CDALevel2 建模分析师考试大纲.pdf-资料库

cda_zhejiang-12177814-4744300845405230163.pdf-第1页.png

第1页 / 共10页

cda_zhejiang-12177814-4744300845405230163.pdf-第2页.png

第2页 / 共10页

cda_zhejiang-12177814-4744300845405230163.pdf-第3页.png

第3页 / 共10页

cda_zhejiang-12177814-4744300845405230163.pdf-第4页.png

第4页 / 共10页

cda_zhejiang-12177814-4744300845405230163.pdf-第5页.png

第5页 / 共10页

cda_zhejiang-12177814-4744300845405230163.pdf-第6页.png

第6页 / 共10页

cda_zhejiang-12177814-4744300845405230163.pdf-第7页.png

第7页 / 共10页

cda_zhejiang-12177814-4744300845405230163.pdf-第8页.png

第8页 / 共10页

CDA LEVELⅡ建模分析师考试大纲 CDA LEVELⅡ建模分析师考试大纲 CERTIFIED DATA ANALYST LEVEL Ⅱ EXAMINATION OUTLINE 一、总则「CDA 数据分析师人才行业标准」是面向全行业数据分析及大数据相关岗位的一套科学化、专业化、正规化、系统化的人才技能准则。经管之家 CDA 数据分析师认证考试是评判「标准化人才」的唯一考核路径。CDA 考试大纲规定并明确了数据分析师认证考试的具体范围、内容和知识点，考生可按照大纲要求进行相关知识的学习，获取技能，成为专业人才。二、考试形式与试卷结构包括客观题和案例操作题两部分：其中客观题（单选+多选）考试时间为 90 分钟，上机答题；案例操作题考试时间为 120 分钟，闭卷，考生须自行携带电脑操作（安装好带有数据挖掘功能的软件如：PYTHON、SQL、SPSS MODELER、R、SAS、WEKA 等，进行案例操作分析。案例数据将统一提供 CSV 文件）。考试成绩：分为 A、B、C、D 四个层次，A、B、C 为通过考试，D 为不通过。三、知识要求针对不同知识，掌握程度的要求分为【领会】、【熟知】、【应用】三个级别，考生应按照不同知识要求进行学习。 1．领会：考生能够领会了解规定的知识点，并能够了解规定知识点的内涵与外延，了解其内容要点和它们之间的区别与联系，并能做出正确的阐述、解释和说明。 2．熟知：考生须掌握知识的要点，并能够正确理解和记忆相关理论方法，能够根据不同要求，做出逻辑严密的解释、说明和阐述。此部分为考试的重点部分。 3．应用：考生须学会将知识点落地实践，并能够结合相关工具进行商业应用，能够根据具体要求，给出问题的具体实施流程和策略。四、考试范围  PART 1 数据挖掘基础理论（占比 20% ）第 1页，共 10页版权所有，侵权必究学习资料，严禁售卖 QQ交流群：643459329

CDA LEVELⅡ建模分析师考试大纲 a. 数据挖掘概要（2%） b. 数据挖掘方法和原理（7%） c. 数据挖掘技术基础（5%） d. 数据挖掘技术进阶（6%）  PART 2 数据预处理（占比 25% ） a. 字段选择（2%） b. 数据清洗（8%） c. 字段扩充（2%） d. 数据编码（8%） e. 特征提取技术（5%）  PART 3 预测型数据挖掘模型（占比 40% ） a. 朴素贝叶斯（5%） b. 线性回归（3%） c. 决策树（分类树及回归树）（8%） d. 神经网络与深度学习（6%） e. 逻辑回归（2%） f. 支持向量机（4%） g. 集成方法（5%） h. 模型评估（7%）  PART 4 描述型数据挖掘模型（15% ） a. 聚类分析（6%） b. 关联规则（6%） c. 序列模式（3%）五、考试内容  1、数据挖掘概要【领会】 PART 1 数据挖掘基础理论数据挖掘在政府部门及互联网、金融、医药等行业的应用第 2页，共 10页版权所有，侵权必究学习资料，严禁售卖 QQ交流群：643459329

