數(shù)據(jù)分析實(shí)戰(zhàn)

第一講 零基礎(chǔ)學(xué)Python
講解Python背景、國內(nèi)發(fā)展?fàn)顩r、基礎(chǔ)語法、數(shù)據(jù)結(jié)構(gòu)及繪圖操作等內(nèi)容。特別針對向量計(jì)算這塊，著重介紹Python在這方面的優(yōu)勢及用法。

第二講 數(shù)據(jù)分析方法論
講解統(tǒng)計(jì)分析基礎(chǔ)，包括統(tǒng)計(jì)學(xué)基本概念，假設(shè)檢驗(yàn)，置信區(qū)間等基礎(chǔ)，并結(jié)合數(shù)據(jù)案例說明其使用場景和運(yùn)用方法。介紹數(shù)據(jù)分析流程和常見分析思路，并結(jié)合案例進(jìn)行講解。

第三講 數(shù)據(jù)處理技法
從數(shù)據(jù)接入、數(shù)據(jù)統(tǒng)計(jì)、數(shù)據(jù)轉(zhuǎn)換等幾個方面進(jìn)行講解。數(shù)據(jù)接入包含接入MySQL、Oracle、Hadoop等常見數(shù)據(jù)庫操作；數(shù)據(jù)統(tǒng)計(jì)包含Pandas包的具體用法和講解；數(shù)據(jù)轉(zhuǎn)換包含對數(shù)據(jù)集的關(guān)聯(lián)、合并、重塑等操作。此外，針對海量數(shù)據(jù)的情況下，介紹在Spark平臺上的數(shù)據(jù)處理技術(shù)，并結(jié)合真實(shí)環(huán)境進(jìn)行操作講解。

數(shù)據(jù)挖掘理論及核心技術(shù)

第四講 認(rèn)識數(shù)據(jù)挖掘
講解數(shù)據(jù)挖掘基本概念，細(xì)致講解業(yè)務(wù)理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建立模型、模型評估、模型部署各環(huán)節(jié)的工作內(nèi)容及相關(guān)技術(shù)；結(jié)合業(yè)界經(jīng)典場景，講解數(shù)據(jù)挖掘的實(shí)施流程和方法體系。

第五講 數(shù)據(jù)挖掘核心技術(shù)
細(xì)致講解抽樣、分區(qū)、樣本平衡、特征選擇、訓(xùn)練模型、評估模型等數(shù)據(jù)挖掘核心技術(shù)原理，并結(jié)合案例講解其具體實(shí)現(xiàn)和用法。尤其針對樣本平衡，重點(diǎn)講解人工合成、代價敏感等算法；針對特征選擇，重點(diǎn)講解特征選擇的核心思路，并結(jié)合Python進(jìn)行案例演示。

大數(shù)據(jù)算法原理及案例實(shí)現(xiàn)（1）

第七講 決策樹算法及Python實(shí)現(xiàn)
決策樹是非常經(jīng)典的算法 ，一般常見于小數(shù)據(jù)的挖掘。由于決策樹具有極強(qiáng)的可解釋性，針對海量數(shù)據(jù)仍然是非常重要的實(shí)用價值。主要講解ID3、C4.5、C5.0以及CART決策樹算法的實(shí)現(xiàn)原理，并結(jié)合案例進(jìn)行Python實(shí)現(xiàn)。

第八講 好萊塢百萬級影評數(shù)據(jù)分析與電影推薦實(shí)現(xiàn)
實(shí)戰(zhàn)部分：基于好萊塢百萬級的影評數(shù)據(jù)，對數(shù)據(jù)進(jìn)行建模、清洗、透視表操作。然后根據(jù)用戶畫像分析不同的用戶喜好通過機(jī)器學(xué)習(xí)算法對不同性別、年齡階段的用戶進(jìn)行定制化的電影推薦，最后把推薦的電影進(jìn)行可視化的展示操作

大數(shù)據(jù)算法原理及案例實(shí)現(xiàn)（2）

第九講 因果推理算法及Python實(shí)現(xiàn)
大數(shù)據(jù)分析技術(shù)可以幫助我們?nèi)グl(fā)現(xiàn)、解決一些業(yè)務(wù)問題，然而如何去判斷我們的改進(jìn)是否生效，是否在業(yè)務(wù)指標(biāo)上呈現(xiàn)過一定的因果邏輯，則是一個重要問題和分析方向。本節(jié)主要介紹因果推理算法，包括貝葉斯推理、狀態(tài)空間模型以及CausalImpact工具等內(nèi)容，并結(jié)合案例進(jìn)行Python實(shí)現(xiàn)。

