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 16634 0 0 分享
资源(72) 时长( 08:13:46) 播放量(163974)
4.3分类技术—决策树 00:08:29 3421
第五单元：关联规则11.6 00:09:20 4285
4.1聚类分析—k means 00:05:54 4310
4.2聚类分析—分层聚类 00:06:15 4313
4.4分类技术—SVM 00:06:29 2056
6.1什么是商务数据分析报告 00:12:01 1926
6.2如何撰写规范的商务数据分析报告 00:17:29 1997
5.1 为什么商务数据需要可视化 00:20:10 2259
5.7占比类商务数据如何实现可视化 00:18:27 1930
5.8关联类商务数据如何实现可视化 00:20:06 1923
5.9商务数据可视化的优化 00:14:50 1882
3.1回归分析—线性回归 00:10:21 2266
3.2回归分析-逻辑分析 00:10:16 2279
3.3回归分析—线性回归其它话题 00:13:31 2270
3.4回归分析-时间序列分析 00:07:16 2185
第六单元：商务数据分析报告（讲义） / 1931
6.1 什么是商务数据分析报告 / 1789
6.2 如何撰写规范的商务数据分析报告 / 1811
5.1 为什么商务数据需要可视化 / 1985
5.2 什么是商务数据可视化 / 1874
5.3 商务数据可视化基本流程 / 1910
5.4 数据可视化基本原则 / 1782
5.5 比较类商务数据如何实现可视化 / 1837
5.6 分布类商务数据如何实现可视化 / 1785
5.7 占比类商务数据如何实现可视化 / 1767
5.8 关联类商务数据如何实现可视化 / 1785
5.9 商务数据可视化如何优化 / 1748
第五单元：商务数据可视化（讲义） / 2048
1.1 为什么学习商务数据分析 / 2819
1.2 什么是商务数据分析 / 2506
1.3 如何实现商务数据分析 / 2306
1.4 如何优化商务数据分析 / 2205
1.5 如何规避商务数据分析的陷阱 / 2150
1.6 商务数据分析的常用工具 / 2102
3.2 回归分析—逻辑回归 / 1846
3.3 回归分析—线性回归其它话题 / 1802
3.4 回归分析—时间序列分析 / 1831
第三单元：数据统计分析（讲义） / 2151
第四单元：数据挖掘分析（讲义） / 2307
4.1聚类分析—k means / 1930
4.2聚类分析—分层聚类 / 1831
4.3分类技术—决策树 / 1797
4.4 分类技术—SVM / 1794
4.5数据挖掘分析—关联规则 / 1804
1.1为什么学习商务数据分析 00:19:25 2890
1.2什么是商务数据分析 00:19:06 2877
1.3如何实现商务数据分析 00:19:41 2756
1.4如何优化商务数据分析 00:15:59 2620
1.5如何避免商务数据分析陷阱 00:17:56 2621
1.6商务数据分析的常用工具 00:17:44 2485
5.2什么是商务数据可视化 00:16:27 2220
5.3商务数据可视化的基本流程 00:19:19 2138
5.4数据可视化的基本原则 00:18:15 2087
5.5比较类商务数据如何可视化 00:19:37 2080
5.6分布类商务数据如何可视化 00:19:22 2037
3.1回归分析—线性回归 / 1946
1.7 商务数据分析的常用模型 / 1894
1.7 商务数据分析的常用模型 00:12:14 2259
2.5 如何清洗商务数据 00:16:33 2270
2.6 如何高效清洗商务数据 00:16:49 2210
2.1 如何理解商务数据 / 2439
2.2 什么是商务数据采集 / 2042
2.3 如何实现商务数据采集 / 1985
2.4 为什么商务数据需要处理 / 2077
2.5 如何清洗商务数据 / 2244
2.6 如何高效清洗商务数据 / 2185
第二单元 商务数据采集与处理 / 3179
2.1 如何理解商务数据 00:13:33 2645
2.2 什么是商务数据采集 00:16:24 2767
2.3 如何实现商务数据采集 00:18:25 2748
2.4 为什么商务数据需要处理 00:16:03 2864
第一单元：商务数据认知（讲义） / 2874
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