      Python數據挖掘應用培訓

第一階段： Python 基礎精要，零基礎也能學會

1. 語法初步

2. 列表、字符串和元組

3. 集合與字典

4. 條件和循環語句

5. 若干重要內置函數應用

6. 文件操作

7. 函數及其應用

8. 正則表達式

9. 數據庫和 Python

10.排序算法、 動態規劃算法、遞歸算法等算法

第二階段：numpy、pandas等進行數據清洗和整理，充分統計分析數據

1. 整理數據（切片、產生隨機數、復制、廣播、排序等）

2. 數據索引和選擇的各種方法

3. 數據的分組、分割、合并、變形

4. 缺失值和空值的數據處理

5. 時間序列數據處理、建模和預測（ARIMA）

6. 含中文數據的處理

7. 數據去重、去離群值

8. R語言和Python（pandas）數據整理和建模的比較

9. 描述統計和推論統計分析

第三階段：Python機器學習算法和數據挖掘案例實戰

1. 文本挖掘原理和案例（Logistic 回歸模型對文本的分類）

2. 預測分析核心算法（圖片的K-means聚類分析）

3. 機器學習經典算法（圖片的識別和分類：PCA建模）

4. 概率統計（二維手寫數字識別 KNN方法）

5. 數據可視化（推薦系統和精準營銷 近鄰方法、協同過濾）

6. 金融建模分析（數據可視化的各種情形）

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

8. 算法和模型的優化（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（酒的品質分類預測）

11.佳K-means分類數（機器學習的格點搜索和參數尋優）

12.交叉驗證（懲罰線性回歸分類器）

13.不平衡數據處理（使用支持向量機識別和分類）

14.XGBoost 使用案例 （金融時間序列預測）

15.貝葉斯分析（機器集成學習算法）

16.逼近和優化 （隨機模擬）

17.自然語言概率圖模型（用戶流失預警）

18 馬爾科夫&蒙特卡羅（量化投資實戰）