Python大數(shù)據(jù)分析與機器學習商業(yè)案例實戰(zhàn)

前言
如何獲取學習資源

第1章　Python與數(shù)據(jù)科學
1.1　大數(shù)據(jù)分析與機器學習概述
1.1.1　大數(shù)據(jù)分析與機器學習的應(yīng)用領(lǐng)域
1.1.2　機器學習的基本概念
1.1.3　Python在數(shù)據(jù)科學中的作用
1.2　Python編程環(huán)境部署與基本操作
1.2.1　Python的安裝
1.2.2　Pycharm的安裝與設(shè)置
1.2.3　Jupyter Notebook的使用
1.3　Python基礎(chǔ)知識概要

第2章　數(shù)據(jù)分析利器：NumPy、pandas與Matplotlib庫
2.1　NumPy庫基礎(chǔ)
2.1.1　NumPy庫與數(shù)組
2.1.2　數(shù)組與列表的區(qū)別
2.1.3　創(chuàng)建數(shù)組的幾種方式
2.2　pandas庫基礎(chǔ).
2.2.1　二維數(shù)據(jù)表格DataFrame的創(chuàng)建
2.2.2　Excel工作簿等文件的讀取和寫入
2.2.3　數(shù)據(jù)的選取與處理
2.2.4　數(shù)據(jù)表拼接
2.3　Matplotlib庫基礎(chǔ)
2.3.1　基本圖表繪制
2.3.2　數(shù)據(jù)可視化常用技巧
2.4　案例實戰(zhàn)：股票數(shù)據(jù)讀取與K 線圖繪制
2.4.1　初步嘗試：股票數(shù)據(jù)讀取與可視化
2.4.2　進階實戰(zhàn)：股票K 線圖繪制

第3 章　線性回歸模型
3.1　一元線性回歸
3.1.1　一元線性回歸的數(shù)學原理
3.1.2　一元線性回歸的代碼實現(xiàn)
3.1.3　案例實戰(zhàn)：不同行業(yè)工齡與薪水的線性回歸模型
3.2　線性回歸模型評估
3.2.1　模型評估的編程實現(xiàn)
3.2.2　模型評估的數(shù)學原理
3.3　多元線性回歸
3.3.1　多元線性回歸的數(shù)學原理和代碼實現(xiàn)
3.3.2　案例實戰(zhàn)：客戶價值預(yù)測模型

第4 章　邏輯回歸模型
4.1　邏輯回歸模型的算法原理
4.1.1　邏輯回歸模型的數(shù)學原理
4.1.2　邏輯回歸模型的代碼實現(xiàn)
4.1.3　邏輯回歸模型的深入理解
4.2　案例實戰(zhàn)：客戶流失預(yù)警模型
4.2.1　案例背景
4.2.2　數(shù)據(jù)讀取與變量劃分
4.2.3　模型的搭建與使用
4.3　模型評估方法：ROC 曲線與KS 曲線
4.3.1　ROC 曲線的基本原理
4.3.2　案例實戰(zhàn)：用ROC 曲線評估客戶流失預(yù)警模型
4.3.3　KS 曲線的基本原理
4.3.4　案例實戰(zhàn)：用KS 曲線評估客戶流失預(yù)警模型

第5 章　決策樹模型
5.1　決策樹模型的基本原理
5.1.1　決策樹模型簡介
5.1.2　決策樹模型的建樹依據(jù)
5.1.3　決策樹模型的代碼實現(xiàn)
5.2　案例實戰(zhàn)：員工離職預(yù)測模型
5.2.1　模型搭建
5.2.2　模型預(yù)測及評估
5.2.3　決策樹模型可視化呈現(xiàn)及決策樹要點理解
5.3　參數(shù)調(diào)優(yōu)：K 折交叉驗證與GridSearch 網(wǎng)格搜索
5.3.1　K 折交叉驗證
5.3.2　GridSearch 網(wǎng)格搜索

第6 章　樸素貝葉斯模型
6.1　樸素貝葉斯模型的算法原理
6.1.1　一維特征變量下的貝葉斯模型
6.1.2　二維特征變量下的貝葉斯模型
6.1.3　n 維特征變量下的貝葉斯模型
6.1.4　樸素貝葉斯模型的簡單代碼實現(xiàn)
6.2　案例實戰(zhàn)：腫瘤預(yù)測模型
6.2.1　案例背景
6.2.2　數(shù)據(jù)讀取與劃分
6.2.3　模型的搭建與使用

