全面掌握Python語言以及其編程思想。
掌握常用擴(kuò)展庫(kù)的使用，特別是數(shù)據(jù)挖掘相關(guān)庫(kù)的使用。
學(xué)會(huì)使用Python完成數(shù)據(jù)挖掘項(xiàng)目整個(gè)過程。
掌握利用Python實(shí)現(xiàn)可視化呈現(xiàn)。
掌握數(shù)據(jù)挖掘常見算法在Python中的實(shí)現(xiàn)。

數(shù)據(jù)對(duì)象基本操作
目的：掌握數(shù)據(jù)集結(jié)構(gòu)及基本處理方法，進(jìn)一步鞏固Python語言
數(shù)據(jù)挖掘常用擴(kuò)展庫(kù)介紹
Numpy數(shù)組處理支持
Scipy矩陣計(jì)算模塊
Matplotlib數(shù)據(jù)可視化工具庫(kù)
Pandas數(shù)據(jù)分析和探索工具
StatsModels統(tǒng)計(jì)建模庫(kù)
Scikit-Learn機(jī)器學(xué)習(xí)庫(kù)
Keras深度學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）庫(kù)
Gensim文本挖掘庫(kù)
數(shù)據(jù)集構(gòu)建
Index, Series, DataFrame對(duì)象
手工構(gòu)建（創(chuàng)建索引、序列、數(shù)據(jù)集）
讀取文件（CSV文件、Excel文件）
讀取數(shù)據(jù)庫(kù)
數(shù)據(jù)集保存（CSV、Excel）
數(shù)據(jù)集基本操作
基本屬性訪問
shape,ndim,index,columns,values,empty,size
數(shù)據(jù)類型處理：查看、修改、轉(zhuǎn)換
排序
排序依據(jù)：標(biāo)題、索引、字段
排序順序：升序、降序
自定義排序：按標(biāo)題、索引、字段、有序類別變量排序
基本訪問
行訪問、列訪問、值訪問
訪問方式：標(biāo)簽、位置
訪問類型：?jiǎn)涡辛?、多行列、連續(xù)行列
布爾數(shù)組訪問
字段管理、新增、刪除、修改、替換、移位
數(shù)據(jù)篩選：條件篩選、多值篩選、篩選空值/非空值
演練：用Python實(shí)現(xiàn)數(shù)據(jù)的基本訪問

大數(shù)據(jù)預(yù)處理
目的：掌握數(shù)據(jù)預(yù)處理的基本環(huán)節(jié)，以及Python的實(shí)現(xiàn)。
預(yù)處理任務(wù)
數(shù)據(jù)清洗
數(shù)據(jù)集成
數(shù)據(jù)處理
變量處理
數(shù)據(jù)清洗
重復(fù)值處理
重復(fù)字段、重復(fù)標(biāo)題、重復(fù)索引
處理方式：查找、刪除、修改
錯(cuò)誤值處理
查找錯(cuò)誤值
置空/刪除
重新編碼/替換
離群值處理：
檢測(cè)標(biāo)題：3σ準(zhǔn)則，IQR準(zhǔn)則，K均值
處理方式：查找、置空、截尾、縮尾
基于K均值的離群值檢測(cè)
缺失值處理：
查找、刪除
插補(bǔ)(固定值/均值/向下填充/向上填充/插入法/拉格朗日)
數(shù)據(jù)集成
數(shù)據(jù)追加
變量合并（連接類型）
數(shù)據(jù)處理
數(shù)據(jù)篩選
數(shù)據(jù)抽樣
簡(jiǎn)單抽樣（有放回、無放回）
分層抽樣
離散化/分箱
等寬
等頻
自定義間隔
K均值
變量處理
處理方式：變量變換、變量派生
規(guī)范化：min-max /mean-std/exp-max
啞變量化
案例：用Python實(shí)現(xiàn)數(shù)據(jù)預(yù)處理

