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 18685 0 0 分享
资源(72) 时长( 08:13:46) 播放量(187469)
4.3分类技术—决策树 00:08:29 3755
第五单元：关联规则11.6 00:09:20 4606
4.1聚类分析—k means 00:05:54 4672
4.2聚类分析—分层聚类 00:06:15 4651
4.4分类技术—SVM 00:06:29 2363
6.1什么是商务数据分析报告 00:12:01 2221
6.2如何撰写规范的商务数据分析报告 00:17:29 2308
5.1 为什么商务数据需要可视化 00:20:10 2590
5.7占比类商务数据如何实现可视化 00:18:27 2232
5.8关联类商务数据如何实现可视化 00:20:06 2229
5.9商务数据可视化的优化 00:14:50 2176
3.1回归分析—线性回归 00:10:21 2600
3.2回归分析-逻辑分析 00:10:16 2623
3.3回归分析—线性回归其它话题 00:13:31 2618
3.4回归分析-时间序列分析 00:07:16 2514
第六单元：商务数据分析报告（讲义） / 2233
6.1 什么是商务数据分析报告 / 2068
6.2 如何撰写规范的商务数据分析报告 / 2082
5.1 为什么商务数据需要可视化 / 2289
5.2 什么是商务数据可视化 / 2154
5.3 商务数据可视化基本流程 / 2185
5.4 数据可视化基本原则 / 2043
5.5 比较类商务数据如何实现可视化 / 2103
5.6 分布类商务数据如何实现可视化 / 2045
5.7 占比类商务数据如何实现可视化 / 2025
5.8 关联类商务数据如何实现可视化 / 2038
5.9 商务数据可视化如何优化 / 2008
第五单元：商务数据可视化（讲义） / 2313
1.1 为什么学习商务数据分析 / 3516
1.2 什么是商务数据分析 / 2837
1.3 如何实现商务数据分析 / 2648
1.4 如何优化商务数据分析 / 2495
1.5 如何规避商务数据分析的陷阱 / 2487
1.6 商务数据分析的常用工具 / 2379
3.2 回归分析—逻辑回归 / 2158
3.3 回归分析—线性回归其它话题 / 2090
3.4 回归分析—时间序列分析 / 2101
第三单元：数据统计分析（讲义） / 2432
第四单元：数据挖掘分析（讲义） / 2595
4.1聚类分析—k means / 2259
4.2聚类分析—分层聚类 / 2143
4.3分类技术—决策树 / 2078
4.4 分类技术—SVM / 2058
4.5数据挖掘分析—关联规则 / 2078
1.1为什么学习商务数据分析 00:19:25 3309
1.2什么是商务数据分析 00:19:06 3278
1.3如何实现商务数据分析 00:19:41 3128
1.4如何优化商务数据分析 00:15:59 2982
1.5如何避免商务数据分析陷阱 00:17:56 2977
1.6商务数据分析的常用工具 00:17:44 2811
5.2什么是商务数据可视化 00:16:27 2569
5.3商务数据可视化的基本流程 00:19:19 2491
5.4数据可视化的基本原则 00:18:15 2405
5.5比较类商务数据如何可视化 00:19:37 2410
5.6分布类商务数据如何可视化 00:19:22 2350
3.1回归分析—线性回归 / 2333
1.7 商务数据分析的常用模型 / 2180
1.7 商务数据分析的常用模型 00:12:14 2592
2.5 如何清洗商务数据 00:16:33 2628
2.6 如何高效清洗商务数据 00:16:49 2556
2.1 如何理解商务数据 / 2841
2.2 什么是商务数据采集 / 2384
2.3 如何实现商务数据采集 / 2287
2.4 为什么商务数据需要处理 / 2377
2.5 如何清洗商务数据 / 2581
2.6 如何高效清洗商务数据 / 2510
第二单元 商务数据采集与处理 / 3580
2.1 如何理解商务数据 00:13:33 3032
2.2 什么是商务数据采集 00:16:24 3144
2.3 如何实现商务数据采集 00:18:25 3142
2.4 为什么商务数据需要处理 00:16:03 3249
第一单元：商务数据认知（讲义） / 3245
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