Python3数据分析与挖掘建模实战

xuenv2005

第1章 课程介绍【赠送相关电子书+随堂代码】
本章首先介绍本课程是什么，有什么特色，能学习到什么，内容如何安排，需要什么基础，是否适合学习这门课程等。然后对数据分析进行概述，让大家对数据分析的含义和作用有一个整体的认知，让大家对自己接下来要做的事情，有一个基本的概念与了解。...
$ t- \9 `% t* o
( W& K" D; U2 K/ J: k 1-1 课前必读（不看会错过一个亿）
7 Y9 n- [: c/ Q6 [( _ 1-2 课程导学
" x& k" _) `! T- ~- B  Q. N- O# j, x 1-3 数据分析概述
9 A8 a. b8 o! ?. P4 {0 u( P* Z第2章 数据获取
3 f0 Q# l) t4 H- P6 V数据从哪里来？怎么来？这一章，我们会介绍数据获取的一般手段。主要包括数据仓库、抓取、资料填写、日志、埋点、计算等手段。同时，我们也会介绍几个常用的数据网站，供大家参考与学习。
/ S' ^& q# O; T3 h
2-1 数据仓库
2-2 监测与抓取
2-3 填写、埋点、日志、计算
4 p$ ]7 ^; q( E& z& S 2-4 数据学习网站
第3章 单因子探索分析与数据可视化
有了数据，如何上手？这一章，我们会介绍探索分析的一部分---单因子探索分析和可视化的内容。我们会以基础的统计理论知识为切入点，学习异常值分析、对比分析、结构分析、分布分析。同时，引入接下来几章都会用到的案例-HR人力资源分析表，并用理论与可视化的方法，完成对此表的初步分析。...
! h) W, H/ [- s
7 w  O& z9 m- _5 X7 L$ Q2 V 3-1 数据案例介绍
3-2 集中趋势,离中趋势
3-3 数据分布--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 对比分析
3-9 结构分析
+ @- ?5 H' N- m1 r( C4 b. }$ ?% C 3-10 分布分析
3-11 Satisfaction Level的分析
2 `; N  Z* x( a, C' T2 b 3-12 LastEvaluation的分析
: V' N! ~% q0 ~0 ~8 _6 q0 j 3-13 NumberProject的分析
3-14 AverageMonthlyHours的分析
  q0 E" N1 ~( m* ^& p. D( V. [ 3-15 TimeSpendCompany的分析
6 I( B& Q7 i% s9 i9 x, t 3-16 WorkAccident的分析
- F9 N. n3 d5 S4 y. @ 3-17 Left的分析
& }% r  Z' q5 ^+ I2 { 3-18 PromotionLast5Years的分析
3-19 Salary的分析
3-20 Department的分析
1 g0 J0 a# c' e) `- M4 y7 ? 3-21 简单对比分析操作
3-22 可视化-柱状图
# \$ p" l2 ~) Y& E" o$ R0 o 3-23 可视化-直方图
7 {& @* S% y. c1 Z 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
, D5 H; s) w( F& z' D* k* i. m第4章 多因子探索分析
; K/ f3 F: t4 J上了手，然后呢？这一章，我们介绍探索分析的另一部分---多因子复合探索分析。我们同样以基础的统计知识为切入点，学习多因子间互相影响与配合的分析方法，如交叉分析、分组分析、相关分析、成分分析等。同时，以HR人力资源分析表为例，进行进一步的探索。...

