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 18140 0 0 分享
资源(72) 时长( 08:13:46) 播放量(182467)
4.3分类技术—决策树 00:08:29 3680
第五单元：关联规则11.6 00:09:20 4535
4.1聚类分析—k means 00:05:54 4597
4.2聚类分析—分层聚类 00:06:15 4573
4.4分类技术—SVM 00:06:29 2296
6.1什么是商务数据分析报告 00:12:01 2156
6.2如何撰写规范的商务数据分析报告 00:17:29 2242
5.1 为什么商务数据需要可视化 00:20:10 2520
5.7占比类商务数据如何实现可视化 00:18:27 2167
5.8关联类商务数据如何实现可视化 00:20:06 2162
5.9商务数据可视化的优化 00:14:50 2110
3.1回归分析—线性回归 00:10:21 2531
3.2回归分析-逻辑分析 00:10:16 2554
3.3回归分析—线性回归其它话题 00:13:31 2548
3.4回归分析-时间序列分析 00:07:16 2447
第六单元：商务数据分析报告（讲义） / 2167
6.1 什么是商务数据分析报告 / 2001
6.2 如何撰写规范的商务数据分析报告 / 2022
5.1 为什么商务数据需要可视化 / 2226
5.2 什么是商务数据可视化 / 2090
5.3 商务数据可视化基本流程 / 2120
5.4 数据可视化基本原则 / 1979
5.5 比较类商务数据如何实现可视化 / 2042
5.6 分布类商务数据如何实现可视化 / 1978
5.7 占比类商务数据如何实现可视化 / 1965
5.8 关联类商务数据如何实现可视化 / 1978
5.9 商务数据可视化如何优化 / 1944
第五单元：商务数据可视化（讲义） / 2253
1.1 为什么学习商务数据分析 / 3440
1.2 什么是商务数据分析 / 2767
1.3 如何实现商务数据分析 / 2583
1.4 如何优化商务数据分析 / 2430
1.5 如何规避商务数据分析的陷阱 / 2420
1.6 商务数据分析的常用工具 / 2314
3.2 回归分析—逻辑回归 / 2083
3.3 回归分析—线性回归其它话题 / 2025
3.4 回归分析—时间序列分析 / 2037
第三单元：数据统计分析（讲义） / 2367
第四单元：数据挖掘分析（讲义） / 2529
4.1聚类分析—k means / 2194
4.2聚类分析—分层聚类 / 2079
4.3分类技术—决策树 / 2013
4.4 分类技术—SVM / 1992
4.5数据挖掘分析—关联规则 / 2015
1.1为什么学习商务数据分析 00:19:25 3225
1.2什么是商务数据分析 00:19:06 3194
1.3如何实现商务数据分析 00:19:41 3050
1.4如何优化商务数据分析 00:15:59 2904
1.5如何避免商务数据分析陷阱 00:17:56 2900
1.6商务数据分析的常用工具 00:17:44 2739
5.2什么是商务数据可视化 00:16:27 2503
5.3商务数据可视化的基本流程 00:19:19 2424
5.4数据可视化的基本原则 00:18:15 2341
5.5比较类商务数据如何可视化 00:19:37 2342
5.6分布类商务数据如何可视化 00:19:22 2288
3.1回归分析—线性回归 / 2266
1.7 商务数据分析的常用模型 / 2113
1.7 商务数据分析的常用模型 00:12:14 2514
2.5 如何清洗商务数据 00:16:33 2552
2.6 如何高效清洗商务数据 00:16:49 2483
2.1 如何理解商务数据 / 2762
2.2 什么是商务数据采集 / 2316
2.3 如何实现商务数据采集 / 2222
2.4 为什么商务数据需要处理 / 2310
2.5 如何清洗商务数据 / 2507
2.6 如何高效清洗商务数据 / 2434
第二单元 商务数据采集与处理 / 3505
2.1 如何理解商务数据 00:13:33 2943
2.2 什么是商务数据采集 00:16:24 3063
2.3 如何实现商务数据采集 00:18:25 3058
2.4 为什么商务数据需要处理 00:16:03 3169
第一单元：商务数据认知（讲义） / 3169
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