1. 首页
  2. 商务数据分析与应用
商务数据分析与应用 扫码继续查看
共72个素材 18413 0 0 分享
资源(72) 时长( 08:13:46) 播放量(184734)
4.3分类技术—决策树 00:08:29 3713
第五单元：关联规则11.6 00:09:20 4567
4.1聚类分析—k means 00:05:54 4628
4.2聚类分析—分层聚类 00:06:15 4605
4.4分类技术—SVM 00:06:29 2325
6.1什么是商务数据分析报告 00:12:01 2188
6.2如何撰写规范的商务数据分析报告 00:17:29 2273
5.1 为什么商务数据需要可视化 00:20:10 2550
5.7占比类商务数据如何实现可视化 00:18:27 2196
5.8关联类商务数据如何实现可视化 00:20:06 2193
5.9商务数据可视化的优化 00:14:50 2142
3.1回归分析—线性回归 00:10:21 2559
3.2回归分析-逻辑分析 00:10:16 2583
3.3回归分析—线性回归其它话题 00:13:31 2577
3.4回归分析-时间序列分析 00:07:16 2476
第六单元：商务数据分析报告（讲义） / 2196
6.1 什么是商务数据分析报告 / 2037
6.2 如何撰写规范的商务数据分析报告 / 2052
5.1 为什么商务数据需要可视化 / 2256
5.2 什么是商务数据可视化 / 2122
5.3 商务数据可视化基本流程 / 2153
5.4 数据可视化基本原则 / 2011
5.5 比较类商务数据如何实现可视化 / 2072
5.6 分布类商务数据如何实现可视化 / 2014
5.7 占比类商务数据如何实现可视化 / 1994
5.8 关联类商务数据如何实现可视化 / 2007
5.9 商务数据可视化如何优化 / 1976
第五单元：商务数据可视化（讲义） / 2282
1.1 为什么学习商务数据分析 / 3469
1.2 什么是商务数据分析 / 2796
1.3 如何实现商务数据分析 / 2614
1.4 如何优化商务数据分析 / 2459
1.5 如何规避商务数据分析的陷阱 / 2451
1.6 商务数据分析的常用工具 / 2344
3.2 回归分析—逻辑回归 / 2120
3.3 回归分析—线性回归其它话题 / 2057
3.4 回归分析—时间序列分析 / 2068
第三单元：数据统计分析（讲义） / 2397
第四单元：数据挖掘分析（讲义） / 2560
4.1聚类分析—k means / 2223
4.2聚类分析—分层聚类 / 2110
4.3分类技术—决策树 / 2044
4.4 分类技术—SVM / 2026
4.5数据挖掘分析—关联规则 / 2045
1.1为什么学习商务数据分析 00:19:25 3256
1.2什么是商务数据分析 00:19:06 3226
1.3如何实现商务数据分析 00:19:41 3079
1.4如何优化商务数据分析 00:15:59 2934
1.5如何避免商务数据分析陷阱 00:17:56 2933
1.6商务数据分析的常用工具 00:17:44 2768
5.2什么是商务数据可视化 00:16:27 2532
5.3商务数据可视化的基本流程 00:19:19 2453
5.4数据可视化的基本原则 00:18:15 2370
5.5比较类商务数据如何可视化 00:19:37 2376
5.6分布类商务数据如何可视化 00:19:22 2317
3.1回归分析—线性回归 / 2295
1.7 商务数据分析的常用模型 / 2145
1.7 商务数据分析的常用模型 00:12:14 2545
2.5 如何清洗商务数据 00:16:33 2587
2.6 如何高效清洗商务数据 00:16:49 2515
2.1 如何理解商务数据 / 2797
2.2 什么是商务数据采集 / 2349
2.3 如何实现商务数据采集 / 2254
2.4 为什么商务数据需要处理 / 2343
2.5 如何清洗商务数据 / 2541
2.6 如何高效清洗商务数据 / 2472
第二单元 商务数据采集与处理 / 3540
2.1 如何理解商务数据 00:13:33 2980
2.2 什么是商务数据采集 00:16:24 3097
2.3 如何实现商务数据采集 00:18:25 3093
2.4 为什么商务数据需要处理 00:16:03 3204
第一单元：商务数据认知（讲义） / 3203
创建者
huwt

上传：102份资源

创建：1个课程

暂无

更多
详细信息
所属分类：

江开本科 - 电子商务（本科）

知识体系： 管理学

主持人： 胡文婷
主讲老师： 许开全 教授
版权归属： 江苏开放大学版权
项目编码：
关键词
数据分析 数据挖掘
  • 创建于：2019-07-22
  • 最近更新：2019-11-06