跳到主要内容

🀄 培训与咨询

赵老师(Zhao Yongjiang)与指北君(Luo Yuxi)均取得了 KNIME 官方认证培训师资格, 且指北君在 2023/08 以及 2024/01 两次获得了 KNIME 官方给予的 COTM 称号, 专业程度毋庸置疑。我们将会根据具体问题情况给予您 KNIME & Python 培训、软件开发、数据开发方面最可行的方案。

以下为培训标准课程，我们会根据您的情况对课程内容进行定制

KNIME 基础课程

本部分包含开始使用 KNIME Analytics Platform 进行数据科学的课程材料。课程内容从详细介绍 KNIME Analytics Platform 开始，包括如何下载、使用工作台，以及如何应用于数据科学周期的各个阶段（数据导入、操作、聚合、可视化、模型训练和部署）。

课程章节内容描述
第一节KNIME Analytics Platform 介绍与数据访问
什么是 KNIME Analytics Platform
用户界面导览
创建你的第一个工作流
从文件读取数据
从数据库读取数据
第二节数据清理、数据转换与工作流文档化
过滤行与列
转换单元格中的值
转换表格
组织和记录工作流
第三节数据合并、数据聚合与数据导出
合并多张表格
多种方式合并表格
聚合表格中的值
将数据写入多种文件格式
第四节数据可视化与报告
使用各种图表进行数据可视化
创建带有自定义布局的仪表板
生成自定义报告
第五节总结
KNIME 高级课程

该课程涵盖了流变量、各种工作流控制（如循环、开关和错误处理），以及如何为机器学习模型自动获取最佳参数设置。此外，还涉及到日期和时间的处理，集成模型、参数优化和交叉验证等概念。

课程章节内容描述
流变量与组件本章节主要介绍了如何使用 KNIME 中的流变量、组件、配置节点以及小部件节点的重新执行功能。
工作流控制与调用讲解了如何在 KNIME 中使用循环、IF 和 CASE 开关、Try-Catch 结构，以及如何调用工作流。
日期和时间、数据库、REST 服务、Python 和 R 集成这一部分介绍了日期和时间数据的处理、数据库内的处理、REST 服务，以及 KNIME 中与 Python 和 R 的集成方法。
数据工程/数据分析/数据科学通过介绍数据源、结构化与非结构化数据、数据存储、数据读写、数据库日志记录（或高级数据访问、多页报告、Excel 样式化、机器学习基础）等内容，帮助学员掌握数据工程、分析或科学相关的高级技能。
数据应用与 KNIME 商业中心(Business Hub)

本课程涵盖了有关如何启动和运行数据应用程序的主题：测试、在 KNIME Business Hub 上部署、权限和版本控制、自定义样式、工作流编排等内容。

课程章节内容描述
部署数据应用的准备讨论原型完成后的部署步骤：集成部署、工作流服务、测试以及部署选项等。
KNIME 商业中心介绍介绍如何连接和上传工作流、创建和管理版本、工作流差异分析、工作流执行与部署、以及运行中的任务编辑。
数据应用探讨数据应用的组件组合视图，展示完整的数据应用实例。包括分页、“下一步”按钮、重新执行、条件视图与路径、循环、文件上传与下载小部件等。
ETL、ELT与数据管道验证探讨数据管道的类型，介绍数据科学持续部署框架（CDDS），演示在 CDDS 上进行简单和自动化的部署。
数据科学的持续部署介绍数据科学持续部署框架（CDDS），演示在 CDDS 上进行简单和自动化的部署，并进行模型性能测试。
数据管道的最佳实践讨论数据治理的最佳实践，包括质量管理、安全性、事件记录与跟踪、调度以及性能优化等。
KNIME 与机器学习

该部分涵盖了数据科学应用中最常用的机器学习算法，包括用于分类和数值问题的监督学习算法，如决策树、逻辑回归、集成模型等。同时介绍推荐引擎、神经网络以及深度学习的最新进展。此外，还将研究无监督学习技术，如 K 均值聚类、层次聚类和 DBSCAN。

课程章节内容描述
机器学习概论学习使用案例，监督学习与无监督学习的区别，分类问题与数值预测问题的差异。介绍数据科学生命周期的不同步骤。
决策树学习决策树算法及分类模型的评估方法。
回归模型和集成模型学习线性回归算法及数值预测模型的评估方法，回归树算法，集成模型（Bagging 和 Boosting）。
逻辑回归学习逻辑回归算法、似然函数以及梯度下降法。
神经网络比较生物神经元与人工神经元，学习前馈神经网络与反向传播的概念，简要介绍循环神经网络 (RNN) 和卷积神经网络 (CNN)。
推荐引擎学习 A-priori 算法和协同过滤方法。
聚类学习 K 均值聚类、层次聚类和 DBSCAN 算法。
数据预处理学习降维、异常值检测、缺失值填补和特征选择等数据准备技术。
KNIME 与时间序列分析

本课程介绍时间序列分析的核心概念，特别是用于预测的应用。涵盖数据清洗、缺失值填补、基于时间的聚合技术、构建过去值的向量/张量、描述性分析、模型训练（从简单的基础模型到复杂的统计和机器学习模型）、超参数优化以及模型评估。这些步骤都会结合真实的时间序列数据集进行讲解。

