课程目录

• 第一阶段：Python数据分析与建模库
• 01Python快速入门
• 1.系列课程环境配置
• 10.函数基础
• 2.Python快速入门
• 3.变量类型
• 4.LIST基础
• 5.List索引
• 6.循环结构
• 7.判断结构
• 8.字典
• 9.文件处理
• 02科学计算库Numpy
• 1.数据结构
• 2.基本操作]
• 3.矩阵属性
• 4.矩阵操作
• 5.常用函数
• 03数据分析处理库Pandas
• 1.数据读取
• 2.数据预处理
• 3.常用函数
• 4.Series结构
• 04可视化库Matplotlib
• 1.折线图
• 2.子图操作
• 3.条形图与散点图
• 4.柱形图与盒图
• 5.细节设置
• 05Seaborn可视化库
• 1.课程简介
• 10.Facetgrid使用方法
• 11.Facetgrid绘制多变量
• 12.热度图绘制
• 2.整体布局风格设置
• 3.风格细节设置
• 4.调色板
• 5.调色板颜色设置
• 6.单变量分析绘图
• 7.回归分析绘图
• 8.多变量分析绘图
• 9.分类属性绘
• 第二阶段：机器学习经典算法
• 01回归算法
• 1.机器学习概述(1)
• 2.回归算法
• 3.线性回归误差原理推导
• 4.目标函数求解
• 5.逻辑回归原理
• 6.梯度下降实例
• 7.梯度下降原理
• 02决策树与随机森林
• 1.决策树概述
• 2.熵原理形象解读
• 3.决策树构造实例
• 4.信息增益
• 5.信息增益率
• 6.决策树剪枝
• 7.随机森林
• 8.案例决策树参数
• 03贝叶斯算法
• 1.贝叶斯算法概述
• 2.贝叶斯推导实例
• 3.贝叶斯拼写纠错实例
• 4.垃圾邮件过滤实例
• 5.贝叶斯实现拼写检查器
• 04 Xgboost
• 1.集成思想
• 2.xgboost基本原理
• 3.xgboost目标函数推导
• 4.xgboost求解实例
• 5.xgboost安装
• 6.xgboost实战演示
• 7.Adaboost算法概述
• 05支持向量机算法
• 1.支持向量机要解决的问题
• 2.支持向量机求解目标
• 3.支持向量机目标函数求解
• 4.支持向量机求解例子
• 5.支持向量的作用
• 6.软间隔支持向量机
• 7.核函数变换
• 06时间序列AIRMA模型
• 1.数据平稳性与差分法
• 2.ARIMA模型
• 3.相关函数评估方法
• 4.建立ARIMA模型
• 5.参数选择
• 07神经网络基础
• 1.深度学习概述
• 10.最优化问题细节
• 11.反向传播
• 2.挑战与常规套路
• 3.用K近邻来进行分类
• 4.超参数与交叉验证
• 5.线性分类
• 6.损失函数
• 7.正则化惩罚项
• 8.softmax分类器
• 9.最优化形象解读
• 08神经网络架构
• 1.整体架构
• 2.实例演示
• 3.过拟合解决方案
• 4.感受神经网络的强大
• 09PCA降维与SVD矩阵分解
• 1.PCA问题
• 2.PCA降维实例
• 3.SVD原理
• 4.SVD推荐系统
• 10聚类算法
• 1.聚类算法概述
• 2.使用Kmeans进行图像压缩
• 3.特征工程2
• 11推荐系统
• 1.开场
• 2.推荐系统应用
• 3.推荐系统要完成的任务
• 4.相似度计算
• 5.基于用户的协同过滤
• 6.基于物品的协同过滤
• 7.隐语义模型
• 8.隐语义模型求解
• 9.模型评估标准
• 12Word2Vec
• 1.开篇
• 10.锑度上升求解
• 11.负采样模型
• 2.自然语言处理与深度学习
• 3.语言模型
• 4.N-gram模型
• 5.词向量
• 6.神经网络模型
• 7.Hierarchical Softmax
• 8.CBOW模型实例
• 9.CBOW求解目标
• 第三阶段：机器学习案例实战
• 01使用Python分析科比生涯数据
• 1.科比数据集简介
• 2.数据预处理 (1)
• 3.建模
• 02案例实战-信用卡欺诈检测
• 1.案例背景和目标
• 10.SMOTE样本生成策略
• 2.样本不均衡解决方案
• 3.下采样策略
• 4.交叉验证
• 5.模型评估方法
• 6.正则化惩罚
• 7.逻辑回归模型
• 8.混淆矩阵
• 9.逻辑回归阈值对结果的影响
• 03Python文本数据分析
• 1.文本分析与关键词提取
• 2.相似度计算
• 3.新闻数据与任务简介
• 4.TF-IDF关键词提取
• 5.LDA建模
• 6.基于贝叶斯算法进行新闻分类
• 04Kaggle竞赛案例-泰坦尼克获救预测
• 1.数据介绍
• 2.数据预处理
• 3.回归模型[vxia.net]
• 4.随机森林模型
• 5.特征选择
• 05时间序列案例实战
• 1.Pandas生成时间序列
• 2.Pandas数据重采样
• 3.Pandas滑动窗口
• 4.股票预测案例
• 5.使用tsfresh库进行分类任务
• 6.维基百科词条EDA
• 06TensorFlow框架
• 10.卷积神经网络参数
• 2.变量
• 3.变量练习
• 4.线性回归模型
• 5.逻辑回归框架
• 6.逻辑回归迭代
• 7.神经网络模型
• 8.完成神经网络
• 9.卷积神经网络模型
• 07MNIST手写字体识别
• 1.神经网络模型概述
• 2.tensorflow参数
• 3.卷积简介
• 4.构造网络结构
• 5.训练网络模型
• 08Gensim中文词向量建模
• 1.使用Gensim库构造词向量
• 2.维基百科中文数据处理
• 3.Gensim构造word2vec模型
• 4.测试模型相似度结果
• 09探索性数据分析-赛事数据集分析
• 1.开场 (1)
• 2.数据背景介绍
• 3.数据读取与预处理
• 4.数据切分模块
• 5.缺失值可视化分析
• 6.特征可视化展示
• 7.多特征之间关系分析
• 8.报表可视化分析
• 9.红牌和肤色的关系
• 10 探索性数据分析-农粮数据分析
• 1.数据背景简介
• 2.数据切片分析
• 3.单变量分析
• 4.峰度与偏度
• 5.数据对数变换
• 6.数据分析维度
• 7.变量关系可视化展示