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。...

1 U6 T/ G: u9 y" X  e4 M3 _ 1-1 课前必读（不看会错过一个亿）
1-2 课程导学
. Q8 }' {8 m$ c# k- I 1-3 数据分析概述
7 e% V! k" E, \2 F- k/ [0 [第2章 数据获取
$ i2 j) J, j6 Q# `4 N# p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。

2-1 数据仓库
# Y; c# ]; ]% u' Q$ K' a! O+ J 2-2 监测与抓取
: J: M1 H4 Z  D. Y) g 2-3 填写、埋点、日志、计算
) n) N8 F% ]; x/ u7 t3 @ 2-4 数据学习网站
9 f8 N5 y' w. c1 o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。...
' U! L$ D2 m7 M' Z: f* S
" e- e* A* R* b& d, z 3-1 数据案例介绍
/ O' |0 R3 w; b' k. [1 N9 d 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
6 G; {$ r; f  F% | 3-5 编码实现（基于python2.7）
' ^+ Z9 X* X: D; H! g$ i 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
2 K1 j; e1 X" T) b9 S" ] 3-10 分布分析
- S% X7 z7 I8 |$ b: h6 Q: O. d' w) E 3-11 Satisfaction Level的分析
/ r" @4 z. Z! `( I+ K 3-12 LastEvaluation的分析
( J! L% \  }: X! E1 r+ n: M 3-13 NumberProject的分析
3-14 AverageMonthlyHours的分析
3-15 TimeSpendCompany的分析
3-16 WorkAccident的分析
1 [. Q# e  {. Q( q  r 3-17 Left的分析
3-18 PromotionLast5Years的分析
3-19 Salary的分析
! U" s* H6 y% f# U( g 3-20 Department的分析
3-21 简单对比分析操作
3-22 可视化-柱状图
* l5 R# A9 q5 ?% A3 u+ C$ C8 F 3-23 可视化-直方图
1 G! s; }, M, M+ P- ^ 3-24 可视化-箱线图
3-25 可视化-折线图
7 F' Y# V2 S5 d' l2 B8 B) q! h 3-26 可视化-饼图
$ L, g1 i: b! a2 o& o 3-27 本章小结
第4章 多因子探索分析
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。...

1 O. a9 [! h4 U! ~: E) i$ ` 4-1 假设检验
4-2 卡方检验
0 I5 Q# T1 a: b 4-3 方差检验
4-4 相关系数
' T6 M5 q+ W4 c6 x2 t0 P8 S; k 4-5 线性回归
4-6 主成分分析
4-7 编码实现
/ l# G" T/ {: @& b! L+ u 4-8 交叉分析方法与实现
4-9 分组分析方法与实现
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 预处理理论
+ s' _4 |) \% z7 L* H8 @1 \* m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。...
3 _) i) i' H' n* p2 D
7 `2 h9 ~7 {) ~/ {7 E9 F 5-1 特征工程概述
5-2 数据样本采集
3 i5 t# X8 C. L# ]% ~ 5-3 异常值处理
' Y) n0 @+ a; e 5-4 标注
5-5 特征选择
! |2 x7 V% u9 Q. ~3 t; N 5-6 特征变换-对指化
5-7 特征变换-离散化
' [# t$ m4 O, i6 N1 l1 O! W 5-8 特征变换-归一化与标准化
: C" \; V: h( W# r# V9 ? 5-9 特征变换-数值化
  _, y% P+ M; A/ m- L3 {* w 5-10 特征变换-正规化
3 {" `  Y6 |4 `. |  T 5-11 特征降维-LDA
5-12 特征衍生
5-13 HR表的特征预处理-1
# S8 a3 E/ J  q  \7 Y 5-14 HR表的特征预处理-2
1 D0 s- w; c4 J; |0 \ 5-15 本章小结
5 I) N6 v* b  K; p9 t! b第6章 挖掘建模
- S( Q6 h' V# r  H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、...
& [- d" S5 n+ B  w; n" i
8 h4 s3 O+ _) S* I! Q5 n; D. M 6-1 机器学习与数据建模
6-2 训练集、验证集、测试集
  S& U3 ?/ i$ m9 a 6-3 分类-KNN
6-4 分类-朴素贝叶斯
6-5 分类-决策树
! S3 d9 [3 [2 T2 r7 M 6-6 分类-支持向量机
  k" c: [% H0 A0 W: T" {, ` 6-7 分类-集成-随机森林
. |5 Y; u) w8 ]% [2 M$ U5 x4 E 6-8 分类-集成-Adaboost
5 v8 m8 K9 J: n3 o( k8 P7 i 6-9 回归-线性回归
- m' |- t1 L- z" j3 a& R, O 6-10 回归-分类-逻辑回归
6-11 回归-分类-人工神经网络-1
7 g' l% H, H, W+ |3 | 6-12 回归-分类-人工神经网络-2
% _6 [* Z6 P- l- M7 ] 6-13 回归-回归树与提升树
6-14 聚类-Kmeans-1
6-15 聚类-Kmeans-2
, ?8 S% s4 O, a* s) Z 6-16 聚类-DBSCAN
" k, _8 \) F1 _0 z# T; T% `; _ 6-17 聚类-层次聚类
6-18 聚类-图分裂
* M7 T( Q/ Q$ T8 G7 d. e 6-19 关联-关联规则-1
6-20 关联-关联规则-2
$ Y; l! |, g8 O; T! K( D, s 6-21 半监督-标签传播算法
' C* ]& ~3 d$ ?, X5 _ 6-22 本章小结
8 t* n: G& S) P( M第7章 模型评估
1 P- H3 R; `! {) y. G* 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。...

* s1 X/ o- ^6 m& U8 b 7-1 分类评估-混淆矩阵
  ]8 [/ ~/ [* X3 O" c# Q 7-2 分类评估-ROC、AUC、提升图与KS图
0 |; B2 j7 t2 l5 F, Y 7-3 回归评估
4 u6 ^7 T7 T- d6 x$ h 7-4 非监督评估
2 H2 y6 G/ g, p' z2 ?) W. o第8章 总结与展望
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。
' ?0 N1 X: _  W8 w% C0 e
( z& C9 f, S8 u- P 8-1 课程回顾与多角度看数据分析
8-2 大数据与学习这门课后还能干什么？
+ t' H6 k7 e* o4 Q6 I
1 S$ C, y. u2 M* z4 N; D