课程章节内容描述
时间序列预测与数据处理介绍时间序列预测及其分析的概念，探讨单变量和多变量时间序列分析的区别。重点介绍数据清洗、缺失值填补和不同时间尺度上的数据聚合。同时，还会讲解时间序列的可视化，包括不同时间尺度上的时序图、季节性箱线图和滞后图。
描述性分析与评估指标介绍时间序列数据的描述性分析，涉及平稳性、趋势和季节性分析。使用ACF/PACF和交叉相关函数进行分析。介绍如何通过差分法去除非平稳性，以及去除季节性的技术。最后，学习时间序列模型的评估指标，如R^2, RMSE, MAPE, MAE等误差指标。
基本预测模型学习基本的时间序列预测模型，如简单的Naïve预测法，以及ARIMA模型，包括自回归（AR）、自回归滑动平均（ARMA）和自回归积分滑动平均（ARIMA）模型。同时，介绍残差分析的概念。
机器学习模型介绍如何使用机器学习模型进行时间序列预测，包括在Spark上实现AR模型。学习如何优化参数，使用递归循环预测未来，部署预测模型。课程还简要介绍了LSTM深度学习模型在时间序列中的应用。
数据提取与可视化

数据可视化是数据分析中最重要的部分之一，同时也是整个数据科学流程中不可或缺的一环。它不仅可以帮助传达分析结果，还能够更好地探索和理解数据。因此，数据可视化是任何从事数据科学工作者的必备工具之一。

课程章节内容描述
数据收集- 识别数据访问节点，提升KNIME工具的使用能力。
- 进行网页数据抓取，获取网站数据。
- 区分不同的小部件，创建功能强大的仪表盘。
- 构建数据收集工具，展示个人技能。
数据可视化- 为不同任务选择合适的可视化方式。
- 应用高级可视化技术，处理常见任务。
数据预处理- 使用不同的节点解析PDF文件。
- 学习正则表达式提取特定文本。
- 操作数据提取工具，自动化重复性任务。
数据与工作流程质量- 使用异常检测技术识别数据中的错误。
- 通过学习可视化最佳实践来改善数据展示。
深度学习与人工智能

深度学习在许多数据科学领域中应用广泛，如图像处理、文本处理和欺诈检测。KNIME 提供了与 Keras 库的集成，使得用户可以结合 KNIME 无代码分析平台与 Keras 库的深度学习功能。虽然无需编码，但实现深度学习网络仍需熟悉不同的学习范式、前馈多层架构、序列数据网络、文本数据的编码以及图像数据的卷积层等。

课程章节内容描述
经典神经网络介绍经典神经网络的架构，包括前馈神经网络和反向传播算法。课程涵盖深度学习的安装与配置，如何在 KNIME 平台上使用深度学习节点进行无代码操作。
深度学习设计元素探讨深度学习设计中的激活函数、损失函数，以及如何避免过拟合的选项。并提供一些实用技巧，此外还通过案例展示了深度学习的应用，如使用自编码器进行异常检测等。
递归神经网络针对序列数据的特殊需求，介绍递归神经网络 (RNN) 及其应用，并深入介绍长短期记忆单元 (LSTM) 的概念及其实现。
卷积神经网络介绍计算机视觉领域及卷积神经网络 (CNN)，讨论如何通过迁移学习进行图像分类，并展示卷积神经网络的实际应用。
数据工程

本课程聚焦于如何使用 KNIME Analytics 平台进行数据工程，并在构建数据处理管道时应用最佳实践。您将学习如何连接多个数据源、数据匿名化的方法以及高级数据库主题。同时，您还将了解 Apache Hadoop 生态系统，并学习如何通过 Apache Spark 集成处理大数据。最后，您将掌握如何构建和协调模块化工作流。

课程章节内容描述
数据连接与访问复习文件处理，学习如何使用 Web 服务进行数据访问和连接。
最佳实践涵盖安全性、效率、错误处理、可重用性以及数据验证等方面的最佳实践。
数据匿名化学习如何对数据进行匿名化处理，以保证数据的隐私与安全。
高级数据库主题介绍关系型数据库的高级概念，并简要介绍 NoSQL 数据库的基本知识。
Hadoop 生态系统简要介绍 Hadoop，并学习如何通过 Hadoop 连接器进行大数据的输入/输出和处理。
Apache Spark介绍 Spark 的输入/输出和处理方法，并学习如何使用 Spark 进行机器学习。
云与大数据连接学习如何在云端运行 Hadoop 应用程序，并介绍主要云服务提供商的连接方法。
数据管道编排通过实例学习如何在客户数据和使用数据应用上编排 ETL 和 ELT 工作流，并学习工作流服务。

联系方式​

指北君​

赵老师[b站昵称:不编程亦分析]​

  • 微信：zhaoyongji6757

对于简单的、耗时较短的问题，我们很乐意为您提供一些解决思路；然而，对于更为复杂、耗时较长的问题，请您理解，此类服务将会收费。或者您也可以将问题发到 KNIME 爱好者群中，有可能会获得一些回答。