文档介绍：该【Python数据分析与机器学习实战 】是由【C小yi】上传分享，文档一共【7】页，该文档可以免费在线阅读，需要了解更多关于【Python数据分析与机器学习实战 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。本文格式为Word版,下载可任意编辑
—2—
Python数据分析与机器学习实战
下面是我为大家整理的Python数据分析与机器学习实战,供大家参考。
Python数据分析与机器学习实战
课程观看地址:http://./course/167
课程出自学途无忧网:http://.
课程风格通俗易懂,真实案例实战。用心挑拣真实的数据集为案例,通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为根基,全体课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与工程相结合,选择经典kaggle工程,从数据预处理开头一步步代码实战带大家快速入门机器学习。旨在扶助同学们快速上手如何使用python库来完整机器学习案例。
课程目标
零根基快速掌管python数据分析与机器学习算法;快速入门python最流行的数据分析库numpy,pandas,matplotlib;从原理上举行推导较为繁琐的机器学习算法,以算法流程为主结合实际案例实现完整的算法代码;使用scikit-learn机器学习库完成快速建立模型,评估以及预料;结合Kaggle经典案例,从数据预处理开头一步步完成整个工程,对如何应用python库完成实际的工程形成完整的阅历与概念。
本文格式为Word版,下载可任意编辑
—2—
适合人群:
数据分析,机器学习,数据挖掘领域研究者。Python语言使用者。
课程目次:
第1章:Python环境配置
课时1:使用Anaconda安装python环境
课时2:Eclipse配置python插件
课时3:课程简介
第2章:Python科学计算库-Numpy
课时4:Numpy库简介
课时5:Array数组
课时6:数组操作
课时7:矩阵根本操作
课时8:矩阵的创造与初始化
课时9:常用函数案例演示
本文格式为Word版,下载可任意编辑
—3—
课时10:排序与索引
课时11:习题实例
第3章:python数据分析处理库-Pandas
课时12:Pandas库简介
课时13:数据读取与显示
课时14:数据样本行列选取
课时15:数值计算与排序
课时16:数据预处理与透视表
课时17:自定义函数方法
课时18:核心数据布局Series详解
课时19:数据索引变换
第4章:Python数据可视化库-Matplotlib
课时20:Matplotlib简介
课时21:画出第一个简易折线图
课时22:打造一个完整的折线图
课时23:条形图实战
课时24:直方图与四分图
课时25:基于真实数据集的可视化分析
课时26:可视化图表细节
第5章:Python机器学习案例实战
课时27:初识机器学习
课时28:使用python库分析汽车油耗效率
本文格式为Word版,下载可任意编辑
—4—
课时29:使用scikit-learn库建立回归模型
课时30:使用规律回归提升模型效果
课时31:模型效果衡量标准
课时32:ROC指标与测试集的价值
课时33:交错验证
课时34:多类别问题代码
课时35:梯度下降原理
课时36:实现简易梯度下降算法
课时37:SVD奇异值分解原理
课时38:SVD推举系统应用实例
课时39:K近邻算法原
理
课时40:K近邻算法代码实现
课时41:K近邻实例
第6章:决策树与随机森林
课时42:决策树算法原理
课时43:基于ID3算法举行特征选择
课时44:构建决策树
课时45:使用scikit-learn库建立决策树
课时46:分类回归树CART
课时47:分类回归树代码实现
课时48:随机森林模型
本文格式为Word版,下载可任意编辑
—5—
课时49:随机森林特征重要性
第7章:聚类模型
课时50:无监视聚类问题
课时51:聚类结果与离群点分析
课时52:K-means聚类案例对NBA球员举行评估
课时53:K-MEANS原理
课时54:K-MEANS聚类算法实现
第8章:支持向量机
课时55:支持向量机算法原理
课时56:支持向量机对偶问题
课时57:核变换解决低维不成分问题
课时58:soft-margin支持向量机
课时59:SMO算法求解支持向量机
第9章:神经网络模型
课时60:初识神经网络
课时61:神经网络强大的非线性
课时62:深入神经网络细节
课时63:代码实现简易神经网络
课时64:深度学习-递归神经网络
课时65:神经网络打造二进制加法器
第10章:贝叶斯模型
课时66:贝叶斯原理
本文格式为Word版,下载可任意编辑
—6—
课时67:基于贝叶斯的垃圾邮件分类
课时68:使用贝叶斯算法打造拼写检查器
课时69:K近邻算法实现
第11章:Adaboost算法
课时70:Adaboost算法原理
课时71:Adaboost实例
课时72:Adaboost实现代码
课时73:Adaboost训练模型
第12章:机器学习工程实战-泰坦尼克获救预料
免费课时74:船员数据分析
免费课时75:数据预处理
课时76:使用回归算法举行预料
课时77:使用随机森林提升模型
课时78:随机森林特征重要性分析
第13章:机器学习工程实战-贷款申请最大化利润
课时79:数据清洗过滤无用特征
课时80:数据预处理
课时81:获得最大利润的条件与做法
课时82:预料结果并解决样本不均衡问题
第14章:机器学习工程实战-用户流失预警
课时83:数据背景介绍
课时84:数据预处理
本文格式为Word版,下载可任意编辑
—7—
课时85:尝试多种分类器效果
课时86:结果衡量指标的意义
课时87:应用阈值得出结果
第15章:机器学习工程实战-HTTP日志聚类分析
课时88:建立特征工程
课时89:特征数据预处理
课时90:应用聚类算法得出奇怪IP点