Python3数据分析与挖掘建模实战视频教程

admin

第1章 课程先容【赠予相关电子书+随堂代码】 本章首先先容本课程是什么，有什么特点，能进修到什么，内容若何放置，需要什么根本，能否合适进修这门课程等。然后对数据分析停止概述，让大师对数据分析的寄义和感化有一个整体的认知，让大师对自己接下来要做的工作，有一个根基的概念与领会。... 1-1 课程导学 1-2 数据分析概述 第2章 数据获得 数据从那里来？怎样来？这一章，我们会先容数据获得的一般手段。首要包括数据仓库、抓取、材料填写、日志、埋点、计较等手段。同时，我们也会先容几个常用的数据网站，供大师参考与进修。 2-1 数据仓库 2-2 监测与抓取 2-3 填写、埋点、日志、计较 2-4 数据进修网站 第3章 单因子摸索分析与数据可视化 有了数据，若何上手？这一章，我们会先容摸索分析的一部分---单因子摸索分析和可视化的内容。我们会以根本的统计理论常识为切入点，进修异常值分析、对照分析、结构分析、散布分析。同时，引入接下来几章城市用到的案例-HR人力资本分析表，并用理论与可视化的方式，完成对此表的初步分析。... 3-1 数据案例先容 3-2 集合趋向,离中趋向 3-3 数据散布--偏态与峰度 3-4 抽样理论 3-5 编码实现（基于Python2.7） 3-6 数据分类 3-7 异常值分析 3-8 对照分析 3-9 结构分析 3-10 散布分析 3-11 Satisfaction Level的分析 3-12 LastEvaluation的分析 3-13 NumberProject的分析 3-14 AverageMonthlyHours的分析 3-15 TimeSpendCompany的分析 3-16 WorkAccident的分析 3-17 Left的分析 3-18 PromotionLast5Years的分析 3-19 Salary的分析 3-20 Department的分析 3-21 简单对照分析操纵 3-22 可视化-柱状图 3-23 可视化-直方图 3-24 可视化-箱线图 3-25 可视化-折线图 3-26 可视化-饼图 3-27 本章小结 第4章 多因子摸索分析 上了手，然后呢？这一章，我们先容摸索分析的另一部分---多因子复合摸索分析。我们一样以根本的统计常识为切入点，进修多因子间相互影响与配合的分析方式，如穿插分析、分组分析、相关分析、成份分析等。同时，以HR人力资本分析表为例，停止进一步的摸索。... 4-1 假定检验 4-2 卡方检验 4-3 方差检验 4-4 相关系数 4-5 线性回归 4-6 主成份分析 4-7 编码实现 4-8 穿插分析方式与实现 4-9 分组分析方式与实现 4-10 相关分析与实现 4-11 因子分析与实现 4-12 本章小结 第5章 预处置理论 数据已领会，用起来！不焦急，先加工。这一章，我们会先容特征工程的首要内容，重点会先容数据清洗和数据特征预处置的首要内容，包括数据清洗、特征获得、特征处置（内含对指化、归一化、标准化等）、特征降维、特征衍生。预处置的黑白，间接影响着接下来模子的结果。... 5-1 特征工程概述 5-2 数据样本收集 5-3 异常值处置 5-4 标注 5-5 特征挑选 5-6 特征变更-对指化 5-7 特征变更-离散化 5-8 特征变更-归一化与标准化 5-9 特征变更-数值化 5-10 特征变更-正规化 5-11 特征降维-LDA 5-12 特征衍生 5-13 HR表的特征预处置-1 5-14 HR表的特征预处置-2 5-15 本章小结 第6章 挖掘建模 把数据用起来！这一章，我们会先容数据挖掘与建模的首要内容。首要包括五类模子的建立与理论，别离为：分类模子（KNN、朴实贝叶斯、决议树、SVM、集成方式、GBDT……），回归模子与回归思惟分类（线性回归、逻辑斯特回归【也叫罗吉回归，逻辑回归。音译区分】、神经收集、回归树），聚类模子（K-means、DBSCAN、条理聚类、... 6-1 机械进修与数据建模 6-2 练习集、考证集、测试集 6-3 分类-KNN 6-4 分类-朴实贝叶斯 6-5 分类-决议树 6-6 分类-支持向量机 6-7 分类-集成-随机森林 6-8 分类-集成-Adaboost 6-9 回归-线性回归 6-10 回归-分类-逻辑回归 6-11 回归-分类-野生神经收集-1 6-12 回归-分类-野生神经收集-2 6-13 回归-回归树与提升树 6-14 聚类-Kmeans-1 6-15 聚类-Kmeans-2 6-16 聚类-DBSCAN 6-17 聚类-条理聚类 6-18 聚类-图割裂 6-19 关联-关联法则-1 6-20 关联-关联法则-2 6-21 半监视-标签传布算法 6-22 本章小结 第7章 模子评价 哪个模子好？上一章，我们进修了很多模子，一个数据集，能够用多种模子都可以停止建模，那末哪类模子好，就需要有些目标化的工具帮我们决议。这一章，我们会先容利用混淆矩阵和响应的目标、ROC曲线与AUC值来评价分类模子；用MAE、MSE、R2来评价回归模子；用RMS、表面系数来评价聚类模子。... 7-1 分类评价-混淆矩阵 7-2 分类评价-ROC、AUC、提升图与KS图 7-3 回归评价 7-4 非监视评价 第8章 总结与展望 这一章，我们将回首本课程的全数内容，并从多个角度，重新看待我们的数据分析工作。最初，我们会领会到，进修了这门课程今后，还可以在哪些方面停止成长。 8-1 课程回首与多角度看数据分析 8-2 大数据与进修这门课后还能干什么？ 下载地址： 游客，如果您要查看本帖隐藏内容请回复