第十講 深度學(xué)習(xí)算法及Python實(shí)現(xiàn)
對于大數(shù)據(jù)的建模任務(wù)，我們可以基于深度學(xué)習(xí)來實(shí)現(xiàn)，不僅能夠針對海量數(shù)據(jù)進(jìn)行建模，其效果也非常不錯。本節(jié)主要講解深度學(xué)習(xí)的發(fā)展歷程，DBN、DNN等經(jīng)典深度學(xué)習(xí)算法，深度學(xué)習(xí)優(yōu)化算法以及一些技巧。同時，介紹Keras、OpenCV庫的使用方法，并結(jié)合案例進(jìn)行Python實(shí)現(xiàn)。

第十一講 采用OpenCV實(shí)現(xiàn)計(jì)算機(jī)視覺技術(shù)
實(shí)戰(zhàn)部分：基于OpenCV面部模型，完成對圖片和視頻的人臉識別，實(shí)戰(zhàn)中會講解OpenCV的重要類和函數(shù)。主要內(nèi)容包括OpenCV庫的安裝和部署、圖像增強(qiáng)、像素操作、圖形分析等各種技術(shù)，并且詳細(xì)介紹了如何處理來自文件或攝像機(jī)的視頻，以及如何檢測和跟蹤移動對象。

Python應(yīng)用實(shí)戰(zhàn)（一）

第十二講 Python自然語言處理原理及案例
目前文檔數(shù)據(jù)已經(jīng)成為很多企業(yè)重要的資產(chǎn)，通過對文檔數(shù)據(jù)進(jìn)行解析、建模、分析、挖掘、可視化，我們能夠發(fā)現(xiàn)不一樣的洞察。本節(jié)主要講解自然語言處理基本概念和技法，包含分詞、關(guān)鍵字提取、文摘提取、文本分類、主題模型、word2vec等內(nèi)容。介紹在深度學(xué)習(xí)的加持下，與傳統(tǒng)做法的區(qū)別，并使用Python進(jìn)行案例講解。

第十三講 數(shù)據(jù)分析圖表及Python案例
數(shù)據(jù)可視化是大數(shù)據(jù)分析的重要手段，通過合理地使用圖表，不僅可以簡潔地表達(dá)數(shù)據(jù)的含義，高效地發(fā)現(xiàn)問題，還可以為報告的編寫以及數(shù)據(jù)分析web應(yīng)用增色不少。本節(jié)主要講解常用的數(shù)據(jù)分析圖表及其使用場景，介紹數(shù)據(jù)可視化的方法論，避免生搬硬套的使用圖表，針對不同的業(yè)務(wù)場景和需求，合理選擇可視化方法。介紹的工具不限于matplotlib、pycha、pyecharts、ggplot、Bokeh、HoloViews、mpld3、plotly、pygal等常用可視化庫。

Python應(yīng)用實(shí)戰(zhàn)（二）

第十四講 使用Notebook編寫數(shù)據(jù)分析報告
數(shù)據(jù)分析報告在大數(shù)據(jù)分析過程中具有重要價值，它體現(xiàn)了大數(shù)據(jù)分析的目的、過程和結(jié)果，以及對發(fā)現(xiàn)問題的解讀、改進(jìn)方案等等，本節(jié)主要講解使用Notebook編寫數(shù)據(jù)分析報告的具體方法，以及編寫數(shù)據(jù)分析報告的方法論，并結(jié)合案例講解其用法。

第十五講 Seaborn可視化開發(fā)實(shí)戰(zhàn)
Seaborn是一款不錯的可視化框架，它和 Pandas一樣是建立在 Matplotlib 之上的。可以基于Seaborn快速開發(fā)一個輕量級的數(shù)據(jù)分析web應(yīng)用。在網(wǎng)頁中嵌入圖表、數(shù)據(jù)以及分析的算法，非常適合打造企業(yè)內(nèi)部的敏捷數(shù)據(jù)分析工具集。本節(jié)主要介紹Pie、Scatter、Radar等等各種可視化解決方案，同時講解一個用Seaborn實(shí)現(xiàn)數(shù)據(jù)分析功能（兼圖表）的實(shí)際案例，搭建服務(wù)器，在企業(yè)內(nèi)部實(shí)現(xiàn)輕量級數(shù)據(jù)分析應(yīng)用。