Python数据分析与机器学习实战

Python数据分析与机器学习实战
课程观看地址：https://www.docsj.com/doc/0015538125.html,/course/167
课程出自学途无忧网：https://www.docsj.com/doc/0015538125.html,


课程风格通俗易懂，真实案例实战。精心挑选真实的数据集为案例，通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础，所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合，选择经典kaggle项目，从数据预处理开始一步步代码实战带大家快速入门机器学习。旨在帮助同学们快速上手如何使用python库来完整机器学习案例。

课程目标
零基础快速掌握python数据分析与机器学习算法； 快速入门python最流行的数据分析库numpy,pandas,matplotlib； 从原理上进行推导较为繁琐的机器学习算法，以算法流程为主结合实际案例实现完整的算法代码； 使用scikit-learn机器学习库完成快速建立模型，评估以及预测； 结合Kaggle经典案例，从数据预处理开始一步步完成整个项目，对如何应用python库完成实际的项目形成完整的经验与概念。

适合人群：
数据分析,机器学习,数据挖掘领域研究者。Python语言使用者。

课程目录：
第1 章 ： Python环境配置
课时1：使用Anaconda安装python环境
课时2：Eclipse配置python插件
课时3：课程简介
第2 章 ： Python科学计算库-Numpy
课时4：Numpy库简介
课时5：Array数组
课时6：数组操作
课时7：矩阵基本操作
课时8：矩阵的创建与初始化
课时9：常用函数案例演示
课时10：排序与索引
课时11：习题实例
第3 章 ： python数据分析处理库-Pandas
课时12：Pandas库简介
课时13：数据读取与显示
课时14：数据样本行列选取
课时15：数值计算与排序
课时16：数据预处理与透视表
课时17：自定义函数方法
课时18：核心数据结构Series详解
课时19：数据索引变换
第4 章 ： Python数据可视化库-Matplotlib
课时20：Matplotlib简介
课时21：画出第一个简易折线图
课时22：打造一个完整的折线图
课时23：条形图实战
课时24：直方图与四分图
课时25：基于真实数据集的可视化分析
课时26：可视化图表细节
第5 章 ： Python机器学习案例实战
课时27：初识机器学习
课时28：使用python库分析汽车油耗效率
课时29：使用scikit-learn库建立回归模型
课时30：使用逻辑回归改进模型效果
课时31：模型效果衡量标准
课时32：ROC指标与测试集的价值
课时33：交叉验证
课时34：多类别问题代码
课时35：梯度下降原理
课时36：实现简易梯度下降算法
课时37：SVD奇异值分解原理
课时38：SVD推荐系统应用实例
课时39：K近邻算法原

理
课时40：K近邻算法代码实现
课时41：K近邻实例
第6 章 ： 决策树与随机森林
课时42：决策树算法原理
课时43：基于ID3算法进行特征选择
课时44：构建决策树
课时45：使用scikit-learn库建立决策树
课时46：分类回归树CART
课时47：分类回归树代码实现
课时48：随机森林模型
课时49：随机森林特征重要性
第7 章 ： 聚类模型
课时50：无监督聚类问题
课时51：聚类结果与离群点分析
课时52：K-means聚类案例对NBA球员进行评估
课时53：K-MEANS原理
课时54：K-MEANS聚类算法实现
第8 章 ： 支持向量机
课时55：支持向量机算法原理
课时56：支持向量机对偶问题
课时57：核变换解决低维不可分问题
课时58：soft-margin支持向量机
课时59：SMO算法求解支持向量机
第9 章 ： 神经网络模型
课时60：初识神经网络
课时61：神经网络强大的非线性
课时62：深入神经网络细节
课时63：代码实现简易神经网络
课时64：深度学习-递归神经网络
课时65：神经网络打造二进制加法器
第10 章 ： 贝叶斯模型
课时66：贝叶斯原理
课时67：基于贝叶斯的垃圾邮件分类
课时68：使用贝叶斯算法打造拼写检查器
课时69：K近邻算法实现
第11 章 ： Adaboost算法
课时70：Adaboost算法原理
课时71：Adaboost实例
课时72：Adaboost实现代码
课时73：Adaboost训练模型
第12 章 ： 机器学习项目实战-泰坦尼克获救预测
免费 课时74：船员数据分析
免费 课时75：数据预处理
课时76：使用回归算法进行预测
课时77：使用随机森林改进模型
课时78：随机森林特征重要性分析
第13 章 ： 机器学习项目实战-贷款申请最大化利润
课时79：数据清洗过滤无用特征
课时80：数据预处理
课时81：获得最大利润的条件与做法
课时82：预测结果并解决样本不均衡问题
第14 章 ： 机器学习项目实战-用户流失预警
课时83：数据背景介绍
课时84：数据预处理
课时85：尝试多种分类器效果
课时86：结果衡量指标的意义
课时87：应用阈值得出结果
第15 章 ： 机器学习项目实战-HTTP日志聚类分析
课时88：建立特征工程
课时89：特征数据预处理
课时90：应用聚类算法得出异常IP点