課程大綱： Python數據分析從入門到機器培訓
章節1:課程知識體系及搭建運行環境
1課程知識體系介紹和Anaconda的安裝
2Jupyter Notebook使用介紹
3文本課程PPT
章節2:Python科學計算基礎——Numpy
4Ndarray數組的創建
5Numpy的數據類型
6數組的切片和索引
7Numpy廣播與數組操作
8數組合并與通用函數
9Numpy的統計函數
10Numpy隨機數、邏輯運算與數據存取
章節3:Python數據可視化
11Matplotlib繪制基本圖形
12設置圖表的線型和標簽
13設置圖例和刻度
14繪制多圖
15箱型圖、直方圖和餅圖
16面向對象繪圖
章節4:Pandas基礎試看
17Python數據結構——認識Seires
18Python數據結構——認識DataFrame
19DataFrame添加刪除數據及運算特點
20數據排序
21數據觀察和匯總統計方法
22數據加載與存儲
23合并數據集
24數據清理：重復值、缺失值、異常值
25字符串處理與應用函數處理數據
26布爾過濾與數據離散化
章節5:Pandas基礎實例
27文本課程數據集下載
28數據分析實例：知乎用戶數據分析
29數據分析實例：空難數據預處理
30數據分析實例：向量化運算、成員關系判斷與布爾過濾
章節6:Pandas高級應用
31Pandas繪圖
32數據聚合與分組運算
33數據分析實例：小費數據集
章節7:Pandas進階實例
34鏈家成交數據分析——讀取與合并
35鏈家成交數據分析——數據轉換與離散化分析
36鏈家成交數據分析——分組運算與布爾過濾
37鏈家成交數據分析——透視表
38鏈家成交數據分析——分組運算應用自定義函數
章節8:Pandas時間序列
39時間序列基礎——認識時間索引、創建時間序列
40時間序列基礎——時間序列的索引與重采樣
41時間序列分析實例——中國鐵建股票分析
章節9:機器學習基礎
42機器學習的定義與分類
43線性回歸和機器學習的一般步驟
44線性回歸模型的評價
45多元回歸模型簡介
46多元回歸模型的建立與評價
47多元回歸模型的改進
48K均值聚類算法的解析
49K-means聚類的代碼實現
50小麥數據集應用聚類算法
51邏輯回歸算法簡介
52德國信用卡欺詐數據分類
章節10:機器學習綜合實例——房產價格預測
53房產價格預測模型——數據預處理
54房產價格預測模型——一元回歸
55房產價格預測模型——多項式回歸
56房產價格預測模型——模型的評價
57房產價格預測模型——從數據出發的模型選擇
章節11:機器學習綜合實例——房產估價模型
58房產估價模型-數據預處理-數據和特征選取
59房產估價模型-數據預處理-字符串處理
60房產估價模型-數據預處理-獨特編碼
61房產估價模型-數據預處理-特殊編碼形式
62房產估價模型-多元回歸建模
63房產估價模型-模型的評價與使用模型
章節12:房產價格聚類模型
64K均值聚類的不足與劣勢
65DBSCAN算法原理介紹
66DBSCAN算法的具體應用
章節13:房產價格增幅預測模型（投資前景預測模型）
67房產價格增幅預測——時間序列的處理
68房產價格增幅預測——時間序列的處理
69房產價格增幅預測——小區數據選取
70房產價格增幅預測——選取特征數據（一）
71房產價格增幅預測——選取特征數據（二）
72房產價格增幅預測——劃分訓練數據和測試數據
73房產價格增幅預測——建立預測模型
74房產價格增幅預測——模型的改進與特征選取
章節14:深入機器學習理論基礎
75認識過擬合和欠擬合
76決策樹算法原理
77決策樹算法應用-泰坦尼克數據的預處理
78決策樹模型的建立以及參數的選擇
79交叉驗證和多參數的選擇
80隨機森林算法的原理
81隨機森林算法的代碼實現
82支持向量機算法原理
83使用SVM模型解決德國信用卡數據分類問題
章節15:協同過濾推薦算法
84協同過濾的基本原理
85余弦相似度的計算（一）
86余弦相似度的計算（二）
87文本電影推薦練習作業
88基于項目的協同過濾
章節16:附屬章節：電影推薦作業
89電影推薦實例——數據讀取與選擇
90電影推薦——計算相似的用戶
91電影推薦——預測推薦的電影
章節17:自然語言處理
92自然語言處理 tf-idf 算法簡介
93隨機森林算法處理多分類問題回顧
94航空公司twitter評論數據預處理
95文本分類的模型實現和優化
96樸素貝葉斯算法原理
97樸素貝葉斯算法解決文本分類實例
98模型的評價-查準率、召回率、F1-score及混淆矩陣
加入高級會員獲得助教答疑
