課程描述INTRODUCTION
Python語言與數(shù)據(jù)挖掘
培訓講師：
課程價格：
培訓天數(shù)：日程安排SCHEDULE
課程大綱Syllabus
Python語言與數(shù)據(jù)挖掘
對象
大數(shù)據(jù)系統(tǒng)開發(fā)部、大數(shù)據(jù)分析中心、業(yè)務支撐部、IT系統(tǒng)部等相關技術人員。
目的
掌握Python語言，以及在數(shù)據(jù)挖掘中的應用
內(nèi)容
Python是一門解釋性語言，僅次于JAVA/C/C++/C#*的語言，可應用在大數(shù)據(jù)語言。易學，易懂，功能強大。其中有著大量的擴展庫來實現(xiàn)數(shù)據(jù)分析與數(shù)據(jù)挖掘功能。
第一部分：Python語言基礎
目的：掌握基本的Python編程思想與編程語句，熟悉常用數(shù)據(jù)結構的操作
1、Python簡介
2、開發(fā)環(huán)境搭建
Python的安裝
擴展庫的安裝
3、掌握Python的簡單數(shù)據(jù)類型
字符串的使用及操作
整數(shù)、浮點數(shù)
4、掌握基本語句：
if、while、for、print等
基本運算：
函數(shù)定義、參數(shù)傳遞、返回值
5、掌握復雜的數(shù)據(jù)類型：列表/元組
列表操作：訪問、添加、修改、刪除、排序
列表切片、復制等
列表相關的函數(shù)、方法
元組的應用
6、復雜數(shù)據(jù)類型：字典
創(chuàng)建、訪問、修改、刪除、遍歷
字典函數(shù)和方法
7、復雜數(shù)據(jù)類型：集合
8、掌握面向對象編程思想
創(chuàng)建類、繼承類
模塊
9、函數(shù)定義、參數(shù)傳遞、返回值
10、 標準庫與擴展庫的導入
11、 異常處理:try-except塊
演練：基本的Python編程語句
第二部分：Python語言與數(shù)據(jù)挖掘庫
目的：掌握數(shù)據(jù)集結構及基本處理方法，進一步鞏固Python語言
1、數(shù)據(jù)挖掘常用擴展庫介紹
Numpy數(shù)組處理支持
Scipy矩陣計算模塊
Matplotlib數(shù)據(jù)可視化工具庫
Pandas數(shù)據(jù)分析和探索工具
StatsModels統(tǒng)計建模庫
Scikit-Learn機器學習庫
Keras深度學習（神經(jīng)網(wǎng)絡）庫
Gensim文本挖掘庫
2、數(shù)據(jù)集讀取與操作：讀取、寫入
讀寫文本文件
讀寫CSV文件
讀寫Excel文件
從數(shù)據(jù)庫獲取數(shù)據(jù)集
3、數(shù)據(jù)集的核心數(shù)據(jù)結構（Pandas數(shù)據(jù)結構）
Dataframe對象及處理方法
Series對象及處理方法
演練：用Python實現(xiàn)數(shù)據(jù)的基本統(tǒng)計分析功能
第三部分：數(shù)據(jù)可視化處理
目的：掌握作圖擴展庫，實現(xiàn)數(shù)據(jù)可視化
1、常用的Python作圖庫
Matplotlib庫
Pygal庫
2、實現(xiàn)分類匯總
演練：按性別統(tǒng)計用戶人數(shù)
演練：按產(chǎn)品+日期統(tǒng)計各產(chǎn)品銷售金額
3、各種圖形的畫法
直方圖
餅圖
折線圖
散點圖
4、繪圖的美化技巧
演練：用Python庫作圖來實現(xiàn)產(chǎn)品銷量分析，并可視化
第四部分：數(shù)據(jù)挖掘基礎
目的：掌握數(shù)據(jù)挖掘標準流程
1、數(shù)據(jù)挖掘概述
2、數(shù)據(jù)挖掘的標準流程（CRISP-DM）
商業(yè)理解
數(shù)據(jù)準備
數(shù)據(jù)理解
模型建立
模型評估
模型應用
3、數(shù)據(jù)挖掘常用任務與算法
案例：用大數(shù)據(jù)實現(xiàn)精準營銷的項目過程
第五部分：數(shù)據(jù)理解和數(shù)據(jù)準備
目的：掌握數(shù)據(jù)預處理的基本環(huán)節(jié)，以及Python的實現(xiàn)
1、數(shù)據(jù)預處理
異常值處理：3σ準則，IQR準則
缺失值插補：均值、拉格朗日插補
數(shù)據(jù)篩選/抽樣
數(shù)據(jù)的離散化處理
變量變換、變量派生
2、數(shù)據(jù)的基本分析
相關分析：原理、公式、應用
方差分析：原理、公式、應用
卡方分析：原理、公式、應用
主成分分析：降維
案例：用Python實現(xiàn)數(shù)據(jù)預處理及數(shù)據(jù)準備
第六部分：分類預測模型實戰(zhàn)
1、常見分類預測的模型與算法
2、如何評估分類預測模型的質(zhì)量
查準率
查全率
ROC曲線
3、邏輯回歸分析模型
邏輯回歸的原理
邏輯回歸建模的步驟
邏輯回歸結果解讀
案例：用sklearn庫實現(xiàn)銀行貸款違約預測
4、決策樹模型
決策樹分類的原理
決策樹的三個關鍵問題
決策樹算法與實現(xiàn)
案例：電力竊漏用戶自動識別
5、人工神經(jīng)網(wǎng)絡模型（ANN）
神經(jīng)網(wǎng)絡概述
神經(jīng)元工作原理
常見神經(jīng)網(wǎng)絡算法（BP、LM、RBF、FNN等）
案例：神經(jīng)網(wǎng)絡預測產(chǎn)品銷量
6、支持向量機（SVM）
SVM基本原理
維災難與核心函數(shù)
案例：基于水質(zhì)圖像的水質(zhì)評價
7、貝葉斯分析
條件概率
常見貝葉斯網(wǎng)絡
第七部分：數(shù)值預測模型實戰(zhàn)
1、常用數(shù)值預測的模型
通用預測模型：回歸模型
季節(jié)性預測模型：相加、相乘模型
新產(chǎn)品預測模型：珀爾曲線與龔鉑茲曲線
2、回歸分析概念
3、常見回歸分析類別
第八部分：聚類分析（客戶細分）實戰(zhàn)
1、客戶細分常用方法
2、聚類分析（Clustering）
聚類方法原理介紹及適用場景
常用聚類分析算法
聚類算法的評價
案例：使用SKLearn實現(xiàn)K均值聚類
案例：使用TSNE實現(xiàn)聚類可視化
3、RFM模型分析
RFM模型，更深入了解你的客戶價值
RFM模型與市場策略
案例：航空公司客戶價值分析
第九部分：關聯(lián)規(guī)則分析實戰(zhàn)
1、關聯(lián)規(guī)則概述
2、常用關聯(lián)規(guī)則算法
3、時間序列分析
案例：使用apriori庫實現(xiàn)關聯(lián)分析
案例：中醫(yī)證型關聯(lián)規(guī)則挖掘
第十部分：案例實戰(zhàn)（學員主導，老師現(xiàn)場指導）
1、實戰(zhàn)1：電商用戶行為分析及服務推薦
2、實戰(zhàn)2：基于基站定位數(shù)據(jù)的商圈分析
結束：課程總結與問題答疑。
Python語言與數(shù)據(jù)挖掘
轉載：http://szsxbj.com/gkk_detail/257452.html
已開課時間Have start time
- 張曉誠