[数据分析] mksz185 - Python3数据分析与挖掘建模实战

[复制链接]
online_admin aixure 发表于 2020-8-7 07:21:24 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
164226dbjk29pywxxy5tkl
售 价: ¥23¥299加入会员,免费下载
库 存:5688
销 量:57
源 址: 已完结
卖家服务: 高清无密 包更新 永久使用 
客 服:QQ(早10点-晚6点)
资源详情
【课程介绍】
数据分析与挖掘行业火爆,人才稀缺。本课程基于Python3全程以真实案例驱动,带你科学系统地学习数据分析与挖掘建模领域的科学思维、必会知识、常用工具、完整流程以及老师多年的经验技巧。让你轻松转行,快速胜任数据分析师岗位,逆袭成为数据掘金时代的抢手人才!
【网盘下载地址SVIP专享通道(电脑版访问)】
游客,如果您要查看本帖隐藏内容请回复

mksz185 - Python3数据分析与挖掘建模实战

【课程目录】
  • 第1章 课程介绍【赠送相关电子书+随堂代码】

    本章首先介绍本课程是什么,有什么特色,能学习到什么,内容如何安排,需要什么基础,是否适合学习这门课程等。然后对数据分析进行概述,让大家对数据分析的含义和作用有一个整体的认知,让大家对自己接下来要做的事情,有一个基本的概念与了解。...


    • 1-1 课前必读(不看会错过一个亿)
    • 1-2 课程导学
    • 1-3 数据分析概述
  • 第2章 数据获取

    数据从哪里来?怎么来?这一章,我们会介绍数据获取的一般手段。主要包括数据仓库、抓取、资料填写、日志、埋点、计算等手段。同时,我们也会介绍几个常用的数据网站,供大家参考与学习。


    • 2-1 数据仓库
    • 2-2 监测与抓取
    • 2-3 填写、埋点、日志、计算
    • 2-4 数据学习网站
  • 第3章 单因子探索分析与数据可视化

    有了数据,如何上手?这一章,我们会介绍探索分析的一部分---单因子探索分析和可视化的内容。我们会以基础的统计理论知识为切入点,学习异常值分析、对比分析、结构分析、分布分析。同时,引入接下来几章都会用到的案例-HR人力资源分析表,并用理论与可视化的方法,完成对此表的初步分析。...


    • 3-1 数据案例介绍
    • 3-2 集中趋势,离中趋势
    • 3-3 数据分布--偏态与峰度
    • 3-4 抽样理论
    • 3-5 编码实现(基于python2.7)
    • 3-6 数据分类
    • 3-7 异常值分析
    • 3-8 对比分析
    • 3-9 结构分析
    • 3-10 分布分析
    • 3-11 Satisfaction Level的分析
    • 3-12 LastEvaluation的分析
    • 3-13 NumberProject的分析
    • 3-14 AverageMonthlyHours的分析
    • 3-15 TimeSpendCompany的分析
    • 3-16 WorkAccident的分析
    • 3-17 Left的分析
    • 3-18 PromotionLast5Years的分析
    • 3-19 Salary的分析
    • 3-20 Department的分析
    • 3-21 简单对比分析操作
    • 3-22 可视化-柱状图
    • 3-23 可视化-直方图
    • 3-24 可视化-箱线图
    • 3-25 可视化-折线图
    • 3-26 可视化-饼图
    • 3-27 本章小结
  • 第4章 多因子探索分析

    上了手,然后呢?这一章,我们介绍探索分析的另一部分---多因子复合探索分析。我们同样以基础的统计知识为切入点,学习多因子间互相影响与配合的分析方法,如交叉分析、分组分析、相关分析、成分分析等。同时,以HR人力资源分析表为例,进行进一步的探索。...


    • 4-1 假设检验
    • 4-2 卡方检验
    • 4-3 方差检验
    • 4-4 相关系数
    • 4-5 线性回归
    • 4-6 主成分分析
    • 4-7 编码实现
    • 4-8 交叉分析方法与实现
    • 4-9 分组分析方法与实现
    • 4-10 相关分析与实现
    • 4-11 因子分析与实现
    • 4-12 本章小结
  • 第5章 预处理理论

    数据已了解,用起来!不着急,先加工。这一章,我们会介绍特征工程的主要内容,重点会介绍数据清洗和数据特征预处理的主要内容,包括数据清洗、特征获取、特征处理(内含对指化、归一化、标准化等)、特征降维、特征衍生。预处理的好坏,直接影响着接下来模型的效果。...


