基于人工智能的用户画像构建
-
课程目标
社交网络用户的数据对象、数据主题、数据类型、数据维度和数据关系都十分丰富。面对数据应用业务场景的多样性,如何满足业务灵活多变的数据需求,构建用户画像大数据生态体系,是当前用户大数据提出的解决方案之一。本课题旨在帮助学员了解各种数据挖掘算法的基本原理及其编程实现方法,以及最新的深度学习算法的原理及其Python编程实现方法等内容,实现用户画像的快速、准确构建。本课程班采用“实际案例讲解、动手编程实践”相结合的方式进行授课。
-
师资团队
-
华清创客企业内训讲师,均是来自各个领域的资深专家,均拥有6年以上大型项目经验。
-
培养对象
学员学习本课程应具备下列基础知识:
①具备Python/Java语言编程的基本知识和初步技能;
②了解基本的数据挖掘知识; -
培训方式
第一种:华清创客讲师面授
课时:共4天,每天6学时,总计24学时
◆费用:3200元
◆外地学员:代理安排食宿(需提前预定)
第二种:线上直播授课
直播课时:共8天,每天3学时,总计24学时;
辅导:授课期间,辅导老师每天有1小时的辅导直播
◆费用:3200元
第三种:企业订制培训
课时:根据定制的大纲确定课时
费用:根据课程难度,每课时2000~3500元
-
-
质量保证
1、培训过程中,如有部分内容理解不透或消化不好,可免费在下期培训班中重听;
2、培训结束后免费提供一个月的技术支持,充分保证培训后出效果;
3、培训合格学员可享受免费推荐就业机会。
-
课程大纲
第一部分 用户画像概述
1. 用户画像的概念
2. 用户画像的用途
3. 用户画像实战场景介绍
4. 用户画像构建方法
第二部分 基础工具包介绍
1. Python编程入门
2. Scikit-learn工具包简介
3. Weka工具包简介
4. 系列案例:常用机器学习方法的Python实现
5. 系列案例:基于Scikit-learn的分类模型构建
第三部分 数据预处理
1. 数据预处理目的
2. 数据预处理原则
3. 数据预处理内容
4. 数据预处理方法
5. 案例实践:微博数据清洗实战
第四部分 特征选择
1. 特征选择概念
2. 特征选择基本步骤
3. 特征选择方法
4. 案例实践:微博数据特征选择实战
第五部分 用户画像体系构建
1. 基于规则的特征标签识别技术
2. 基于模型的特征标签识别技术
3. 基于算法的人物特征标签识别技术
4. 用户画像构建的常用技术总结
第六部分 传统文本分类方法
1. 文本分类定义
1. 词袋模型
2. 共现矩阵
3. TF-IDF
4. 文本分类的常用方法和主流算法
5. 文本分分类的评估指标
6. 案例实践:朴素贝叶斯分类器实战
第七部分 深度学习文本分类模型
1. TextCNN模型
2. LSTM模型
3. RCNN模型
4. FastText模型
第八部分 用户画像案例实战
1. 微博用户性别画像
2. 搜索用户画像构建
- 赞