可能是国内最通俗易懂的数据挖掘课程！
本文不是技术文，也不是经验贴，仅分享
CDA一位遍历CDA数据分析员，LEVEL I，LEVEL II SPSS Modeler，Python，SAS等课程的学员心得体会。
有很多小伙伴觉得最近大热的是
Python 或者是R，我课程几乎都听过，但最后我却独爱李老师的SPSS Modeler，
只有经历过，才知道什么最适合自己，
李老师的课给了我很大的自信，也让我在数据分析的道路上不惧困难的越走越远。
李老师是台湾人，说话确实是有一些台腔，但这并不影响听课，因为说话很好听喔，有一种让你想学习听课的魔力，我个人很喜欢。李老师是个很耐心也很可爱的人，
他不会说你遇到的提问的问题，是多么浅显，就不会好好回复
，我上次因为软件安装盘的问题，分析数据一直报错，我的课就一直卡在那里，没办法继续（我是看的录播，直播没赶得上，很遗憾），我通过课程老师找到李老师，一直再试问题，都晚上十一点多了，才解决好，让我无比感动，在看录播的时候，有同学问的问题很简单，李老师也没有嫌烦，一点一点直到同学可以明白，大家要知道现在很多老师，耐心是很缺乏的，别说简单的问题，就是稍微深一点的问题，他觉得你烦的，一般都会直接忽略，
很感激在数据分析的路上可以遇到这样一个好老师。
SPSS Modeler和像Python R这类的软件不太一样，
它适合编程基础较弱，或者是没有基础的伙伴们进行数据分析
，我是从审计行业想转行的，所以我在二级的道路上一直都比较迷茫，我该学什么软件才好呢，可是我的基础不强，我该怎么办才好呢，别说是其他的
SAS 我也听得没SPSS Modeler这么明白，可能是我生性愚钝吧，那些大热的软件，我有些应付不过来，我就想着好好把这个软件学好，以后再去涉及到其他的部分。真正的学习并不是说你学的东西有多热门，你学的东西有多讨人喜欢或者是其他原因，而是适合自己最重要。
我是今年六月的二级，二级的几门课我几乎全报了，像sas
、
Python我都报了名，可也都跟着听了一遍，老师讲的是很好，但转了一圈，我还是更喜欢李老师的课，我跟课程老师说，李老师还有其他的课程吗？他有什么我就去报什么，没有别的原因，只是因为人格魅力很强。
讲课风趣幽默，能把复杂的东西简单化，这不就是我们想要的学习结果吗？
我们不都是想把硬骨头啃下来，以后就会好很多不是吗？
学习了这么久，有一套自己的学习方法才是最重要的，
李老师推荐了很多的书都很棒，我准备二级考完好好看一看，光是输入没用，你要去做，转化成输出，知识才真正是你的，要学会内化，总结，不断反省才能成长。
李老师的课，十六个课时，很惭愧我才听了一遍多，第二遍还没有听完，在各个课程的比较中，我也花了不少时间，所以进度有些慢，在第一遍听课的时候可以听慢一些，方便有时间思考和记笔记，到了第二遍的时候，你就可以稍微加快一些进度，这里的加快是指老师讲的一些生活小事我们可以先跳过去不听，毕竟时间有限。考纲这次好像也是李老师出的，深得我心呐。
考纲一定要看，至少两遍，不能再少了
，
我考纲的时间分配是这样的
：在开始听李老师课之前，我先看了听了一遍考纲视频，那时候云里雾里的，不过有好处就是带着问题去听课，你更能听明白。第二遍是在你听完第一次课之前，考纲的知识点你就可以拿出来整理和总结了，以前不会的问题，现在应该几乎都能明白，当然一定会有一些依旧不是很会的地方，那第二遍视频就可以开始了，找准目标的听课，比较容易找到答案，不断查漏补缺，才能更好的进步。
考纲上的习题一定要看，都是比较简单的基础题。
如果之后做题还是有不太会的地方，可以对着考纲找知识点回看，若还是不能明白，建议去找老师解答，不管哪个方向的，找李老师他应该都是很热情的来回答大家的问题。
祝大家都可以考一个好成绩！
小北
2016.6.13
结论：数据分析和数据挖掘更重要的是分析思维，模型原理和对业务的深刻理解应用。软件只是分析的工具，选择合适自己的是最重要的。借用邓小平总理提出的“猫论”,即“不管黑猫白猫,抓得到老鼠就是好猫。”
最后，请允许小编打个广告
~~~
CDA level II SPSS modeler 数据挖掘课程，
4月1-6日（连续6天），北京&远程直播，
台湾李御玺老师亲自授课。
一、课程安排
北京
&远程：
2017年4月01日-4月06日-连续班
授课安排：
(1) 授课方式：
周末培训，视频赠送，中文多媒体互动式授课方式
(2) 授课时间：上午9:00-12:00，下午13:30-16:30，16:30-17:00(答疑)
(3)
学习期限：现场与视频结合，长期学习加练习答疑。
二、课程大纲
第一阶段：数据挖掘基础
1.数据挖掘在政府及各行业的应用
2.数据挖掘的起源、定义及目标
3.数据挖掘的发展历程
4.数据挖掘的知识发掘步骤（KDD）
5.数据挖掘的产业标准（CRISP DM）
6.数据挖掘的功能分类
7.数据挖掘相关网站介绍
a.案例：信用评等数据集、天气数据集、玻璃制品数据集
第二阶段：基础数据挖掘及数据前处理技术
1.描述性统计分析技术
2.数据可视化技术
3.数据前处理技术
a.案例：新车设计数据集、信用评等数据集
b.案例：药物治疗数据集、电信客户组合营销案例
第三阶段：进阶数据挖掘技术
1
1.训练数据与测试数据拆分
2.统计方式的变量选择
a.卡方检定
b.T检验级ANOVA检定
3.模型方式的变量选择
a.决策树算法
b.罗吉斯回归选择法
c.包装法
第四阶段：进阶数据挖掘技术
2
1.分类之贝叶斯网络
2.分类之决策树
3.分类模型的评估
a.案例：细胞样本数据集、零售促销数据集、电信客户分类
第五阶段：进阶数据挖掘技术
3
1.分类之支持向量机
2.分类之多模型整合
3.预测之简单线性回归、复回归
4.预测之回归树
5.预测之神经网络
6.关联分析：Apriori算法
7.时间序列分析