CDA LEVELⅡ建模分析师考试大纲【熟知】数据挖掘的起源、定义及目标数据挖掘的发展历程【应用】根据给定的数据建立一个数据挖掘的 Project  2、数据挖掘方法和原理【熟知】数据库中的知识发现步骤（字段选择、数据清洗、字段扩充、数据编码、数据挖掘、结果呈现）数据挖掘技术的产业标准（CRISP-DM 及 SEMMA）【应用】运用数据挖掘软件进行不同文件格式的数据导入，并进行初步的数据探索，探索的内容包含数值型字段的描述性统计分析、直方图（需与目标字段做链接）、缺失值分析及类别型字段的描述性统计分析、条形图（需与目标字段做链接）、缺失值分析。数据探索的结果可进行初步的字段筛选。  3、数据挖掘技术基础【领会】可视化技术（能使用相关工具根据业务问题做出可视化数据报告）【熟知】描述性统计案例为本的学习(Case-based Learning)：KNN(K Nearest Neighbor)原理数据的准备样本点间距离的计算(Manhattan Distance、City-Block Distance、Euclidean Distance) 【应用】运用数据挖掘软件中的 KNN 模块或者算法进行分类预测及 KNN 电影推荐。建模的过程需考虑将数据进行适当的转换以获得较佳的分析结果。  4、数据挖掘技术进阶【熟知】数据挖掘技术的功能分类描述性数据挖掘/无监督数据挖掘（关联规则、序列模式、聚类分析）第 3页，共 10页版权所有，侵权必究学习资料，严禁售卖 QQ交流群：643459329

CDA LEVELⅡ建模分析师考试大纲预测型数据挖掘/有监督数据挖掘（分类、预测）数据挖掘技术的绩效增益，包括混淆矩阵（正确率、查准率、查全率、F-指标）、Gain Chart、 Lift Chart、Profit Chart。  1、字段选择【领会】 PART 2 数据预处理数据整合 (理解不同数据来源的整合问题) 数据过滤 (理解如何透过数据过滤的方式，建置区隔化模型，以提升模型的预测效能) 【应用】运用数据挖掘软件进行数据过滤，以建立区隔化模型。  2、数据清洗【熟知】错误值、离群值、缺失值的侦测及处理【应用】运用数据挖掘软件进行错误值、离群值、缺失值的侦测及处理。离群值的侦测可比较平均值法与四分位数法的差异。同时，需熟悉天花板/地板法（盖帽法）的离群值处理方式。缺失值的处理则需熟悉利用建模的方式来填补缺失值。  3、字段扩充【领会】内/外部数据的扩充方法【应用】运用数据挖掘软件进行字段扩充，及评估扩充前后对模型效能的提升程度，并能加以说明原由。  4、数据编码【熟知】数据转换，包括数据正规化(Normalization)、数据泛化(Generalization)、数据离散化 (Discretization) 数据精简（记录精简、域值精简、字段精简）数据集的切割（随机取样切割法、分层抽样切割法）第 4页，共 10页版权所有，侵权必究学习资料，严禁售卖 QQ交流群：643459329

CDA LEVELⅡ建模分析师考试大纲【应用】运用数据挖掘软件进行数据转换及数据集的切割（能将数据切割为训练、验证及测试数据集）。同时，评估不同的数据转换方法对模型效能的影响。  5、特征提取技术【熟知】无效变量（不相关变量、多余变量）的区分方式统计方式的变量选择（卡方检验、ANOVA 检验及 T 检验）模型方式的变量选择（决策树、逻辑回归、随机森林）变量提取（PCA、LDA）【应用】运用数据挖掘软件进行关键变量的挖掘。同时，评估不同的关键变量选择方法对模型效能的影响。  1、朴素贝叶斯【熟知】 PART 3 预测型数据挖掘模型朴素贝叶斯（独立性假设、概率的正规化、拉普拉斯转换、空值的问题）【应用】运用数据挖掘软件建立朴素贝叶斯模型，解读模型结果，并评估模型效能。  2、线性回归【熟知】简单线性回归多元线性回归相关系数回归模型的效能评估(MAE、MSE、RMSE、R2、Adjusted R2、AIC & BIC) 【应用】运用数据挖掘软件建立线性回归模型，解读模型结果，并评估模型效能。  3、决策树（分类树及回归树）【领会】 PRISM 决策规则算法第 5页，共 10页版权所有，侵权必究学习资料，严禁售卖 QQ交流群：643459329

