      Python數(shù)據(jù)挖掘應(yīng)用培訓(xùn)

第一階段： Python 基礎(chǔ)精要，零基礎(chǔ)也能學(xué)會

1. 語法初步

2. 列表、字符串和元組

3. 集合與字典

4. 條件和循環(huán)語句

5. 若干重要內(nèi)置函數(shù)應(yīng)用

6. 文件操作

7. 函數(shù)及其應(yīng)用

8. 正則表達式

9. 數(shù)據(jù)庫和 Python

10.排序算法、 動態(tài)規(guī)劃算法、遞歸算法等算法

第二階段：numpy、pandas等進行數(shù)據(jù)清洗和整理，充分統(tǒng)計分析數(shù)據(jù)

1. 整理數(shù)據(jù)（切片、產(chǎn)生隨機數(shù)、復(fù)制、廣播、排序等）

2. 數(shù)據(jù)索引和選擇的各種方法

3. 數(shù)據(jù)的分組、分割、合并、變形

4. 缺失值和空值的數(shù)據(jù)處理

5. 時間序列數(shù)據(jù)處理、建模和預(yù)測（ARIMA）

6. 含中文數(shù)據(jù)的處理

7. 數(shù)據(jù)去重、去離群值

8. R語言和Python（pandas）數(shù)據(jù)整理和建模的比較

9. 描述統(tǒng)計和推論統(tǒng)計分析

第三階段：Python機器學(xué)習(xí)算法和數(shù)據(jù)挖掘案例實戰(zhàn)

1. 文本挖掘原理和案例（Logistic 回歸模型對文本的分類）

2. 預(yù)測分析核心算法（圖片的K-means聚類分析）

3. 機器學(xué)習(xí)經(jīng)典算法（圖片的識別和分類：PCA建模）

4. 概率統(tǒng)計（二維手寫數(shù)字識別 KNN方法）

5. 數(shù)據(jù)可視化（推薦系統(tǒng)和精準(zhǔn)營銷 近鄰方法、協(xié)同過濾）

6. 金融建模分析（數(shù)據(jù)可視化的各種情形）

7. 客戶畫像和精準(zhǔn)營銷（新聞的文本分類 TF-IDF準(zhǔn)則、旅游新聞個性化推薦）

8. 算法和模型的優(yōu)化（手寫識別）

9. 模型精度評估和提升（樸素貝葉斯決策）

10.特征選取的方法（酒的品質(zhì)分類預(yù)測）

11.佳K-means分類數(shù)（機器學(xué)習(xí)的格點搜索和參數(shù)尋優(yōu)）

12.交叉驗證（懲罰線性回歸分類器）

13.不平衡數(shù)據(jù)處理（使用支持向量機識別和分類）

14.XGBoost 使用案例 （金融時間序列預(yù)測）

15.貝葉斯分析（機器集成學(xué)習(xí)算法）

16.逼近和優(yōu)化 （隨機模擬）

17.自然語言概率圖模型（用戶流失預(yù)警）

18 馬爾科夫&蒙特卡羅（量化投資實戰(zhàn)）