Python3数据分析与挖掘建模实战视频

本章首先介绍本课程是什么，有什么特色，能学习到什么，内容如何安排，需要什么基础，是否适合学习这门课程等。然后对数据分析进行概述，让大家对数据分析的含义和作用有一个整体的认知，让大家对自己接下来要做的事情，有一个基本的概念与了解。...

1-1 课程导学

1-2 数据分析概述

第2章 数据获取

数据从哪里来？怎么来？这一章，我们会介绍数据获取的一般手段。主要包括数据仓库、抓取、资料填写、日志、埋点、计算等手段。同时，我们也会介绍几个常用的数据网站，供大家参考与学习。

2-1 数据仓库

2-2 监测与抓取

2-3 填写、埋点、日志、计算

2-4 数据学习网站

第3章 单因子探索分析与数据可视化

有了数据，如何上手？这一章，我们会介绍探索分析的一部分---单因子探索分析和可视化的内容。我们会以基础的统计理论知识为切入点，学习异常值分析、对比分析、结构分析、分布分析。同时，引入接下来几章都会用到的案例-HR人力资源分析表，并用理论与可视化的方法，完成对此表的初步分析。...

3-1 数据案例介绍3-2 集中趋势,离中趋势3-3 数据分布--偏态与峰度3-4 抽样理论3-5 编码实现（基于python2.7）3-6 数据分类3-7 异常值分析3-8 对比分析3-9 结构分析3-10 分布分析3-11 Satisfaction Level的分析3-12 LastEvaluation的分析3-13 NumberProject的分析3-14 AverageMonthlyHours的分析3-15 TimeSpendCompany的分析3-16 WorkAccident的分析3-17 Left的分析3-18 PromotionLast5Years的分析3-19 Salary的分析3-20 Department的分析3-21 简单对比分析操作3-22 可视化-柱状图3-23 可视化-直方图3-24 可视化-箱线图3-25 可视化-折线图3-26 可视化-饼图3-27 本章小结

第4章 多因子探索分析

上了手，然后呢？这一章，我们介绍探索分析的另一部分---多因子复合探索分析。我们同样以基础的统计知识为切入点，学习多因子间互相影响与配合的分析方法，如交叉分析、分组分析、相关分析、成分分析等。同时，以HR人力资源分析表为例，进行进一步的探索。...

4-1 假设检验

4-2 卡方检验

4-3 方差检验

4-4 相关系数

4-5 线性回归

4-6 主成分分析

4-7 编码实现

4-8 交叉分析方法与实现

4-9 分组分析方法与实现

4-10 相关分析与实现

4-11 因子分析与实现

4-12 本章小结

第5章 预处理理论

数据已了解，用起来！不着急，先加工。这一章，我们会介绍特征工程的主要内容，重点会介绍数据清洗和数据特征预处理的主要内容，包括数据清洗、特征获取、特征处理（内含对指化、归一化、标准化等）、特征降维、特征衍生。预处理的好坏，直接影响着接下来模型的效果。...

5-1 特征工程概述

5-2 数据样本采集

5-3 异常值处理

5-4 标注

5-5 特征选择

5-6 特征变换-对指化

5-7 特征变换-离散化

5-8 特征变换-归一化与标准化

5-9 特征变换-数值化

5-10 特征变换-正规化

5-11 特征降维-LDA

5-12 特征衍生

5-13 HR表的特征预处理-1

5-14 HR表的特征预处理-2

5-15 本章小结

第6章 挖掘建模

把数据用起来！这一章，我们会介绍数据挖掘与建模的主要内容。主要包含五类模型的建立与实践，分别为：分类模型（KNN、朴素贝叶斯、决策树、SVM、集成方法、GBDT……），回归模型与回归思想分类（线性回归、逻辑斯特回归【也叫罗吉回归，逻辑回归。音译区别】、神经网络、回归树），聚类模型（K-means、DBSCAN、层次聚类、...

6-1 机器学习与数据建模

6-2 训练集、验证集、测试集

6-3 分类-KNN

6-4 分类-朴素贝叶斯

6-5 分类-决策树

6-6 分类-支持向量机

6-7 分类-集成-随机森林

6-8 分类-集成-Adaboost

6-9 回归-线性回归

6-10 回归-分类-逻辑回归

6-11 回归-分类-人工神经网络-1

6-12 回归-分类-人工神经网络-2

6-13 回归-回归树与提升树

6-14 聚类-Kmeans-1

6-15 聚类-Kmeans-2

6-16 聚类-DBSCAN

6-17 聚类-层次聚类

6-18 聚类-图分裂

6-19 关联-关联规则-1

6-20 关联-关联规则-2

6-21 半监督-标签传播算法

6-22 本章小结

第7章 模型评估

哪个模型好？上一章，我们学习了很多模型，一个数据集，可能用多种模型都可以进行建模，那么哪种模型好，就需要有些指标化的东西帮我们决策。这一章，我们会介绍使用混淆矩阵和相应的指标、ROC曲线与AUC值来评估分类模型；用MAE、MSE、R2来评估回归模型；用RMS、轮廓系数来评估聚类模型。...

7-1 分类评估-混淆矩阵

7-2 分类评估-ROC、AUC、提升图与KS图

7-3 回归评估

7-4 非监督评估

第8章 总结与展望

这一章，我们将回顾本课程的全部内容，并从多个角度，重新看待我们的数据分析工作。最后，我们会了解到，学习了这门课程以后，还可以在哪些方面进行发展。