詳情點擊鏈接：Python 數(shù)據(jù)挖掘與機器學習

一：Python編程

Python編程入門

1、Python環(huán)境搭建（?下載、安裝與版本選擇）。

2、如何選擇Python編輯器？（IDLE、Notepad++、PyCharm、Jupyter…）

3、Python基礎(chǔ)（數(shù)據(jù)類型和變量、字符串和編碼、list和tuple、條件判斷、循環(huán)、函數(shù)的定義與調(diào)用等）

4、常見的錯誤與程序調(diào)試

5、第三方模塊的安裝與使用

6、文件讀寫（I/O）

Python進階與提高

1、Numpy模塊庫（Numpy的安裝；ndarray類型屬性與數(shù)組的創(chuàng)建；數(shù)組索引與切片；Numpy常用函數(shù)）

2、Pandas模塊庫（DataFrame數(shù)據(jù)結(jié)構(gòu)、表格的變換、排序、拼接、融合、分組等）

3、Matplotlib基本圖形繪制（線形圖、柱狀圖、餅圖、氣泡圖、直方圖、箱線圖、散點圖等）

4、圖形樣式的美化（顏色、線型、標記、字體等屬性的修改）

5、圖形的布局（多個子圖繪制、規(guī)則與不規(guī)則布局繪制、向畫布中任意位置添加坐標軸）

6、高級圖形繪制（3D圖、等高線圖、棉棒圖、啞鈴圖、漏斗圖、樹狀圖、華夫餅圖等）

7、坐標軸高階應(yīng)用（共享繪圖區(qū)域的坐標軸、坐標軸刻度樣式設(shè)置、控制坐標軸的顯示、移動坐標軸的位置）

二：特征工程

1：數(shù)據(jù)清洗

1、描述性統(tǒng)計分析（數(shù)據(jù)的頻數(shù)分析：統(tǒng)計直方圖；數(shù)據(jù)的集中趨勢分析：算數(shù)平均值、幾何平均數(shù)、眾數(shù)、極差與四分位差、平均離差、標準差、離散系數(shù)；數(shù)據(jù)的分布：偏態(tài)系數(shù)、峰度；數(shù)據(jù)的相關(guān)分析：相關(guān)系數(shù)）

2、數(shù)據(jù)標準化與歸一化（為什么需要標準化與歸一化？）

3、數(shù)據(jù)異常值、缺失值處理

4、數(shù)據(jù)離散化及編碼處理

5、手動生成新特征

變量降維

1、主成分分析（PCA）

2、偏最小二乘（PLS）

特征選擇

1、常見的特征選擇方法（優(yōu)化搜索、Filter和Wrapper等；前向與后向選擇法；區(qū)間法；無信息變量消除法；正則稀疏優(yōu)化方法等）

群優(yōu)化算法

1、遺傳算法（Genetic Algorithm, GA）的基本原理（以遺傳算法為代表的群優(yōu)化算法的基本思想是什么？粒子群算法、蜻蜓算法、蝙蝠算法、模擬退火算法等與遺傳算法的區(qū)別與聯(lián)系）

2、遺傳算法的Python代碼實現(xiàn)

3、實踐一：一元函數(shù)的尋優(yōu)計算

4、實踐二：離散變量的尋優(yōu)計算（特征選擇）

三：回歸擬合模型
線性回歸模型

1、一元線性回歸模型與多元線性回歸模型（回歸參數(shù)的估計、回歸方程的顯著性檢驗、殘差分析）

2、嶺回歸模型（工作原理、嶺參數(shù)k的選擇、用嶺回歸選擇變量）

3、LASSO模型（工作原理、特征選擇、建模預(yù)測、超參數(shù)調(diào)節(jié)）

4、Elastic Net模型（工作原理、建模預(yù)測、超參數(shù)調(diào)節(jié)）

前向型神經(jīng)網(wǎng)絡(luò)

1、BP神經(jīng)網(wǎng)絡(luò)的基本原理（人工智能發(fā)展過程經(jīng)歷了哪些曲折？人工神經(jīng)網(wǎng)絡(luò)的分類有哪些？BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和訓練過程是怎樣的？什么是梯度下降法？BP神經(jīng)網(wǎng)絡(luò)建模的本質(zhì)是什么？）

2、BP神經(jīng)網(wǎng)絡(luò)的Python代碼實現(xiàn)（怎樣劃分訓練集和測試集？為什么需要歸一化？歸一化是必須的嗎？什么是梯度爆炸與梯度消失？）

3、BP神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化（隱含層神經(jīng)元個數(shù)、學習率、初始權(quán)值和閾值等如何設(shè)置？什么是交叉驗證？）

4、值得研究的若干問題（欠擬合與過擬合、泛化性能評價指標的設(shè)計、樣本不平衡問題等）

5、極限學習機（Extreme?Learning Machine, ELM）的工作原理

四：分類識別模型

KNN、貝葉斯分類與支持向量機

1、KNN分類模型（KNN算法的核心思想、距離度量方式的選擇、K值的選取、分類決策規(guī)則的選擇）

2、樸素貝葉斯分類模型（伯努利樸素貝葉斯BernoulliNB、類樸素貝葉斯CategoricalNB、高斯樸素貝葉斯besfGaussianNB、多項式樸素貝葉斯MultinomialNB、補充樸素貝葉斯ComplementNB）

3、SVM的工作原理（SVM的本質(zhì)是解決什么問題？SVM的四種典型結(jié)構(gòu)是什么？核函數(shù)的作用是什么？什么是支持向量SVM擴展知識（如何解決多分類問題？SVM除了建模型之外，還可以幫助我們做哪些事情？）

決策樹、隨機森林、LightGBM、XGBoost

1、決策樹的工作原理（微軟小冰讀心術(shù)的啟示；什么是信息熵和信息增益？ID3算法和C4.5算法的區(qū)別與聯(lián)系）；決策樹除了建模型之外，還可以幫我們做什么事情？

2、隨機森林的工作原理（為什么需要隨機森林算法？廣義與狹義意義下的“隨機森林”分別指的是什么？“隨機”體現(xiàn)在哪些地方？隨機森林的本質(zhì)是什么？怎樣可視化、解讀隨機森林的結(jié)果？）

3、Bagging與Boosting的區(qū)別與聯(lián)系

4、AdaBoost?vs. Gradient Boosting的工作原理

5.?常用的GBDT算法框架（XGBoost、LightGBM）

五：聚類分析算法

K均值、DBSCAN、層次聚類

1、K均值聚類算法的工作原理

2、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚類算法的工作原理
層次聚類算法的工作原理

六：關(guān)聯(lián)分析算法

關(guān)聯(lián)規(guī)則協(xié)同過濾Apriori算法

1、關(guān)聯(lián)規(guī)則算法的工作原理

2、協(xié)同過濾算法的工作原理

3、Apriori算法的工作原理

七：總結(jié)與答疑討論

信息檢索與常用科研工具

1、如何無障礙地訪問Google、YouTube等網(wǎng)站？（谷歌訪問助手、VPN等）

2、如何查閱文獻資料？怎樣能夠保證對最新論文的追蹤？

3、Google?Scholar、ResearchGate的使用方法

4、應(yīng)該去哪些地方查找與論文配套的數(shù)據(jù)和代碼？

5、文獻管理工具的使用（Endnote、Zotero等）

6、當代碼出現(xiàn)錯誤時，應(yīng)該如何高效率解決？文章來源地址http://www.zghlxwxcb.cn/news/detail-604037.html

到了這里，關(guān)于Python 數(shù)據(jù)挖掘與機器學習教程的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！