4-1 假设检验
, f  z# }8 C( ] 4-2 卡方检验
4-3 方差检验
& C; ?4 b5 n4 {8 E, q 4-4 相关系数
" i8 c2 W8 ^5 d& G# k: w) d 4-5 线性回归
% J, C! V; [7 j- _* u* J- i* }! s 4-6 主成分分析
% L" V5 J5 a2 B: R+ l- x1 n6 P# g 4-7 编码实现
4-8 交叉分析方法与实现
; w+ J, a; J. O& a: K" B 4-9 分组分析方法与实现
4-10 相关分析与实现
# R7 F5 B& N* X, F- D8 I) V9 G, T 4-11 因子分析与实现
4-12 本章小结
7 n2 B; H; l/ h0 _; f第5章 预处理理论
0 V" b7 _9 Z8 S/ G数据已了解，用起来！不着急，先加工。这一章，我们会介绍特征工程的主要内容，重点会介绍数据清洗和数据特征预处理的主要内容，包括数据清洗、特征获取、特征处理（内含对指化、归一化、标准化等）、特征降维、特征衍生。预处理的好坏，直接影响着接下来模型的效果。...
. {) C" T  e- Y
5-1 特征工程概述
0 t+ y/ Q  G  ^* T3 G, `/ L 5-2 数据样本采集
5-3 异常值处理
5-4 标注
5-5 特征选择
. z- E; K0 H* } 5-6 特征变换-对指化
7 l' [0 G( r4 Z& c 5-7 特征变换-离散化
! h$ ]! f' Q9 P 5-8 特征变换-归一化与标准化
! y9 C$ ~6 ^4 a; s3 T  L9 Y6 k 5-9 特征变换-数值化
2 z! y+ l! K; q' u8 H 5-10 特征变换-正规化
- m$ O: E( j5 o6 x5 t; d6 i 5-11 特征降维-LDA
5-12 特征衍生
5-13 HR表的特征预处理-1
5-14 HR表的特征预处理-2
7 r2 K$ n. J! a, G& z. C/ V 5-15 本章小结
第6章 挖掘建模
把数据用起来！这一章，我们会介绍数据挖掘与建模的主要内容。主要包含五类模型的建立与实践，分别为：分类模型（KNN、朴素贝叶斯、决策树、SVM、集成方法、GBDT……），回归模型与回归思想分类（线性回归、逻辑斯特回归【也叫罗吉回归，逻辑回归。音译区别】、神经网络、回归树），聚类模型（K-means、DBSCAN、层次聚类、...

# R. q8 e, J9 y' t 6-1 机器学习与数据建模
6-2 训练集、验证集、测试集
6-3 分类-KNN
0 g1 d% ~; g- x4 L5 `' n: ] 6-4 分类-朴素贝叶斯
6-5 分类-决策树
& d/ ?9 M8 h& n7 e& I 6-6 分类-支持向量机
/ d8 Z) `$ h' C2 b/ u  ^0 H: Z 6-7 分类-集成-随机森林
6-8 分类-集成-Adaboost
0 x6 P8 g2 c' I9 z: `) G% \) q+ p" @ 6-9 回归-线性回归
6-10 回归-分类-逻辑回归
6-11 回归-分类-人工神经网络-1
6-12 回归-分类-人工神经网络-2
5 z: Q5 d' D1 a& ` 6-13 回归-回归树与提升树
7 X8 b. a/ E2 u" C. U 6-14 聚类-Kmeans-1
0 O& L4 o7 b" l  x7 C4 |9 T8 w 6-15 聚类-Kmeans-2
  f$ G* ?+ W" o; i7 D0 u  ? 6-16 聚类-DBSCAN
; `% s5 z5 ^* ~9 E. v' U: e5 { 6-17 聚类-层次聚类
6-18 聚类-图分裂
6-19 关联-关联规则-1
6-20 关联-关联规则-2
6-21 半监督-标签传播算法
0 T) e1 B9 K2 U, V/ D0 j- \ 6-22 本章小结
第7章 模型评估
3 O, R# {( ^$ U7 o# T0 q8 z- \哪个模型好？上一章，我们学习了很多模型，一个数据集，可能用多种模型都可以进行建模，那么哪种模型好，就需要有些指标化的东西帮我们决策。这一章，我们会介绍使用混淆矩阵和相应的指标、ROC曲线与AUC值来评估分类模型；用MAE、MSE、R2来评估回归模型；用RMS、轮廓系数来评估聚类模型。...

7-1 分类评估-混淆矩阵
7-2 分类评估-ROC、AUC、提升图与KS图
9 y5 V6 i( L% X4 ~: f8 y 7-3 回归评估
, f! S" _4 B$ C- r2 {% d& s 7-4 非监督评估
第8章 总结与展望
. q  }1 Q, E: Z这一章，我们将回顾本课程的全部内容，并从多个角度，重新看待我们的数据分析工作。最后，我们会了解到，学习了这门课程以后，还可以在哪些方面进行发展。
, ]" F8 @' K( q: N( u3 q
% N8 L/ p* r6 b3 L; G, o 8-1 课程回顾与多角度看数据分析
- o( j9 w/ a4 i5 F/ O7 r 8-2 大数据与学习这门课后还能干什么？

! g4 Y7 {" @  }  [+ k: s$ }9 H6 g* V