Python3資料分析與挖掘建模實戰
第1章 課程介紹 本章首先介紹本課程是什麼，有什麼特色，能學習到什麼，內容如何安排，需要什麼基礎，是否適合學習這門課程等。然後對資料分析進行概述，讓大家對資料分析的含義和作用有一個整體的認知，讓大家對自己接下來要做的事情，有一個基本的概念與瞭解。…
第2章 資料獲取 資料從哪裡來？怎麼來？這一章，我們會介紹資料獲取的一般手段。主要包括資料倉庫、抓取、資料填寫、日誌、埋點、計算等手段。同時，我們也會介紹幾個常用的資料網站，供大家參考與學習。
第3章 單因子探索分析與資料視覺化 有了資料，如何上手？這一章，我們會介紹探索分析的一部分—單因子探索分析和視覺化的內容。我們會以基礎的統計理論知識為切入點，學習異常值分析、對比分析、結構分析、分佈分析。同時，引入接下來幾章都會用到的案例-HR人力資源分析表，並用理論與視覺化的方法，完成對此表的初步分析。…
第4章 多因子探索分析 上了手，然後呢？這一章，我們介紹探索分析的另一部分—多因子複合探索分析。我們同樣以基礎的統計知識為切入點，學習多因子間互相影響與配合的分析方法，如交叉分析、分組分析、相關分析、成分分析等。同時，以HR人力資源分析表為例，進行進一步的探索。…
第5章 預處理理論 資料已瞭解，用起來！不著急，先加工。這一章，我們會介紹特徵工程的主要內容，重點會介紹資料清洗和資料特徵預處理的主要內容，包括資料清洗、特徵獲取、特徵處理（內含對指化、歸一化、標準化等）、特徵降維、特徵衍生。預處理的好壞，直接影響著接下來模型的效果。…
第6章 挖掘建模 把資料用起來！這一章，我們會介紹資料探勘與建模的主要內容。主要包含五類模型的建立與實踐，分別為：分類模型（KNN、樸素貝葉斯、決策樹、SVM、整合方法、GBDT……），迴歸模型與迴歸思想分類（線性迴歸、邏輯斯特迴歸【也叫羅吉迴歸，邏輯迴歸。音譯區別】、神經網路、迴歸樹），聚類模型（K-means、DBSCAN、層次聚類、…
第7章 模型評估 哪個模型好？上一章，我們學習了很多模型，一個數據集，可能用多種模型都可以進行建模，那麼哪種模型好，就需要有些指標化的東西幫我們決策。這一章，我們會介紹使用混淆矩陣和相應的指標、ROC曲線與AUC值來評估分類模型；用MAE、MSE、R2來評估迴歸模型；用RMS、輪廓係數來評估聚類模型。…
第8章 總結與展望 這一章，我們將回顧本課程的全部內容，並從多個角度，重新看待我們的資料分析工作。最後，我們會了解到，學習了這門課程以後，還可以在哪些方面進行發展。