第7 章　K 近鄰算法
7.1　K 近鄰算法的原理和代碼實現(xiàn)
7.1.1　K 近鄰算法的基本原理
7.1.2　K 近鄰算法的計算步驟
7.1.3　K 近鄰算法的代碼實現(xiàn)
7.2　案例實戰(zhàn)：手寫數(shù)字識別模型
7.2.1　案例背景
7.2.2　手寫數(shù)字識別的原理
7.2.3　手寫數(shù)字識別的代碼實現(xiàn)
7.3　圖像識別原理詳解

第8 章　隨機森林模型
8.1　隨機森林模型的原理和代碼實現(xiàn)
8.1.1　集成模型簡介
8.1.2　隨機森林模型的基本原理
8.1.3　隨機森林模型的代碼實現(xiàn)
8.2　案例實戰(zhàn)：股票漲跌預(yù)測模型
8.2.1　股票基本數(shù)據(jù)獲取
8.2.2　股票衍生變量生成
8.2.3　多因子模型搭建
8.2.4　模型使用與評估
8.2.5　參數(shù)調(diào)優(yōu)
8.2.6　收益回測曲線繪制

第9 章　AdaBoost 與GBDT 模型
9.1　AdaBoost 算法原理
9.1.1　AdaBoost 算法的核心思想
9.1.2　AdaBoost 算法的數(shù)學原理概述
9.1.3　AdaBoost 算法的數(shù)學原理舉例
9.1.4　AdaBoost 算法的簡單代碼實現(xiàn)
9.2　AdaBoost 算法案例實戰(zhàn)：信用卡精準營銷模型
9.2.1　案例背景
9.2.2　模型搭建
9.2.3　模型預(yù)測及評估
9.2.4　模型參數(shù)介紹
9.3　GBDT 算法原理
9.3.1　GBDT 算法的核心思想
9.3.2　GBDT 算法的數(shù)學原理概述
9.3.3　GBDT 算法的數(shù)學原理舉例
9.3.4　GBDT 算法的簡單代碼實現(xiàn)
9.4　GBDT 算法案例實戰(zhàn)：產(chǎn)品定價模型
9.4.1　案例背景
9.4.2　模型搭建
9.4.3　模型預(yù)測及評估
9.4.4　模型參數(shù)介紹

第10 章　機器學習神器：XGBoost 與LightGBM 算法
10.1　XGBoost 算法原理
10.1.1　XGBoost 算法的核心思想
10.1.2　XGBoost 算法的數(shù)學原理概述
10.1.3　XGBoost 算法的簡單代碼實現(xiàn)
10.2　XGBoost 算法案例實戰(zhàn)1：金融反欺詐模型
10.2.1　案例背景
10.2.2　模型搭建
10.2.3　模型預(yù)測及評估
10.2.4　模型參數(shù)調(diào)優(yōu)
10.3　XGBoost 算法案例實戰(zhàn)2：信用評分卡模型
10.3.1　案例背景
10.3.2　多元線性回歸模型
10.3.3　GBDT 回歸模型
10.3.4　XGBoost 回歸模型
10.4　LightGBM 算法原理
10.4.1　LightGBM 算法的核心思想
10.4.2　LightGBM 算法的數(shù)學原理概述
10.4.3　LightGBM 算法的簡單代碼實現(xiàn)
10.5　LightGBM 算法案例實戰(zhàn)1：客戶違約預(yù)測模型
10.5.1　案例背景
10.5.2　模型搭建
10.5.3　模型預(yù)測及評估
10.5.4　模型參數(shù)調(diào)優(yōu)
10.6　 LightGBM 算法案例實戰(zhàn)2：廣告收益回歸預(yù)測模型
10.6.1　案例背景
10.6.2　模型搭建
10.6.3　模型預(yù)測及評估
10.6.4　模型參數(shù)調(diào)優(yōu)

