Python大数据分析与机器学习商业案例实战

lotlib库基础
2.3.1　基本图表绘制
2.3.2　数据可视化常用技巧
2.4　案例实战：股票数据读取与K线图绘制
2.4.1　初步尝试：股票数据读取与可视化
2.4.2　进阶实战：股票K线图绘制
第3章　线性回归模型
3.1　一元线性回归
3.1.1　一元线性回归的数学原理
3.1.2　一元线性回归的代码实现
3.1.3　案例实战：不同行业工龄与薪水的线性回归模型
3.2　线性回归模型评估
3.2.1　模型评估的编程实现
3.2.2　模型评估的数学原理
3.3　多元线性回归
3.3.1　多元线性回归的数学原理和代码实现
3.3.2　案例实战：客户价值预测模型
第4章　逻辑回归模型
4.1　逻辑回归模型的算法原理
4.1.1　逻辑回归模型的数学原理
4.1.2　逻辑回归模型的代码实现
4.1.3　逻辑回归模型的深入理解
4.2　案例实战：客户流失预警模型
4.2.1　案例背景
4.2.2　数据读取与变量划分
4.2.3　模型的搭建与使用
4.3　模型评估方法：ROC曲线与KS曲线
4.3.1　ROC曲线的基本原理
4.3.2　案例实战：用ROC曲线评估客户流失预警模型
4.3.3　KS曲线的基本原理
4.3.4　案例实战：用KS曲线评估客户流失预警模型
第5章　决策树模型
5.1　决策树模型的基本原理
5.1.1　决策树模型简介
5.1.2　决策树模型的建树依据
5.1.3　决策树模型的代码实现
5.2　案例实战：员工离职预测模型
5.2.1　模型搭建
5.2.2　模型预测及评估
5.2.3　决策树模型可视化呈现及决策树要点理解
5.3　参数调优：K折交叉验证与GridSearch网格搜索
5.3.1　K折交叉验证
5.3.2　GridSearch网格搜索
第6章　朴素贝叶斯模型
6.1　朴素贝叶斯模型的算法原理
6.1.1　一维特征变量下的贝叶斯模型
6.1.2　二维特征变量下的贝叶斯模型
6.1.3　n维特征变量下的贝叶斯模型
6.1.4　朴素贝叶斯模型的简单代码实现
6.2　案例实战：肿瘤预测模型
6.2.1　案例背景
6.2.2　数据读取与划分
6.2.3　模型的搭建与使用
第7章　K近邻算法
7.1　K近邻算法的原理和代码实现
7.1.1　K近邻算法的基本原理
7.1.2　K近邻算法的计算步骤
7.1.3　K近邻算法的代码实现
7.2　案例实战：手写数字识别模型
7.2.1　案例背景
7.2.2　手写数字识别的原理
7.2.3　手写数字识别的代码实现
7.3　图像识别原理详解
第8章　随机森林模型
8.1　随机森林模型的原理和代码实现
8.1.1　集成模型简介
8.1.2　随机森林模型的基本原理
8.1.3　随机森林模型的代码实现
8.2　案例实战：股票涨跌预测模型
8.2.1　股票基本数据获取
8.2.2　股票衍生变量生成
8.2.3　多因子模型搭建
8.2.4　模型使用与评估
8.2.5　参数调优
8.2.6　收益回测曲线绘制
第9章　AdaBoost与GBDT模型
9.1　AdaBoost算法原理
9.1.1　AdaBoost算法的核心思想
9.1.2　AdaBoost算法的数学原理概述
9.1.3　AdaBoost算法的数学原理举例
9.1.4　AdaBoost算法的简单代码实现
9.2　AdaBoost算法案例实战：信用卡精准营销模型
9.2.1　案例背景
9.2.2　模型搭建
9.2.3　模型预测及评估
9.2.4　模型参数介绍
9.3　GBDT算法原理
9.3.1　GBDT算法的核心思想
9.3.2　GBDT算法的数学原理概述
9.3.3　GBDT算法的数学原理举例
9.3.4　GBDT算法的简单代码实现
9.4　GBDT算法案例实战：产品定价模型
9.4.1　案例背景
9.4.2　模型搭建
9.4.3　模型预测及评估
9.4.4　模型参数介绍
第10章　机器学习神器：XGBoost与LightGBM算法
10.1　XGBoost算法原理
10.1.1　XGBoost算法的核心思想
10.1.2　XGBoost算法的数学原理概述
10.1.3　XGBoost算法的简单代码实现
