国产极品粉嫩福利姬萌白酱_伊人WWW22综合色_久久精品a一国产成人免费网站_法国啄木乌AV片在线播放

數據挖掘處理課程

一、數據挖掘導論
數據挖掘的基本任務與步驟：目標、數據探索、數據預處理、建模、模型評價
有監督學習
無監督學習和半監督學習算法模型
Sklean 數據挖掘和機器學習算法庫介紹
大數據建模常見問題
問題引出：客戶(hu)行為分析-用戶(hu)用電異常的識別

二、Python 編程快速入門
Python 編程環境與語法快速入門
基礎數據結構：字符串處理及應用
數據結構：列表、元組、集合、字典
Python 控制流：IF 與 while、for 循環
函數與模塊定義
Python 文件讀寫
Python 面向對象編程思想
Python 異常處理
實驗：
—— 讀寫 CSV 文件
—— 處理 Excel 文件

三、Python 數據分析進階
Python 并行編程：多線程與多進程實現
—— 進程與線程概念
—— 進程同步機制
—— 多進程實現
—— 多線程實現
輕松訪問數據庫
—— 連接訪問 Sqlite
—— 操縱 MySQL
—— Python 的對象關系映射模型
實驗：
—— 多進程讀取超大文件
 —— SQLite 讀(du)寫(xie)練習南(nan)京(jing)?杭州?上海(hai)

四、Scikit-learn 數據預處理實踐
數據統計量:期望/方差/偏度/峰度
協方差和相關系數、方差與標準差
數據描述：集中趨勢、離散程度、分位數
數據可視化：直方圖、盒圖、散點圖
數據預處理基本方法
數據歸一化方法
對數據進行降維，主成分分析 PCA
實驗：
—— 利用隨機森林做特征篩選
—— 數據預處理：歸一化、缺失值處理
—— 降維 PCA 實現
—— 找出較好的特征組合：PCA 與 LDA 效果對比
—— 隨機森(sen)林評(ping)估特(te)征重(zhong)要性

五、Python 數據分析進階
高性能矩陣計算工具 Numpy：
—— Numpy 數組與元素索引
—— 矩陣計算
—— 通用函數、計算統計量
以表格處理數據——高級數據分析包
—— Pandas：數據框架 Dataframe
—— 快速索引數據
—— 常用函數
—— 快速可視化分析
—— 匯總與統計
實驗：基(ji)于 Pandas 的數據預(yu)處理(li)

六、數據可視化分析
Matplotlib 繪圖庫介紹
快速繪圖
常見繪圖函數：散點圖、柱狀圖、盒圖
圖片處理
三維繪圖演示
Pandas 快速繪圖南京?杭州?上海
實驗：
—— 繪制常見統計圖
—— 利用 Pandas 獲取(qu)數據并繪圖

七、Scikit-Learn 數據挖掘實踐 
數值預測：Logistic/Softmax 回歸/隨機森林
梯度下降算法：BGD 與 SGD 介紹
Sklean 決策樹算法實現： ID3、C4.5、CART 決策樹算法
用 Bagging 改善分類性能
隨機森林方法
決策樹用于分析挖掘的建模實現和決策樹的評估
Sklean 決策樹算法應用編程
實驗：
—— 用隨機森林預測數值
—— 決策樹編程演示
—— 決(jue)策樹分析(xi)客戶數據(ju)

八、 Scikit-Learn 數據挖掘實踐 
支持向量機 SVM
線性可分軟間隔 SVM
損失函數的理解
支持向量回歸 SVR
不平衡數據集的處理
分類器性能評價
支持向量機的參數調優
分類器性能評價
實驗：
—— 銀行信貸客戶分類
—— Grid 法調參
—— 不平衡分布對性能的影響
—— 交叉驗證
—— 多分類器性能比較：ROC 曲線
—— 問題討論：用電異常(chang)行為識別

九、無監督學習：Scikit-Learn 聚類分析
Jaccard 相似度
Pearson 相關系數與余弦相似度南京?杭州?上海
層次聚類
K-means 聚類
半監督 AP 聚類算法及其應用
密度聚類 DBSCAN
聚類評價和結果指標
實驗：
—— K-Means 算法原理和實現
—— 密度聚類
—— 比較不同的聚類算法
—— 問題討論(lun)：客戶分級

十、神經網絡實踐
神經網絡基本原理
淺層神經網絡與深層網絡分析
神經網絡用于數值預測
神經網絡用于分類
Scikit-Learn 神經網絡實現
案(an)例分享：阿里(li)云(yun)天池賽電力 AI：預(yu)測用電量

十一、Python 數據挖掘項目實踐
根據客戶數據集特點，完成數據的預處理、特征篩選
客戶流失問題建模與分類
客戶分級建模
解決方案討論
大數據挖掘技術的發展
案例分享：用戶畫像
需新增重點內容：
基于阿里MAXCOMPUTE的相關PYTHON函數學習
多增加PYTHON機器學習的實驗課
大數據應用解(jie)決實踐(jian)方法及案(an)例

數據挖掘處理課程