數(shù)據(jù)可視化處理
目的：掌握作圖擴(kuò)展庫(kù)，實(shí)現(xiàn)數(shù)據(jù)可視化
統(tǒng)計(jì)基礎(chǔ)
數(shù)值變量：描述統(tǒng)計(jì)
類別變量：分類計(jì)數(shù)
分類統(tǒng)計(jì)：分類匯總
常用的Python作圖庫(kù)
Matplotlib庫(kù)
Pygal庫(kù)
各種圖形的畫法
柱狀圖
直方圖
餅圖
折線圖
散點(diǎn)圖
…
演練：用Python庫(kù)作圖來實(shí)現(xiàn)產(chǎn)品銷量分析，并可視化
影響因素分析/特征選擇
目的：掌握判斷事物間相關(guān)性的常用方法，熟悉建模前如何進(jìn)行屬性篩選/特征選擇，以實(shí)現(xiàn)降維的目的。
影響因素分析常用方法
相關(guān)分析
相關(guān)分析原理
相關(guān)系數(shù)公式種類
Pearson相關(guān)系數(shù)
Spearman等級(jí)相關(guān)系數(shù)
Kendall等級(jí)相關(guān)系數(shù)
方差分析
方差分析原理
方差分析種類
單因素方差分析
多因素方差分析
協(xié)方差分析
列聯(lián)分析/卡方檢驗(yàn)
列聯(lián)分析原理
計(jì)數(shù)與期望值
卡方檢驗(yàn)公式
主成分分析：降維
PCA方法原理

回歸預(yù)測(cè)模型實(shí)戰(zhàn)
常用數(shù)值預(yù)測(cè)的模型
通用預(yù)測(cè)模型：回歸模型
季節(jié)性預(yù)測(cè)模型：相加、相乘模型
新產(chǎn)品預(yù)測(cè)模型：珀?duì)柷€與龔鉑茲曲線
回歸分析概念
常見回歸分析類別
回歸分析常見算法
普通最小二乘法OLS
嶺回歸（RR）
套索回歸Lasso
ElasticNet回歸
回歸模型的評(píng)估
判定系數(shù)R^2
平均誤差率MAPE
分類預(yù)測(cè)模型實(shí)戰(zhàn)
常見分類預(yù)測(cè)的模型與算法
如何評(píng)估分類預(yù)測(cè)模型的質(zhì)量
正確率、查準(zhǔn)率、召回率、F1
ROC曲線
邏輯回歸分析模型
邏輯回歸的原理
邏輯回歸建模的步驟
案例：用sklearn庫(kù)實(shí)現(xiàn)銀行貸款違約預(yù)測(cè)
決策樹模型
決策樹分類的原理
決策樹的三個(gè)關(guān)鍵問題
決策樹算法與實(shí)現(xiàn)
案例：電力竊漏用戶自動(dòng)識(shí)別
決策樹算法
最優(yōu)屬性選擇算法：ID3、ID4.0、ID5.0
連續(xù)變量分割算法
樹剪枝：預(yù)剪枝、后剪枝
人工神經(jīng)網(wǎng)絡(luò)模型（ANN）
神經(jīng)網(wǎng)絡(luò)概述
神經(jīng)元工作原理
常見神經(jīng)網(wǎng)絡(luò)算法（BP、LM、RBF、FNN等）
案例：神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)產(chǎn)品銷量
支持向量機(jī)（SVM）
SVM基本原理
維災(zāi)難與核心函數(shù)
案例：基于水質(zhì)圖像的水質(zhì)評(píng)價(jià)
貝葉斯分析
條件概率
常見貝葉斯網(wǎng)絡(luò)

聚類分析（客戶細(xì)分）實(shí)戰(zhàn)
客戶細(xì)分常用方法
聚類分析（Clustering）
聚類方法原理介紹及適用場(chǎng)景
常用聚類分析算法
聚類算法的評(píng)價(jià)
案例：使用SKLearn實(shí)現(xiàn)K均值聚類
案例：使用TSNE實(shí)現(xiàn)聚類可視化
RFM模型分析
RFM模型，更深入了解你的客戶價(jià)值
RFM模型與市場(chǎng)策略
案例：航空公司客戶價(jià)值分析

關(guān)聯(lián)規(guī)則分析實(shí)戰(zhàn)
關(guān)聯(lián)規(guī)則概述
常用關(guān)聯(lián)規(guī)則算法
Apriori算法
發(fā)現(xiàn)頻繁集
生成關(guān)聯(lián)規(guī)則
FP-Growth算法
構(gòu)建FP樹
提取規(guī)則
時(shí)間序列分析
案例：使用apriori庫(kù)實(shí)現(xiàn)關(guān)聯(lián)分析
案例：中醫(yī)證型關(guān)聯(lián)規(guī)則挖掘

案例實(shí)戰(zhàn)
客戶流失預(yù)測(cè)和客戶挽留模型
銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型

結(jié)束：課程總結(jié)與問題答疑。