小象学院 Python 数据分析和数据挖掘 第一期视频教程附配套文档与资料【12课时】

冰点也疯狂

课程大纲：
第一课. “一天理解数据、数据分析和数据挖掘“。
8 s' O, ^. L: [/ {' r基本概念：数据是什么；通过一个数据实例了解数据分析和数据挖掘的任务和过程；
% X. r: _: I2 V5 k) g1 S% k理论知识点1：统计初步。

( h& @- Q" f; Y. H: b8 m+ T; L第二课. “必先利其器”。
0 X( V4 Y+ y- y, U. o9 o$ Q使用Python搭建初步的数据分析环境；数据结构；数据生成，载入和存储，数据库知识；
理论知识点2：概率和矩阵运算。

第三课. “了解你的数据”。
数学建模：从实际业务到抽象模型的转换，变量的提取；对数据质量进行初步检验；数据预处理：数据清洗，数据变换，异常值处理，粒度变换，维度变换，离散化等。

第四课. “理解你的数据”。
数据分析初步：描述性分析；数据分析初步：研究变量之间的关系；数据分析初步：图形和数据可视化，使用可视化进行探索式分析；再说数据质量：抽样；完善Python环境。
8 i- R' L+ t) v, C* D, B# M
4 Z9 b7 t& W" v第五课. “深入理解你的数据”。
- \; N: j( b7 q数据分析进阶：基于假设检验的数据分析，相关、卡方、方差分析；对数据进行降维处理，PCA和SVD；
理论知识点3：假设检验，经典数据分析的框架。

第六课. “解释与预测”。
回归分析--线性回归，用线性回归模型进行预测，实例-销售量预测；数据分析进阶：广义线性回归，当应变量的分布非正态分布时，实例-用户访问量的预测；
理论知识点4：模型选择。

/ z  g3 i" t; B; C9 {& g第七课. “发现数据蕴含的新模式1”。
( _5 t# @% P- M" J数据挖掘初步：定义数据点之间的距离；实例，如何根据兴趣判断两个用户的契合度；构造新变量；KNN；
& r$ f! {1 X' x) r; k( N理论知识点5：模式识别初步。

第八课. “新模式：数据之间蕴含的关联关系”。
* B3 @& u$ o: h- L2 }事务型数据挖掘：挖掘频繁项集-电影、购物、图书数据，关联分析-Apriori算法，相关分析。

  y9 u  S4 m! z! O. X* L. M第九课. “使用数据辅助决策”。
分类分析：决策树，案例-信用评级；朴素贝叶斯进行分类分析：案例-信用评级；贝叶斯信念网络、支持向量机等其他分类方法；
理论知识点6：再说模型选择

1 a4 A% `% R4 ~9 i第十课. “发现新模式2”。
" ]9 W/ Z/ {- i6 U1 ~聚类分析：基本概念、方法、和评价；基于划分的方法，案例-寻找客户类型；基于相关的方法，基于密度的方法；
理论知识点7：信息学初步

第十一课. “不可二次踏入的河流”。
2 h' }1 y3 ]; t9 Y' y3 `' O- q时间序列：金融、天气等数据的分析和挖掘；
8 u1 H+ y( U6 _9 y理论知识点8：时间序列分析
, v4 Q" S3 S2 {" r
第十二课. “一个大招放倒自己”。
数据分析和挖掘综合案例

5 A8 w% l3 k! s课程目录：
3 a8 H/ r6 o9 h5 F第1 章 ： 第一周回放课
- U/ F9 V2 l# I+ ^" K* Z9 c* z. g课时1：第一课：一小时理解数据和数据分析与挖掘
8 {5 P. m: A  S6 x; G课时2：第二课：统计基础
& Q) M, E9 w8 P
第2 章 ： 第二周回放课
课时3：第三课：数据预处理
课时4：第四课：理解样本数据

第3 章 ： 第三周回放课
2 J  ^) a, _+ q3 X课时5：第五课：探索变量之间的关系
课时6：第六课：回归分析和基于模拟的分析
5 ~+ p- j6 H( _2 x% ?$ K
7 z' Y3 E2 l7 c第4 章 ： 第四周回放
课时7：第七课：分类和预测
0 S/ Q* w3 _, U# v. [: R0 h课时8：第八课：邻近度和聚类

第5 章 ： 第五周回放
: t& r9 N; U9 |2 k: I课时9：第九课：事务型数据和关联分析

8 p3 T- l+ x( K: L第6 章 ： 第六周回放
课时10：第十课：豆瓣数据案例
9 T! E% q7 w4 {5 w$ _8 X& J课时11：第十一课：时间序列分析和金融数据
% [# l6 T) e3 M% c' Z/ x; B8 C- o课时12：第十二课：金融数据分析案例

, J6 ]5 |1 }8 a! b" ~( U1 f8 |