无码任你躁久久久久久久,亚洲av网站,熟妇人妻久久中文字幕,久久精品国产亚洲av麻豆网站

數(shù)據(jù)挖掘處理課程

一、數(shù)據(jù)挖掘?qū)д?br /> 數(shù)據(jù)挖掘的基本任務(wù)與步驟：目標(biāo)、數(shù)據(jù)探索、數(shù)據(jù)預(yù)處理、建模、模型評價
有監(jiān)督學(xué)習(xí)
無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)算法模型
Sklean 數(shù)據(jù)挖掘和機器學(xué)習(xí)算法庫介紹
大數(shù)據(jù)建模常見問題
問題引出：客戶行為分析-用戶用電異常的識別

二、Python 編程快速入門
Python 編程環(huán)境與語法快速入門
基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)：字符串處理及應(yīng)用
數(shù)據(jù)結(jié)構(gòu)：列表、元組、集合、字典
Python 控制流：IF 與 while、for 循環(huán)
函數(shù)與模塊定義
Python 文件讀寫
Python 面向?qū)ο缶幊趟枷?br /> Python 異常處理
實驗：
—— 讀寫 CSV 文件
—— 處理 Excel 文件

三、Python 數(shù)據(jù)分析進階
Python 并行編程：多線程與多進程實現(xiàn)
—— 進程與線程概念
—— 進程同步機制
—— 多進程實現(xiàn)
—— 多線程實現(xiàn)
輕松訪問數(shù)據(jù)庫
—— 連接訪問 Sqlite
—— 操縱 MySQL
—— Python 的對象關(guān)系映射模型
實驗：
—— 多進程讀取超大文件
—— SQLite 讀寫練習(xí)南京?杭州?上海

四、Scikit-learn 數(shù)據(jù)預(yù)處理實踐
數(shù)據(jù)統(tǒng)計量:期望/方差/偏度/峰度
協(xié)方差和相關(guān)系數(shù)、方差與標(biāo)準(zhǔn)差
數(shù)據(jù)描述：集中趨勢、離散程度、分位數(shù)
數(shù)據(jù)可視化：直方圖、盒圖、散點圖
數(shù)據(jù)預(yù)處理基本方法
數(shù)據(jù)歸一化方法
對數(shù)據(jù)進行降維，主成分分析 PCA
實驗：
—— 利用隨機森林做特征篩選
—— 數(shù)據(jù)預(yù)處理：歸一化、缺失值處理
—— 降維 PCA 實現(xiàn)
—— 找出較好的特征組合：PCA 與 LDA 效果對比
—— 隨機森林評估特征重要性

五、Python 數(shù)據(jù)分析進階
高性能矩陣計算工具 Numpy：
—— Numpy 數(shù)組與元素索引
—— 矩陣計算
—— 通用函數(shù)、計算統(tǒng)計量
以表格處理數(shù)據(jù)——高級數(shù)據(jù)分析包
—— Pandas：數(shù)據(jù)框架 Dataframe
—— 快速索引數(shù)據(jù)
—— 常用函數(shù)
—— 快速可視化分析
—— 匯總與統(tǒng)計
實驗：基于 Pandas 的數(shù)據(jù)預(yù)處理

六、數(shù)據(jù)可視化分析
Matplotlib 繪圖庫介紹
快速繪圖
常見繪圖函數(shù)：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(tǒng)計圖
—— 利用 Pandas 獲取數(shù)據(jù)并繪圖

七、Scikit-Learn 數(shù)據(jù)挖掘?qū)嵺` 
數(shù)值預(yù)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(xiàn)： 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(xiàn)和決策樹的評估
Sklean 決策樹算法應(yīng)用編程
實驗：
—— 用隨機森林預(yù)測數(shù)值
—— 決策樹編程演示
—— 決策樹分析客戶數(shù)據(jù)

八、 Scikit-Learn 數(shù)據(jù)挖掘?qū)嵺` 
支持向量機 SVM
線性可分軟間隔 SVM
損失函數(shù)的理解
支持向量回歸 SVR
不平衡數(shù)據(jù)集的處理
分類器性能評價
支持向量機的參數(shù)調(diào)優(yōu)
分類器性能評價
實驗：
—— 銀行信貸客戶分類
—— Grid 法調(diào)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：用電異常行為識別

九、無監(jiān)督學(xué)習(xí)：Scikit-Learn 聚類分析
Jaccard 相似度
Pearson 相關(guān)系數(shù)與余弦相似度南京?杭州?上海
層次聚類
K-means 聚類
半監(jiān)督 AP 聚類算法及其應(yīng)用
密度聚類 DBSCAN
聚類評價和結(jié)果指標(biāo)
實驗：
—— K-Means 算法原理和實現(xiàn)
—— 密度聚類
—— 比較不同的聚類算法
—— 問題討論：客戶分級

十、神經(jīng)網(wǎng)絡(luò)實踐
神經(jīng)網(wǎng)絡(luò)基本原理
淺層神經(jīng)網(wǎng)絡(luò)與深層網(wǎng)絡(luò)分析
神經(jīng)網(wǎng)絡(luò)用于數(shù)值預(yù)測
神經(jīng)網(wǎng)絡(luò)用于分類
Scikit-Learn 神經(jīng)網(wǎng)絡(luò)實現(xiàn)
案例分享：阿里云天池賽電力 AI：預(yù)測用電量

十一、Python 數(shù)據(jù)挖掘項目實踐
根據(jù)客戶數(shù)據(jù)集特點，完成數(shù)據(jù)的預(yù)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(shù)據(jù)挖掘技術(shù)的發(fā)展
案例分享：用戶畫像
需新增重點內(nèi)容：
基于阿里MAXCOMPUTE的相關(guān)PYTHON函數(shù)學(xué)習(xí)
多增加PYTHON機器學(xué)習(xí)的實驗課
大數(shù)據(jù)應(yīng)用解決實踐方法及案例

數(shù)據(jù)挖掘處理課程