CDA LEVELⅡ建模分析师考试大纲 CHAID 决策树算法（CHAID 的字段选择方式）【熟知】 ID3 决策树算法（ID3 的字段选择方式、如何使用决策树来进行分类预测、决策树与决策规则间的关系、ID3 算法的弊端） C4.5 决策树算法，包括 C4.5 的字段选择方式、C4.5 的数值型字段处理方式、C4.5 的空值处理方式、C4.5 的剪枝方法（预剪枝法、悲观剪枝法） CART 决策树算法（分类树与回归树、CART 分类树的字段选择方式、CART 分类树的剪枝方法） CART 回归树算法（CART 回归树的字段选择方式、如何利用模型树来提升 CART 回归树的效能）【应用】运用数据挖掘软件建立分类树模型，解读模型结果，并评估模型效能。运用数据挖掘软件建立回归树模型，解读模型结果，并评估模型效能。  4、神经网络与深度学习【领会】 BP 神经网络概述（理解神经网络的由来及发展历程）卷积神经网络（Convolutional Neural Networks, CNN）（理解卷积神经网络 CNN 的由来及发展历程）递归神经网络（Recurrent Neural Networks, RNN）（理解递归神经网络 RNN 的由来及发展历程）【熟知】感知器(Perceptron)及感知器的极限多层感知器(Multi-Layer Perceptron) BP 神经网络的架构方式神经元的组成：组合函数(Combination Function)与活化函数(Activation Function) BP 神经网络如何传递信息修正权重值及常数项训练模型前的数据准备（分类模型的数据准备、预测模型的数据准备） BP 神经网络与逻辑回归、线性回归及非线性回归间的关系【应用】第 6页，共 10页版权所有，侵权必究学习资料，严禁售卖 QQ交流群：643459329

CDA LEVELⅡ建模分析师考试大纲运用数据挖掘软件建立 BP 神经网络模型，解读模型结果，并评估模型效能。  5、逻辑回归【熟知】逻辑回归与 BP 神经网络的关系逻辑回归的字段选择方式（前向递增法、后向递减法、逐步回归法）【应用】运用数据挖掘软件建立逻辑回归模型，解读模型结果，并评估模型效能。  6、支持向量机【领会】支持向量机概述线性可分最佳的线性分割超平面决策边界【熟知】支持向量线性支持向量机非线性转换核函数(Polynomial Kernel、Gaussian Radial Basis Function、Sigmoid Kernel) 非线性支持向量机支持向量机与神经网络间的关系【应用】运用数据挖掘软件建立支持向量机模型，解读模型结果，并评估模型效能。  7、集成方法【领会】集成方法概述【熟知】抽样技术训练数据上的集成方法（袋装法、提升法）输入变量上的集成方法（随机森林）【应用】第 7页，共 10页版权所有，侵权必究学习资料，严禁售卖 QQ交流群：643459329

CDA LEVELⅡ建模分析师考试大纲运用数据挖掘软件建立组合方法模型，解读模型结果，并评估模型效能。  8、模型评估【熟知】混淆矩阵（正确率(Accuracy)、查准率(Precision)、查全率(Recall)、F-指标(F-Measure)） KS 图（KS Chart） ROC 图（ROC Chart） GINI 图（GINI Chart）回应图（Response Chart）增益图（Gain Chart）提升图（Lift Chart）收益图（Profit Chart）平均平方误差（Average Squared Error）【应用】运用数据挖掘软件比较不同模型间的优劣。 PART 4 描述型数据挖掘模型  1、聚类分析【领会】聚类的概念【熟知】相似性的衡量（二元变量的相似性衡量、混合类别型变量与数值型变量的相似性衡量）样本点间距离的计算(Manhattan Distance、City-Block Distance、Euclidean Distance) 聚类算法（Exclusive vs. Non-Exclusive (Overlapping)的聚类算法、分层聚类法、划分聚类法）分层聚类算法（单一链结法、完全链结法、平均链结法、中心法、Ward’s 法）划分聚类算法（K-Means 法、EM 法、K-Medoids 法、神经网络 SOM 法、两步法）密度聚类算法（DBSCAN）群数的判断（ R-Squared (R2) 、 Semi-Partial R-Squared 、 Root-Mean-Square Standard Deviation (RMSSTD)、轮廓系数(Silhouette Coefficient) ）【应用】第 8页，共 10页版权所有，侵权必究学习资料，严禁售卖 QQ交流群：643459329

资料库

CDALevel2 建模分析师考试大纲.pdf

相关推荐

课程资源

热门标签

最新资料