Python大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)商業(yè)案例實(shí)戰(zhàn)

前言
如何獲取學(xué)習(xí)資源

第1章　Python與數(shù)據(jù)科學(xué)
1.1　大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)概述
1.1.1　大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域
1.1.2　機(jī)器學(xué)習(xí)的基本概念
1.1.3　Python在數(shù)據(jù)科學(xué)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(shí)概要

第2章　數(shù)據(jù)分析利器：NumPy、pandas與Matplotlib庫(kù)
2.1　NumPy庫(kù)基礎(chǔ)
2.1.1　NumPy庫(kù)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(kù)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(kù)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(shí)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(jìn)階實(shí)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(xué)原理
3.1.2　一元線性回歸的代碼實(shí)現(xiàn)
3.1.3　案例實(shí)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(píng)估
3.2.1　模型評(píng)估的編程實(shí)現(xiàn)
3.2.2　模型評(píng)估的數(shù)學(xué)原理
3.3　多元線性回歸
3.3.1　多元線性回歸的數(shù)學(xué)原理和代碼實(shí)現(xiàn)
3.3.2　案例實(shí)戰(zhàn)：客戶價(jià)值預(yù)測(cè)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(xué)原理
4.1.2　邏輯回歸模型的代碼實(shí)現(xiàn)
4.1.3　邏輯回歸模型的深入理解
4.2　案例實(shí)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(píng)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(shí)戰(zhàn)：用ROC 曲線評(píng)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(shí)戰(zhàn)：用KS 曲線評(píng)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(jiǎn)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(shí)現(xiàn)
5.2　案例實(shí)戰(zhàn)：?jiǎn)T工離職預(yù)測(cè)模型
5.2.1　模型搭建
5.2.2　模型預(yù)測(cè)及評(píng)估
5.2.3　決策樹模型可視化呈現(xiàn)及決策樹要點(diǎn)理解
5.3　參數(shù)調(diào)優(yōu)：K 折交叉驗(yàn)證與GridSearch 網(wǎng)格搜索
5.3.1　K 折交叉驗(yàn)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(jiǎn)單代碼實(shí)現(xiàn)
6.2　案例實(shí)戰(zhàn)：腫瘤預(yù)測(cè)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(shí)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(jì)算步驟
7.1.3　K 近鄰算法的代碼實(shí)現(xiàn)
7.2　案例實(shí)戰(zhàn)：手寫數(shù)字識(shí)別模型
7.2.1　案例背景
7.2.2　手寫數(shù)字識(shí)別的原理
7.2.3　手寫數(shù)字識(shí)別的代碼實(shí)現(xiàn)
7.3　圖像識(shí)別原理詳解

第8 章　隨機(jī)森林模型
8.1　隨機(jī)森林模型的原理和代碼實(shí)現(xiàn)
8.1.1　集成模型簡(jiǎn)介
8.1.2　隨機(jī)森林模型的基本原理
8.1.3　隨機(jī)森林模型的代碼實(shí)現(xiàn)
8.2　案例實(shí)戰(zhàn)：股票漲跌預(yù)測(cè)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(píng)估
8.2.5　參數(shù)調(diào)優(yōu)
8.2.6　收益回測(cè)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(xué)原理概述
9.1.3　AdaBoost 算法的數(shù)學(xué)原理舉例
9.1.4　AdaBoost 算法的簡(jiǎn)單代碼實(shí)現(xiàn)
9.2　AdaBoost 算法案例實(shí)戰(zhàn)：信用卡精準(zhǔn)營(yíng)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(cè)及評(píng)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(xué)原理概述
9.3.3　GBDT 算法的數(shù)學(xué)原理舉例
9.3.4　GBDT 算法的簡(jiǎn)單代碼實(shí)現(xiàn)
9.4　GBDT 算法案例實(shí)戰(zhàn)：產(chǎn)品定價(jià)模型
9.4.1　案例背景
9.4.2　模型搭建
9.4.3　模型預(yù)測(cè)及評(píng)估
9.4.4　模型參數(shù)介紹

第10 章　機(jī)器學(xué)習(xí)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(xué)原理概述
10.1.3　XGBoost 算法的簡(jiǎn)單代碼實(shí)現(xiàn)
10.2　XGBoost 算法案例實(shí)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(cè)及評(píng)估
10.2.4　模型參數(shù)調(diào)優(yōu)
10.3　XGBoost 算法案例實(shí)戰(zhàn)2：信用評(píng)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(xué)原理概述
10.4.3　LightGBM 算法的簡(jiǎn)單代碼實(shí)現(xiàn)
10.5　LightGBM 算法案例實(shí)戰(zhàn)1：客戶違約預(yù)測(cè)模型
10.5.1　案例背景
10.5.2　模型搭建
10.5.3　模型預(yù)測(cè)及評(píng)估
10.5.4　模型參數(shù)調(diào)優(yōu)
10.6　 LightGBM 算法案例實(shí)戰(zhàn)2：廣告收益回歸預(yù)測(cè)模型
10.6.1　案例背景
10.6.2　模型搭建
10.6.3　模型預(yù)測(cè)及評(píng)估
10.6.4　模型參數(shù)調(diào)優(yōu)

第11 章　特征工程之?dāng)?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(hào)處理
11.2　重復(fù)值、缺失值及異常值處理
11.2.1　重復(fù)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(biāo)準(zhǔn)化
11.3.1　min-max 標(biāo)準(zhǔn)化
11.3.2　Z-score 標(biāo)準(zhǔn)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(jì)算
11.5.2　IV 值的定義與計(jì)算
11.5.3　WOE 值與IV 值的代碼實(shí)現(xiàn)
11.5.4　案例實(shí)戰(zhàn)：客戶流失預(yù)警模型的IV 值計(jì)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(yàn)
11.7　過(guò)采樣和欠采樣
11.7.1　過(guò)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(shí)現(xiàn)
12.2　案例實(shí)戰(zhàn)：人臉識(shí)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(shí)別外部接口調(diào)用
12.3.1　baidu-aip 庫(kù)安裝
12.3.2　調(diào)用接口進(jìn)行人臉識(shí)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(shí)現(xiàn)
13.1.3　案例實(shí)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(shí)現(xiàn)
13.2.3　KMeans 算法與DBSCAN 算法的對(duì)比
13.3　案例實(shí)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(chǎng)景
14.1.2　智能推薦系統(tǒng)的基礎(chǔ)：協(xié)同過(guò)濾算法
14.2　計(jì)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(shí)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(xué)演示
15.1.3　Apriori 算法的代碼實(shí)現(xiàn)
15.2　案例實(shí)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(xué)習(xí)初窺之神經(jīng)網(wǎng)絡(luò)模型
16.1　深度學(xué)習(xí)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(jiǎn)單代碼實(shí)現(xiàn)
16.2　案例實(shí)戰(zhàn)：用戶評(píng)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