第11 章　特征工程之數(shù)據(jù)預(yù)處理
11.1　非數(shù)值類型數(shù)據(jù)處理
11.1.1　Get_dummies 啞變量處理
11.1.2　Label Encoding 編號處理
11.2　重復值、缺失值及異常值處理
11.2.1　重復值處理
11.2.2　缺失值處理
11.2.3　異常值處理
11.3　數(shù)據(jù)標準化
11.3.1　min-max 標準化
11.3.2　Z-score 標準化
11.4　數(shù)據(jù)分箱
11.5　特征篩選：WOE 值與IV 值
11.5.1　WOE 值的定義與計算
11.5.2　IV 值的定義與計算
11.5.3　WOE 值與IV 值的代碼實現(xiàn)
11.5.4　案例實戰(zhàn)：客戶流失預(yù)警模型的IV 值計算
11.6　多重共線性的分析與處理
11.6.1　多重共線性的定義
11.6.2　多重共線性的分析與檢驗
11.7　過采樣和欠采樣
11.7.1　過采樣
11.7.2　欠采樣

第12 章　數(shù)據(jù)降維之PCA
12.1　數(shù)據(jù)降維
12.1.1　PCA 的基本原理
12.1.2　PCA 的代碼實現(xiàn)
12.2　案例實戰(zhàn)：人臉識別模型
12.2.1　案例背景
12.2.2　人臉數(shù)據(jù)讀取、處理與變量提取
12.2.3　數(shù)據(jù)劃分與降維
12.2.4　模型的搭建與使用
12.3　人臉識別外部接口調(diào)用
12.3.1　baidu-aip 庫安裝
12.3.2　調(diào)用接口進行人臉識別和打分

第13 章　數(shù)據(jù)聚類與分群分析
13.1　KMeans 算法
13.1.1　KMeans 算法的基本原理
13.1.2　KMeans 算法的代碼實現(xiàn)
13.1.3　案例實戰(zhàn)：銀行客戶分群模型
13.2　DBSCAN 算法
13.2.1　DBSCAN 算法的基本原理
13.2.2　DBSCAN 算法的代碼實現(xiàn)
13.2.3　KMeans 算法與DBSCAN 算法的對比
13.3　案例實戰(zhàn)：新聞聚類分群模型
13.3.1　案例背景
13.3.2　文本數(shù)據(jù)的讀取與處理
13.3.3　模型的搭建與使用
13.3.4　模型優(yōu)化

第14 章　智能推薦系統(tǒng)
14.1　智能推薦系統(tǒng)的基本原理
14.1.1　智能推薦系統(tǒng)的應(yīng)用場景
14.1.2　智能推薦系統(tǒng)的基礎(chǔ)：協(xié)同過濾算法
14.2　計算相似度的常用方法
14.2.1　歐氏距離
14.2.2　余弦相似度
14.2.3　皮爾遜相關(guān)系數(shù)
14.3　案例實戰(zhàn)：電影智能推薦系統(tǒng)
14.3.1　案例背景
14.3.2　數(shù)據(jù)讀取與處理
14.3.3　系統(tǒng)搭建

第15 章　關(guān)聯(lián)分析：Apriori 算法
15.1　關(guān)聯(lián)分析的基本概念和Apriori 算法
15.1.1　關(guān)聯(lián)分析的基本概念
15.1.2　Apriori 算法的數(shù)學演示
15.1.3　Apriori 算法的代碼實現(xiàn)
15.2　案例實戰(zhàn)：病癥關(guān)聯(lián)規(guī)則分析
15.2.1　案例背景
15.2.2　數(shù)據(jù)讀取與處理
15.2.3　關(guān)聯(lián)規(guī)則分析

第16 章　深度學習初窺之神經(jīng)網(wǎng)絡(luò)模型
16.1　深度學習基礎(chǔ)：神經(jīng)網(wǎng)絡(luò)模型
16.1.1　神經(jīng)網(wǎng)絡(luò)模型的基本原理
16.1.2　神經(jīng)網(wǎng)絡(luò)模型的簡單代碼實現(xiàn)
16.2　案例實戰(zhàn)：用戶評論情感分析模型
16.2.1　案例背景
16.2.2　數(shù)據(jù)讀取、中文分詞、文本向量化
16.2.3　神經(jīng)網(wǎng)絡(luò)模型的搭建與使用