上午 | 8:30 | 会议开始 |
8:40 | 领导讲话 | |
9:00 | 主办方发言(2-3人) | |
9:30 | 专家报告 | |
10:15-10:30 | 中场休息15分钟(照相) | |
10:30 | 专家报告 | |
11:15 | 专业学者圆桌讨论 | |
12:00 | 上午会议结束 |
下午 | 2:30 | 会议开始主办方发言 |
2:45 | 专家报告 | |
3:30 | 专家报告 | |
4:15-4:30 | 中场休息15分钟 | |
4:30 | 企业人才需求报告 | |
5:00 | 企业人才需求报告 | |
5:30 | 企业人才需求问答 | |
6:00 | 会议结束 |
上午 | 9:00-12:00 | 数学中国网络挑战赛10周年庆祝活动,第三届模友会交流活动,中小学数学建模能力挑战赛总决赛(6支队伍) |
下午 | 2:30-6:00 | 风险控制比赛总决赛(8支队伍) |
上午 | 8: 30-11: 30 | 大数据教育模式展示与教育培训方式展示 |
下午 | 3: 00-6: 00 | 大数据的课程体系展示以及大数据培训的特点展示 |
上午 | 8: 30-11: 30 | SAS程序员认证培训 |
下午 | 3: 00-6: 00 | SAS程序员认证培训 |
上午 | 8: 30-11: 30 | 大数据分析的理论和案例实践培训 |
下午 | 3: 00-6: 00 | 大数据分析的理论和案例实践培训 |
数据分析理论基础: 代数、概率论与数理统计、多元统计 |
课时:6天 |
1、线性代数基础知识 2、矩阵论知识 3、概率论与数理统计知识 4、相关分析与回归分析 5、方差分析 6、主成分分析与因子分析 7、判别分析与聚类分析 8、对应分析 9、DEA与结构方程 10、神经网络与决策树 |
SAS 模块: SAS BASE | |
课时:3天 | |
1、介绍:课程结构;SAS基础概要 2、SAS系统入门:介绍SAS编程;提交SAS程序 3、学习SAS句法:掌握基本概念;识别和修正句法错误 4、熟悉SAS数据集:查看描述部分和数据部分;访问SAS数据库;访问关系数据库(自学) 5、读入SAS数据集:读入数据入门;将SAS数据作为输入;选取部分观测和变量;增加永久变量属性 6、读入Excel格式数据:读入Excel格式数据;Excel表格的更多操作(自学) 7、读入固定格式的原始数据文件:读入标准的分隔符数据;读入非标准的分隔符数据 8、整理和清洗数据:整理和清洗数据入门;在读入原始数据时检验数据错误;使用PRINT和FREQ过程呈现数据;使用MEANS和UNIVARIATE过程呈现数据;清洗无效数据 9、生成数据:创建变量;创建条件变量;选择部分观测 10、拼接SAS数据集:拼接数据集入门;连接数据集(自学);合并数据集;一对一合并数据集;一对多合并数据集;合并不匹配数据集 11、增强报表:通过全局语句;增加标签和格式;创建自定义格式;选取部分观测及对观测进行分组处理;将结果输出至外部文件 12、生成汇总报表:使用FREQ过程;使用MEANS过程 13、使用SAS/GRAPH作图入门(自学):创建条形图、饼图;创建点图;强化输出 14、输入和输出管理:输出多个观测;创建多个SAS数据集;选择变量和观测 15、汇总数据:创建累加变量;对分组数据累加求和 16、读入原始数据文件:格式化读入原始数据文件;控制记录读入;列表输入附加技术(自学) 17、数据转换:操作字符型变量;操作数值型变量;转换变量类型 18、调试技术:使用PUTLOG语句;使用DEBUG语句 19、循环处理数据:DO循环处理;SAS数组处理;使用SAS数组 20、SAS数据集重构:使用DATA步转置数据集;使用TRANSPOSE过程 21、SAS数据集合并:使用数据处理技术进行数据集合并 22、其它SAS语言:语言概述;SQL过程使用;SAS宏使用 14、补充内容:SAS资源;其它推荐课程 | |
SAS 模块 EM | |
课时:3天 | |
本课程主要介绍使用 SAS Enterprise Miner 丰富的工具集构建分析流程,从而实现模式发现(分群、关联和序列分析)和预测模型(决策树、回归和神经网络模型)。 课程内容: 1. 简介 SAS Enterprise Miner 简介 2. 访问并探索已准备数据 创建 SAS Enterprise Miner 项目,库和图表 定义数据源 探索数据源 3. 介绍使用决策树生成预测模型 生成决策树 优化复杂决策树 了解其他诊断工具(自学) 手工调整决策树生长选项(自学) 4. 介绍使用回归生成预测模型 选择回归输入 优化复杂回归 解释回归模型 转换输入 分类输入 多项式回归 5. 使用神经网络和其他模型工具介绍预测模型 神经网络模型介绍 输入选择 停止训练 其他模型工具 6. 模型评估 模型拟合统计 统计图形 调整独立采样 利润矩阵 7. 模型实现 内部评分数据集 评分代码模型 8. 模式发现介绍 聚类分析 市场购物篮分析 9. 专题 嵌入模型 变量选择 合并输入分类变量 替代模型 10. 案例研究 银行客户交易细分 对 Web 服务数据进行关联分析 创建一个基于客户贷款数据的简易信用风险模型 预测性高校招生管理 | |
R软件 | |
课时:3天 | |
培训目的:基于R语言的数据挖掘流程介绍 主要内容;R语言介绍、基本语法和程序结构、数据挖掘的相关概念、预测模型主要包括回归和决策树等、模式发现主要包括聚类分析和关联规则等、数据准备、预处理、模型解读和预测等。 培训计划:总共三天 基本概念 1、数据挖掘的概念 2、数据挖掘分析流程概述 3、数据分析平台介绍 4、R语言基本概念 5、数据挖掘应用场景概貌 6、R语言基础 7、数字、字符、向量 8、对象和它的模式和属性 9、复杂数据结构 10、读写文件 11、程序控制结构 12、描述性统计分析 13、数据可视化 14、数据分类 15、模型分类 16、数据挖掘分析流程 17、数据架构和分区 18、数据预处理过程 19、常用预测模型:回归、决策树、神经网络 20、常用模式发现技术:聚类分析、关联规则 21、模型解读(可解释性) 22、模型预测 23、案例介绍 |
姓名 | 性别 | 出生年月 | 职务/职称 | 单位名称 |
手机 | Email 地址 | 住宿要求(宾馆、房型(标间或大床房)、是否合住等) | ||
通信地址及邮编: | ||||
注:1、由于住房紧张,建议合住; 2、对住宿有特殊要求的请事先说明。 3、请务必尽早注册,注册截止日期:8月10日。 |
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) | Powered by Discuz! X2.5 |