CDA二級建模分析師考試相關

PS.本文圖片都是作者原創，轉載請註明出處，謝謝！

寫這篇博客的原因

我備考之路可以說是相當孤獨，還好在後期加了備考羣遇到了一些同樣備考的小夥伴。當時搜索資料也是相當有限，希望搜索CDA考試的小夥伴們知道，你們不是在孤軍奮戰~

考試介紹

題型分佈

考綱梳理

1. 考綱內容

PART 1 數據挖掘基礎理論（佔比20% ）
a. 數據挖掘概要（2%）
b. 數據挖掘方法和原理（7%）
c. 數據挖掘技術基礎（5%）
d. 數據挖掘技術進階（6%）
PART 2 數據預處理（佔比25% ）
a. 字段選擇（2%）
b. 數據清洗（8%）
c. 字段擴充（2%）
d. 數據編碼（8%）
e. 特徵提取技術（5%）
PART 3 預測型數據挖掘模型（佔比40% ）
a. 樸素貝葉斯（5%）
b. 線性迴歸（3%）
c. 決策樹（分類樹及迴歸樹）（8%）
d. 神經網絡與深度學習（6%）
e. 邏輯迴歸（2%）
f. 支持向量機（4%）
g. 集成方法（5%）
h. 模型評估（7%）
PART 4 描述型數據挖掘模型（15% ）
a. 聚類分析（6%）
b. 關聯規則（6%）
c. 序列模式（3%）

2. 考綱重點梳理

1. Part 1.基礎理論——緊扣大綱，不放過每個可能的考點（考點細）
   $\diamondsuit$數據挖掘概念—
   什麼是數據挖掘？數據挖掘的起源？發展歷程？
   （數據蒐集—>數據查詢—>數據統計—>數據分析）
   $\diamondsuit$方法原理—
   什麼是???？???的步驟？數據挖掘流程：CRISP-DM？SEMMA？（從數據預處理環節出發探索二者的共同點）
   $\diamondsuit$數據挖掘的基礎技術—
   探索性數據分析
   case based learning：KNN——原理？數據處理？距離計算？
   $\diamondsuit$數據挖掘的進階技術—
   有監督數據挖掘模型
   無監督數據挖掘模型
2. Part 2.數據預處理——以大綱爲主，理論結合實操！
   $\diamondsuit$數據清洗
   噪聲$\begin{cases}識別\begin{cases}類別型：錯誤值\\數值型：異常值（離羣值）\end{cases}\\處理\begin{cases}錯誤值\\離羣值\end{cases}\end{cases}$
   缺失值處理$\begin{cases}直接忽略\\人工填補(瞭解)\\自動填補\end{cases}$
   $\diamondsuit$數據編碼
   $\begin{cases}數據轉換\\數據精簡\\數據集切割\end{cases}$
   $\diamondsuit$特徵提取（變量篩選）
   $\begin{cases}統計檢驗篩選變量\\模型方式篩選變量\end{cases}$
   $\diamondsuit$字段選擇&字段擴充
3. Part 3.數據挖掘模型——從考綱出發，結合參考書，攻克算法
   $\diamondsuit$模型評估
   -混淆矩陣、precision、recall、F1指標；（實操）閾值確定：F1、profit、ROC、Lift曲線。
   $\diamondsuit$決策樹
   -分裂屬性的選擇、ID3、C4.5、CART、CHAID
   $\diamondsuit$聚類分析
   $\diamondsuit$關聯規則&序列模式
   $\diamondsuit$神經網絡
   $\diamondsuit$樸素貝葉斯
   $\diamondsuit$集成方法
   $\diamondsuit$支持向量機
   $\diamondsuit$邏輯迴歸和線性迴歸

Tip

一些具體內容請移步：http://www.peixun.net/view/1432.html?tab=zhangjie&autoplay=1

學習資料

https://exam.cda.cn/static/exam_attachment/L2jmjx77.pdf
密碼:cda2