上海甫崎基于Python的數(shù)據(jù)分析與數(shù)據(jù)挖掘培訓(xùn)課程

章節(jié)

課程內(nèi)容

知識點

入門篇

一、數(shù)據(jù)挖掘概述

1.1 什么是數(shù)據(jù)挖掘

1.2 數(shù)據(jù)挖掘的項目流程

二、數(shù)據(jù)挖掘常用Python工具入門

2.1 為什么選擇Python

2.2 常用的Python工具

Numpy

Pandas

Scikit.learn

數(shù)據(jù)篇

三、數(shù)據(jù)準備

3.1 使用Pandas存取數(shù)據(jù)

CSV/TSV

JSON

MySQL

3.2 讓數(shù)據(jù)可用

數(shù)據(jù)抽取

數(shù)據(jù)合并

數(shù)據(jù)清洗

數(shù)據(jù)Shuffle與隨機采樣

文本操作

四、數(shù)據(jù)探索

4.1 數(shù)據(jù)探索的重要性

4.2 認識數(shù)據(jù)

變量類型、數(shù)據(jù)類型與變量種類

數(shù)據(jù)自洽性驗證

數(shù)據(jù)的描述性統(tǒng)計

單變量統(tǒng)計方法

多變量分析

4.3 從數(shù)據(jù)到特征 – 特征工程

基礎(chǔ)特征的生成

   數(shù)據(jù)歸一化

   數(shù)據(jù)變換

   數(shù)據(jù)降維

       PCA

       LDA

高階特征的生成

模型篇

五、常用模型

5.1 無監(jiān)督方法

聚類分析

   k-means

   GMM

關(guān)聯(lián)規(guī)則

5.2 有監(jiān)督方法

kNN

支持向量機

決策樹

邏輯回歸

人工神經(jīng)網(wǎng)絡(luò)

算法篇

六、如何求解模型

6.1 解析方法

多元函數(shù)極值定理

6.2 數(shù)值方法

批訓(xùn)練方法

在線訓(xùn)練方法

工程篇

七、點數(shù)成金 – Bigger Than Bigger

7.1數(shù)據(jù)挖掘的工程化

7.2 第yi代機器學(xué)習(xí)系統(tǒng) - Map-Reduce框架

Hadoop

Spark

7.3 第二代機器學(xué)習(xí)系統(tǒng) - Data Flow框架

TensorFlow

Apache Beam