Python3數據分析與挖掘建模實戰視頻
阿新 • • 發佈：2018-08-18
特征工程 motion 數據分布 選擇 資料 hour 假設 人工 mean
第1章 課程介紹【贈送相關電子書+隨堂代碼】
本章首先介紹本課程是什麽，有什麽特色，能學習到什麽，內容如何安排，需要什麽基礎，是否適合學習這門課程等。然後對數據分析進行概述，讓大家對數據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了解。...
1-1 課程導學
1-2 數據分析概述
第2章 數據獲取
數據從哪裏來？怎麽來？這一章，我們會介紹數據獲取的一般手段。主要包括數據倉庫、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數據網站，供大家參考與學習。
2-1 數據倉庫
2-2 監測與抓取
2-3 填寫、埋點、日誌、計算
2-4 數據學習網站
第3章 單因子探索分析與數據可視化
有了數據，如何上手？這一章，我們會介紹探索分析的一部分---單因子探索分析和可視化的內容。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、分布分析。同時，引入接下來幾章都會用到的案例-HR人力資源分析表，並用理論與可視化的方法，完成對此表的初步分析。...
3-1 數據案例介紹3-2 集中趨勢,離中趨勢3-3 數據分布--偏態與峰度3-4 抽樣理論3-5 編碼實現（基於python2.7）3-6 數據分類3-7 異常值分析3-8 對比分析3-9 結構分析3-10 分布分析3-11 Satisfaction Level的分析3-12 LastEvaluation的分析3-13 NumberProject的分析3-14 AverageMonthlyHours的分析3-15 TimeSpendCompany的分析3-16 WorkAccident的分析3-17 Left的分析3-18 PromotionLast5Years的分析3-19 Salary的分析3-20 Department的分析3-21 簡單對比分析操作3-22 可視化-柱狀圖3-23 可視化-直方圖3-24 可視化-箱線圖3-25 可視化-折線圖3-26 可視化-餅圖3-27 本章小結
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---多因子復合探索分析。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。...
4-1 假設檢驗
4-2 卡方檢驗
4-3 方差檢驗
4-4 相關系數
4-5 線性回歸
4-6 主成分分析
4-7 編碼實現
4-8 交叉分析方法與實現
4-9 分組分析方法與實現
4-10 相關分析與實現
4-11 因子分析與實現
4-12 本章小結
第5章 預處理理論
數據已了解，用起來！不著急，先加工。這一章，我們會介紹特征工程的主要內容，重點會介紹數據清洗和數據特征預處理的主要內容，包括數據清洗、特征獲取、特征處理（內含對指化、歸一化、標準化等）、特征降維、特征衍生。預處理的好壞，直接影響著接下來模型的效果。...
5-1 特征工程概述
5-2 數據樣本采集
5-3 異常值處理
5-4 標註
5-5 特征選擇
5-6 特征變換-對指化
5-7 特征變換-離散化
5-8 特征變換-歸一化與標準化
5-9 特征變換-數值化
5-10 特征變換-正規化
5-11 特征降維-LDA
5-12 特征衍生
5-13 HR表的特征預處理-1
5-14 HR表的特征預處理-2
5-15 本章小結
第6章 挖掘建模
把數據用起來！這一章，我們會介紹數據挖掘與建模的主要內容。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、集成方法、GBDT……），回歸模型與回歸思想分類（線性回歸、邏輯斯特回歸【也叫羅吉回歸，邏輯回歸。音譯區別】、神經網絡、回歸樹），聚類模型（K-means、DBSCAN、層次聚類、...
6-1 機器學習與數據建模
6-2 訓練集、驗證集、測試集
6-3 分類-KNN
6-4 分類-樸素貝葉斯
6-5 分類-決策樹
6-6 分類-支持向量機
6-7 分類-集成-隨機森林
6-8 分類-集成-Adaboost
6-9 回歸-線性回歸
6-10 回歸-分類-邏輯回歸
6-11 回歸-分類-人工神經網絡-1
6-12 回歸-分類-人工神經網絡-2
6-13 回歸-回歸樹與提升樹
6-14 聚類-Kmeans-1
6-15 聚類-Kmeans-2
6-16 聚類-DBSCAN
6-17 聚類-層次聚類
6-18 聚類-圖分裂
6-19 關聯-關聯規則-1
6-20 關聯-關聯規則-2
6-21 半監督-標簽傳播算法
6-22 本章小結
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，那麽哪種模型好，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來評估回歸模型；用RMS、輪廓系數來評估聚類模型。...
7-1 分類評估-混淆矩陣
7-2 分類評估-ROC、AUC、提升圖與KS圖
7-3 回歸評估
7-4 非監督評估
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，重新看待我們的數據分析工作。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。
8-1課程回顧與多角度看數據分析8-2大數據與學習這門課後還能幹什麽？下載地址；百度網盤百度網盤下載
Python3數據分析與挖掘建模實戰視頻