性分析 1.数据预处理 2.缺失值处理 3.随机数生成 4.常用统计方法的蒙特卡洛模拟 5.随机抽样 6.单变量数据分析与作图 7.双变量数据分析与作图 8.多变量数据分析与作图 案例1:统计作图在调查数据中的应用 案例2:统计作图在临床医学中的应用 |
第4讲(3小时) |
4.一元线性回归 5.多元线性回归 6.逐步回归 案例1:广告营销计划案例 案例2:信用卡债务预测案例 案例3:房价预测案例 |
第5讲(3小时) 线性分类方法 |
目标:掌握经典线性分类方法及其应用 1.Logistic模型 2.LDA判别分类 3.QDA判别分类 案例1:信用卡违约预测案例 案例2:股价涨跌方向预测案例 |
第6讲(3小时) 重抽样方法 互动交流讨论 |
目标:掌握经典重抽样方法 1.验证集方法 2.交叉验证 3.Bootstrap方法 案例1:量化投资资产配置案例 案例2:汽车每加仑汽油里程数预测案例 互动交流讨论 |
【高级班】
专题名称 |
授课内容 |
第1讲 线性分类方法 |
目标:掌握经典线性分类方法及其应用 1.Logistic模型 2.LDA判别分类 3.QDA判别分类 案例1:信用卡违约预测案例 案例2:股价涨跌方向预测案例 |
第2讲(3小时) 重抽样方法 |
目标:掌握经典重抽样方法 1.验证集方法 2.交叉验证 3.Bootstrap方法 案例1:量化投资资产配置案例 案例2:汽车每加仑汽油里程数预测案例 |
第3讲(3小时) 组合预测 |
课程目标:掌握决策树和组合预测方法及其实际应用。 1.CART决策树 2.Bagging 3.随机森林 4.Boosting算法 案例1:棒球运动员薪水预测案例 案例2:心脏病预测案例 案例3:信用卡违约预测案例 |
第4讲(3小时) |
课程目标:掌握支持向量机分类方法 1.最大间隔分类器 2.支持向量分类器 3.支持向量机 案例1:基因表达数据案例 案例2:股票涨跌方向预测 |
第5讲(3小时) 变量选择与高维数据 |
目标:掌握数据挖掘中高维数据分析方法及其实际应用 1.LASSO 2.SCAD 3.MCP 4.Group LASSO 案例1:基因筛选 案例2: 股票选股 |
第6讲(3小时) 无监督学习 主成分分析 主成分回归 聚类分析 |
目标:掌握无监督学习方法及其应用。 1.主成分分析 2.主成分回归 3.Kmeans聚类分析 4.系统聚类分析 案例1:广告支出主成分分析 案例2:犯罪率主成分分析 案例3:学生考试成绩主成分分析 案例4:客户细分聚类案例 |
优惠:
现场班老学员9折优惠;
以上优惠不叠加。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13