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 16591 0 0 分享
资源(72) 时长( 08:13:46) 播放量(163393)
4.3分类技术—决策树 00:08:29 3415
第五单元：关联规则11.6 00:09:20 4278
4.1聚类分析—k means 00:05:54 4303
4.2聚类分析—分层聚类 00:06:15 4307
4.4分类技术—SVM 00:06:29 2050
6.1什么是商务数据分析报告 00:12:01 1920
6.2如何撰写规范的商务数据分析报告 00:17:29 1991
5.1 为什么商务数据需要可视化 00:20:10 2252
5.7占比类商务数据如何实现可视化 00:18:27 1922
5.8关联类商务数据如何实现可视化 00:20:06 1915
5.9商务数据可视化的优化 00:14:50 1875
3.1回归分析—线性回归 00:10:21 2258
3.2回归分析-逻辑分析 00:10:16 2272
3.3回归分析—线性回归其它话题 00:13:31 2259
3.4回归分析-时间序列分析 00:07:16 2175
第六单元：商务数据分析报告（讲义） / 1924
6.1 什么是商务数据分析报告 / 1783
6.2 如何撰写规范的商务数据分析报告 / 1804
5.1 为什么商务数据需要可视化 / 1977
5.2 什么是商务数据可视化 / 1867
5.3 商务数据可视化基本流程 / 1903
5.4 数据可视化基本原则 / 1776
5.5 比较类商务数据如何实现可视化 / 1830
5.6 分布类商务数据如何实现可视化 / 1779
5.7 占比类商务数据如何实现可视化 / 1760
5.8 关联类商务数据如何实现可视化 / 1777
5.9 商务数据可视化如何优化 / 1740
第五单元：商务数据可视化（讲义） / 2041
1.1 为什么学习商务数据分析 / 2809
1.2 什么是商务数据分析 / 2499
1.3 如何实现商务数据分析 / 2299
1.4 如何优化商务数据分析 / 2198
1.5 如何规避商务数据分析的陷阱 / 2144
1.6 商务数据分析的常用工具 / 2095
3.2 回归分析—逻辑回归 / 1838
3.3 回归分析—线性回归其它话题 / 1795
3.4 回归分析—时间序列分析 / 1824
第三单元：数据统计分析（讲义） / 2145
第四单元：数据挖掘分析（讲义） / 2300
4.1聚类分析—k means / 1924
4.2聚类分析—分层聚类 / 1824
4.3分类技术—决策树 / 1791
4.4 分类技术—SVM / 1788
4.5数据挖掘分析—关联规则 / 1799
1.1为什么学习商务数据分析 00:19:25 2878
1.2什么是商务数据分析 00:19:06 2859
1.3如何实现商务数据分析 00:19:41 2744
1.4如何优化商务数据分析 00:15:59 2610
1.5如何避免商务数据分析陷阱 00:17:56 2611
1.6商务数据分析的常用工具 00:17:44 2476
5.2什么是商务数据可视化 00:16:27 2212
5.3商务数据可视化的基本流程 00:19:19 2130
5.4数据可视化的基本原则 00:18:15 2079
5.5比较类商务数据如何可视化 00:19:37 2074
5.6分布类商务数据如何可视化 00:19:22 2030
3.1回归分析—线性回归 / 1936
1.7 商务数据分析的常用模型 / 1887
1.7 商务数据分析的常用模型 00:12:14 2251
2.5 如何清洗商务数据 00:16:33 2263
2.6 如何高效清洗商务数据 00:16:49 2202
2.1 如何理解商务数据 / 2426
2.2 什么是商务数据采集 / 2034
2.3 如何实现商务数据采集 / 1977
2.4 为什么商务数据需要处理 / 2068
2.5 如何清洗商务数据 / 2233
2.6 如何高效清洗商务数据 / 2174
第二单元 商务数据采集与处理 / 3170
2.1 如何理解商务数据 00:13:33 2634
2.2 什么是商务数据采集 00:16:24 2756
2.3 如何实现商务数据采集 00:18:25 2738
2.4 为什么商务数据需要处理 00:16:03 2854
第一单元：商务数据认知（讲义） / 2862
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