    • 5-1 特征工程概述
    • 5-2 数据样本采集
    • 5-3 异常值处理
    • 5-4 标注
    • 5-5 特征选择
    • 5-6 特征变换-对指化
    • 5-7 特征变换-离散化
    • 5-8 特征变换-归一化与标准化
    • 5-9 特征变换-数值化
    • 5-10 特征变换-正规化
    • 5-11 特征降维-LDA
    • 5-12 特征衍生
    • 5-13 HR表的特征预处理-1
    • 5-14 HR表的特征预处理-2
    • 5-15 本章小结
  • 第6章 挖掘建模

    把数据用起来!这一章,我们会介绍数据挖掘与建模的主要内容。主要包含五类模型的建立与实践,分别为:分类模型(KNN、朴素贝叶斯、决策树、SVM、集成方法、GBDT……),回归模型与回归思想分类(线性回归、逻辑斯特回归【也叫罗吉回归,逻辑回归。音译区别】、神经网络、回归树),聚类模型(K-means、DBSCAN、层次聚类、...


    • 6-1 机器学习与数据建模
    • 6-2 训练集、验证集、测试集
    • 6-3 分类-KNN
    • 6-4 分类-朴素贝叶斯
    • 6-5 分类-决策树
    • 6-6 分类-支持向量机
    • 6-7 分类-集成-随机森林
    • 6-8 分类-集成-Adaboost
    • 6-9 回归-线性回归
    • 6-10 回归-分类-逻辑回归
    • 6-11 回归-分类-人工神经网络-1
    • 6-12 回归-分类-人工神经网络-2
    • 6-13 回归-回归树与提升树
    • 6-14 聚类-Kmeans-1
    • 6-15 聚类-Kmeans-2
    • 6-16 聚类-DBSCAN
    • 6-17 聚类-层次聚类
    • 6-18 聚类-图分裂
    • 6-19 关联-关联规则-1
    • 6-20 关联-关联规则-2
    • 6-21 半监督-标签传播算法
    • 6-22 本章小结
  • 第7章 模型评估

    哪个模型好?上一章,我们学习了很多模型,一个数据集,可能用多种模型都可以进行建模,那么哪种模型好,就需要有些指标化的东西帮我们决策。这一章,我们会介绍使用混淆矩阵和相应的指标、ROC曲线与AUC值来评估分类模型;用MAE、MSE、R2来评估回归模型;用RMS、轮廓系数来评估聚类模型。...


    • 7-1 分类评估-混淆矩阵
    • 7-2 分类评估-ROC、AUC、提升图与KS图
    • 7-3 回归评估
    • 7-4 非监督评估
  • 第8章 总结与展望

    这一章,我们将回顾本课程的全部内容,并从多个角度,重新看待我们的数据分析工作。最后,我们会了解到,学习了这门课程以后,还可以在哪些方面进行发展。


    • 8-1 课程回顾与多角度看数据分析
    • 8-2 大数据与学习这门课后还能干什么?.mp4



mksz185 - Python3数据分析与挖掘建模实战
温馨提示:
1、如果下载地址失效,请尽快反馈给我们,我们尽快修复。点此反馈>>
2、全站资源高清无密,课程百分百高清,完整,原画,包含所有的视频+素材+课件+源码,官方同步体验!每天更新,成为vip后可免费下载本站IT课程。点此办理会员>>
3、有任何问题,请咨询QQ:87887023
4、支持7*24小时自助购买,购买后自动发货,链接永久有效,自动更新
回复

使用道具 举报

精彩评论4

plugin
在线会员 wto333 发表于 2021-10-5 22:04:41 | 显示全部楼层
哒哒哒哒哒哒多多多多多多多多多多多多多
回复

使用道具 举报

plugin
online_4 hx741078265 发表于 2021-10-12 11:49:05 | 显示全部楼层
mksz185 - Python3数据分析与挖掘建模实战
回复

使用道具 举报

plugin
online_1_1 pcsms_ei4tg1SH 发表于 2021-12-25 17:48:50 | 显示全部楼层
还不放假啊好看就好吧我不来
回复

使用道具 举报

plugin
online_1_1 gaytther 发表于 2024-2-12 11:45:04 | 显示全部楼层
先看看,能看吗
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 注册

本版积分规则

专注资源整合与知识分享
客服QQ

87887023

周一至周日9:00-23:00

反馈建议

点此进行反馈 kfs 在线QQ咨询
ftqrcode

扫描二维码关注我们

label_sm_90020

Powered by 优百课栈 X3.4© 2019-2025