HCIE大数据挖掘怎么样？HCIE大数据挖掘学什么？怎么考？待遇怎么样？

• 《社会主义理论与实践》
• 《大学英语》《专业英语》
• 《毛概邓伦马克思主义》
• 《高等数学》
• 《线性代数》
• 《微积分》
• 《概率论与数理统计》

• 《计算机网络原理》
• 《数据库原理与应用》
• 《Linux常用运维基础》
• 《大数据网络通信技术》
• 《云计算技术》

• 《数据科学原理与架构》含：Hadoop、Spark、NoSQL、R语言介绍
• 《Python编程基础》
• 《Hadoop大数据集群存储处理技术》
• 《机器学习与算法》
• 《Python大数据挖掘分析与处理》
• 《大数据采集与网络爬虫、数据可视化》
• 《文本挖掘分析》或《数据分析白皮书》
• 《自然语言处理》
• 《机器学习与数据挖掘案例实训》

• 1.什么是数据挖掘
• 2.数据和属性类型
• 3.数据的统计描述

• 1.数据清理
• 2.数据集成
• 3.数据规约
• 4.数据变换

• 1.OLAP和OLTP概念
• 2.数据仓库和数据集市概念
• 3.多维数据模型
• 4.概念分层
• 5.ROLAP/MOLAP/HOLAP
• 6.方体物化

• 1.分类和回归的概念
• 2.决策树（ID3、C4.5和CART）
• 3.朴素贝叶斯分类
• 4.bootstrap
• 5.组合分类（装袋、提升、随机森林）
• 6.后向传播
• 7.支持向量机（SVM）
• 8.类不平衡数据

• 1.聚类概念
• 2.k-均
• 3.k-中心点（PAM、CLARA、CLARANS）

• 1.离群点概念
• 2.离群点检测方法

• 1.基本概念、购物篮分析
• 2.项集
• 3.频繁项集挖掘和Apriori算法

• 楼盘售价预测
• 个人收入分群
• 移民签证评审预判
• 银行用户存款预测
• 用户画像分析

• 决策树分类算法ID3
• 决策树分类算法C4.5（ID3增强版）

• K最近邻(k-Nearest Neighbor，KNN)分类算法
• CART: 分类与回归树
• 组合方法（Ensemble methods）
• 支持向量机分类算法（SVM）
• 朴素贝叶斯算法
• 聚类算法（Clustering Algorithms）
• 主成分分析（Principal Component Analysis，PCA）
• K-Means算法
• PageRank算法
• Apriori算法
• 最大期望 (EM，Expectation–Maximization)算法

• 1. 分类和回归
• 2. 决策树分类算法
• 3. 组合分类
• 4. 随机森林
• 5. 支持向量机分类算法
• 6. 朴素贝叶斯分类算法
• 7. 聚类算法
• 8. K-均值算法、中心点算法
• 9. 关联规则 Apriori
• 10. 离群点检测
• 11. 预处理
• 12. 大数据挖掘实验 和机器学习服务MLS

• 1.银行定期存款业务预测
• 2.鲍鱼生长年龄
• 3.词频
• 4.逆文档频率
• 5.抽样排序
• 6.用六种算法进行银行存款分析
• 7.防止欺诈
• 8.电影推荐
• 9.幸福指数
• 10.客户分群
• 11.CRM 用户精准营销

• 1.第一个 Python 程序 使用文本编辑器， 输入和输出
• 2.Python 基础 基础语法、变量类型
• 3.运算符、条件语句
• 4.循环语句、 While 循环语句、 for 循环语句、循环嵌套
• 5.break 语句、 continue 语句、 pass 语句
• 6.列表(List)、元组、字典(Dictionary)
• 7.Number(数字)、字符串、日期和时间
• 8.函数、模块
• 9.面向对象编程-类和实例
• 10.面向对象编程-访问限制
• 11.面向对象编程-继承和多态
• 12.文件 I/O、 File 方法
• 13.IO 编程-文件读写、操作文件和目录
• 14.访问数据库
• 15.预处理 Numpy
• 16.预处理 Pandas
• 17.”决策树分类算法 Python 实现
• 18.随机森林 Python 实现
• 19.支持向量机分类算法 Python 实现
• 20.朴素贝叶斯分类算法 Python 实现”
• 21.”K-均值算法、中心点算法 Python 实现
• 22.关联规则 Apriori、离群点检测 python 实现

• 1.网络爬虫概述
• 2. 网络爬虫工作原理第
• 3.网络爬虫基础使用第
• 3. 网络爬虫中的异常处理
• 4. GET 请求爬取数据实战
• 5.POST 请求爬取数据实战
• 6.网络爬虫案例实战
• 7.App 信息爬取实战
• 8.爬取天气预报数据
• 9.检验滑动验证码的识别

• 一. 数据的抽取（Extract）
• 二.数据的清洗转换（Cleaning、 Transform）
• 三.数据的加载（Load）
• 1.空值处理
• 2.规范化数据格式
• 3.拆分数据：
• 4.验证数据正确性：
• 5.数据替换
• 6.Lookup
• 四、开源可视化工具的使用
• 1. FineReport
• 2. Tableau Public

1、本科及以上学历，研究生学历优先；
2、计算机、大数据、人工智能相关专业；
3、具有3年及以上机器学习、大数据挖掘等相关领域经验，能够深入了解算法细节，能够熟练进行数学建模，并能够推动获取最优解；
4、熟悉协同过滤、回归分析模型、关联规则挖掘、分类和聚类算法等数据统计模型和挖掘算法，有独立完整的建模实践经验者优先；
5、熟悉Python/Scala/C++/Java等其中一门编程语言；
6、熟悉Map-Reduce模型，Hadoop/Hive/Spark/HBase等一个或多个分布式计算框架/算法平台；
7、有PB级大数据处理实战经验，熟悉整个大数据的完整处理流程，包括数据的采集、清洗、预处理、存储、分析挖掘和数据可视化、个性化排序、流量预测、智能推荐等相关工作经验； 
8、能接受值班安排，具有良好的沟通协调能力。

1、硕士及以上学历；
2、计算机、数学、统计及相关专业；
3、具有3年及以上机器学习/深度学习工作经验，有大型企业、高校、研究院工作经验者优先；
4、熟练掌握C/C++/Python/R语言等常用大数据开发语言中的一种或多种；
5、熟悉LR/SVM/RF/GBDT等常用机器学习模型的一种或多种，熟悉Xgboost/Scikit-learn/Tensorflow/Caffe等机器学习/深度学习框架，有实际使用经验；
6、具有优秀的分析问题和解决问题能力，能够解决挑战性技术难题；
7、对新技术敏感，具有强烈的内驱力与责任心、良好的职业素养与沟通协调能力；