課程大綱： Python數(shù)據(jù)挖掘應用培訓
第一階段： Python 基礎精要，零基礎也能學會
1. 語法初步
2. 列表、字符串和元組
3. 集合與字典
4. 條件和循環(huán)語句
5. 若干重要內置函數(shù)應用
6. 文件操作
7. 函數(shù)及其應用
8. 正則表達式
9. 數(shù)據(jù)庫和 Python
10.排序算法、 動態(tài)規(guī)劃算法、遞歸算法等算法
第二階段：numpy、pandas等進行數(shù)據(jù)清洗和整理，充分統(tǒng)計分析數(shù)據(jù)
1. 整理數(shù)據(jù)（切片、產生隨機數(shù)、復制、廣播、排序等）
2. 數(shù)據(jù)索引和選擇的各種方法
3. 數(shù)據(jù)的分組、分割、合并、變形
4. 缺失值和空值的數(shù)據(jù)處理
5. 時間序列數(shù)據(jù)處理、建模和預測（ARIMA）
6. 含中文數(shù)據(jù)的處理
7. 數(shù)據(jù)去重、去離群值
8. R語言和Python（pandas）數(shù)據(jù)整理和建模的比較
9. 描述統(tǒng)計和推論統(tǒng)計分析
第三階段：Python機器學習算法和數(shù)據(jù)挖掘案例實戰(zhàn)
1. 文本挖掘原理和案例（Logistic 回歸模型對文本的分類）
2. 預測分析核心算法（圖片的K-means聚類分析）
3. 機器學習經(jīng)典算法（圖片的識別和分類：PCA建模）
4. 概率統(tǒng)計（二維手寫數(shù)字識別 KNN方法）
5. 數(shù)據(jù)可視化（推薦系統(tǒng)和精準營銷 近鄰方法、協(xié)同過濾）
6. 金融建模分析（數(shù)據(jù)可視化的各種情形）
7. 客戶畫像和精準營銷（新聞的文本分類 TF-IDF準則、旅游新聞個性化推薦）
8. 算法和模型的優(yōu)化（手寫識別）
9. 模型精度評估和提升（樸素貝葉斯決策）
10.特征選取的方法（酒的品質分類預測）
11.佳K-means分類數(shù)（機器學習的格點搜索和參數(shù)尋優(yōu)）
12.交叉驗證（懲罰線性回歸分類器）
13.不平衡數(shù)據(jù)處理（使用支持向量機識別和分類）
14.XGBoost 使用案例 （金融時間序列預測）
15.貝葉斯分析（機器集成學習算法）
16.逼近和優(yōu)化 （隨機模擬）
17.自然語言概率圖模型（用戶流失預警）
18 馬爾科夫&蒙特卡羅（量化投資實戰(zhàn)）
加入高級會員獲得助教答疑