10.2　XGBoost算法案例实战1：金融反欺诈模型
10.2.1　案例背景
10.2.2　模型搭建
10.2.3　模型预测及评估
10.2.4　模型参数调优
10.3　XGBoost算法案例实战2：信用评分卡模型
10.3.1　案例背景
10.3.2　多元线性回归模型
10.3.3　GBDT回归模型
10.3.4　XGBoost回归模型
10.4　LightGBM算法原理
10.4.1　LightGBM算法的核心思想
10.4.2　LightGBM算法的数学原理概述
10.4.3　LightGBM算法的简单代码实现
10.5　LightGBM算法案例实战1：客户违约预测模型
10.5.1　案例背景
10.5.2　模型搭建
10.5.3　模型预测及评估
10.5.4　模型参数调优
10.6　LightGBM算法案例实战2：广告收益回归预测模型
10.6.1　案例背景
10.6.2　模型搭建
10.6.3　模型预测及评估
10.6.4　模型参数调优
第11章　特征工程之数据预处理
11.1　非数值类型数据处理
11.1.1　Get_dummies哑变量处理
11.1.2　LabelEncoding编号处理
11.2　重复值、缺失值及异常值处理
11.2.1　重复值处理
11.2.2　缺失值处理
11.2.3　异常值处理
11.3　数据标准化
11.3.1　min-max标准化
11.3.2　Z-score标准化
11.4　数据分箱
11.5　特征筛选：WOE值与IV值
11.5.1　WOE值的定义与计算
11.5.2　IV值的定义与计算
11.5.3　WOE值与IV值的代码实现
11.5.4　案例实战：客户流失预警模型的IV值计算
11.6　多重共线性的分析与处理
11.6.1　多重共线性的定义
11.6.2　多重共线性的分析与检验
11.7　过采样和欠采样
11.7.1　过采样
11.7.2　欠采样
第12章　数据降维之PCA
12.1　数据降维
12.1.1　PCA的基本原理
12.1.2　PCA的代码实现
12.2　案例实战：人脸识别模型
12.2.1　案例背景
12.2.2　人脸数据读取、处理与变量提取
12.2.3　数据划分与降维
12.2.4　模型的搭建与使用
12.3　人脸识别外部接口调用
12.3.1　baidu-aip库安装
12.3.2　调用接口进行人脸识别和打分
第13章　数据聚类与分群分析
13.1　KMeans算法
13.1.1　KMeans算法的基本原理
13.1.2　KMeans算法的代码实现
13.1.3　案例实战：银行客户分群模型
13.2　DBSCAN算法
13.2.1　DBSCAN算法的基本原理
13.2.2　DBSCAN算法的代码实现
13.2.3　KMeans算法与DBSCAN算法的对比
13.3　案例实战：新闻聚类分群模型
13.3.1　案例背景
13.3.2　文本数据的读取与处理
13.3.3　模型的搭建与使用
13.3.4　模型优化
第14章　智能推荐系统
14.1　智能推荐系统的基本原理
14.1.1　智能推荐系统的应用场景
14.1.2　智能推荐系统的基础：协同过滤算法
14.2　计算相似度的常用方法
14.2.1　欧氏距离
14.2.2　余弦相似度
14.2.3　皮尔逊相关系数
14.3　案例实战：电影智能推荐系统
14.3.1　案例背景
14.3.2　数据读取与处理
14.3.3　系统搭建
第15章　关联分析：Apriori算法
15.1　关联分析的基本概念和Apriori算法
15.1.1　关联分析的基本概念
15.1.2　Apriori算法的数学演示
15.1.3　Apriori算法的代码实现
15.2　案例实战：病症关联规则分析
15.2.1　案例背景
15.2.2　数据读取与处理
15.2.3　关联规则分析
第16章　深度学习初窥之神经网络模型
16.1　深度学习基础：神经网络模型
16.1.1　神经网络模型的基本原理
16.1.2　神经网络模型的简单代码实现
16.2　案例实战：用户评论情感分析模型
16.2.1　案例背景
16.2.2　数据读取、中文分词、文本向量化
16.2.3　神经网络模型的搭建与使用