唐宇迪：python数据分析与机器学习实战

课程简介：

适用人群
数据分析,机器学习,数据挖掘领域研究者。Python语言使用者。

课程概述：
使用数据领域最主流语言Python及其分析与建模库作为核心武器。对于机器学习经典算法给出完整的原理推导并基于实例进行讲解，基于案例演示如何应用机器学习算法解决实际问题。

课程特色：
1. 通俗易懂，快速入门
对机器学习经典算法结合数学推导进行形象解释，实例演示。
2. Python主导，实用高效
使用数据领域最主流语言Python及其分析与建模库作为课程核心工具。
3. 案例为师，实战护航
基于真实数据集，从零开始结合Python工具与机器学习算法完成整个案例实战。
4. 持续更新，一劳永逸
Python数据分析与机器学习课程会支持更新下去，逐步加入更多算法与案例。

官方课程链接：http://study.163.com/course/introduction.htm?courseId=1003590004

课程目录：

章节1:人工智能入门指南
课时1课程介绍（主题与大纲）
课时2AI时代首选Python
课时3Python我该怎么学
课时4人工智能的核心-机器学习
课时5机器学习怎么学？
课时6算法推导与案例

章节2:Python科学计算库-Numpy
课时7使用Anaconda安装python环境（Python新手先看这个）
课时8课程数据，代码，PPT（在参考资料界面）
课时9科学计算库Numpy
课时10Numpy基础结构
课时11Numpy矩阵基础
课时12Numpy常用函数
课时13矩阵常用操作
课时14不同复制操作对比

章节3:python数据分析处理库-Pandas
课时15Pandas数据读取
课时16Pandas索引与计算
课时17Pandas数据预处理实例
课时18Pandas常用预处理方法
课时19Pandas自定义函数
课时20Series结构

章节4:Python数据可视化库-Matplotlib
课时21折线图绘制
课时22子图操作
课时23条形图与散点图
课时24柱形图与盒图
课时25细节设置

章节5:Python可视化库Seaborn
课时26Seaborn简介
课时27整体布局风格设置
课时28风格细节设置
课时29调色板
课时30调色板颜色设置
课时31单变量分析绘图
课时32回归分析绘图
课时33多变量分析绘图
课时34分类属性绘图
课时35Facetgrid使用方法
课时36Facetgrid绘制多变量
课时37热度图绘制

章节6:线性回归算法原理推导
课时38线性回归算法概述
课时39误差项分析
课时40似然函数求解
课时41目标函数推导
课时42线性回归求解

章节7:梯度下降策略
课时43梯度下降原理
课时44梯度下降方法对比
课时45学习率对结果的影响

章节8:逻辑回归算法
课时46逻辑回归算法原理推导
课时47逻辑回归求解

章节9:案例实战：Python实现逻辑回归与梯度下降策略
课时48Python实现逻辑回归任务概述
课时49完成梯度下降模块
课时50停止策略与梯度下降案例
课时51实验对比效果

章节10:项目实战-交易数据异常检测
课时52案例背景和目标
课时53样本不均衡解决方案
课时54下采样策略
课时55交叉验证
课时56模型评估方法
课时57正则化惩罚
课时58逻辑回归模型
课时59混淆矩阵
课时60逻辑回归阈值对结果的影响
课时61SMOTE样本生成策略

章节11:决策树算法
课时62决策树原理概述
课时63衡量标准-熵
课时64决策树构造实例
课时65信息增益率
课时66决策树剪枝策略

章节12:案例实战：使用sklearn构造决策树模型
课时67决策树复习
课时68决策树涉及参数
课时69树可视化与sklearn库简介
课时70sklearn参数选择

章节13:集成算法与随机森林
课时71集成算法-随机森林
课时72特征重要性衡量
课时73提升模型
课时74堆叠模型

章节14:案例实战：泰坦尼克获救预测
课时75船员数据分析
课时76数据预处理
课时77使用回归算法进行预测
课时78使用随机森林改进模型
课时79随机森林特征重要性分析

章节15:贝叶斯算法
课时80贝叶斯算法概述
课时81贝叶斯推导实例
课时82贝叶斯拼写纠错实例
课时83垃圾邮件过滤实例
课时84贝叶斯实现拼写检查器

章节16:Python文本数据分析：新闻分类任务
课时85文本分析与关键词提取
课时86相似度计算
课时87新闻数据与任务简介
课时88TF-IDF关键词提取
课时89LDA建模
课时90基于贝叶斯算法进行新闻分类

章节17:支持向量机
课时91支持向量机要解决的问题
课时92距离与数据的定义
课时93目标函数
课时94目标函数求解
课时95SVM求解实例
课时96支持向量的作用
课时97软间隔问题
课时98SVM核变换

章节18:案例：SVM调参实例
课时99sklearn求解支持向量机
课时100SVM参数选择

章节19:聚类算法-Kmeans
课时101KMEANS算法概述
课时102KMEANS工作流程
课时103KMEANS迭代可视化展示
课时104使用Kmeans进行图像压缩

章节20:聚类算法-DBSCAN
课时105DBSCAN聚类算法
课时106DBSCAN工作流程
课时107DBSCAN可视化展示

章节21:案例实战：聚类实践
课时108多种聚类算法概述
课时109聚类案例实战

章节22:降维算法-PCA主成分分析
课时110PCA降维概述
课时111PCA要优化的目标
课时112PCA求解
课时113PCA实例

章节23:神经网络
课时114初识神经网络
课时115计算机视觉所面临的挑战
课时116K近邻尝试图像分类
课时117超参数的作用
课时118线性分类原理
课时119神经网络-损失函数
课时120神经网络-正则化惩罚项
课时121神经网络-softmax分类器
课时122神经网络-最优化形象解读
课时123神经网络-梯度下降细节问题
课时124神经网络-反向传播
课时125神经网络架构
课时126神经网络实例演示
课时127神经网络过拟合解决方案
课时128感受神经网络的强大

章节24:Xgboost集成算法
课时129集成算法思想
课时130xgboost基本原理
课时131xgboost目标函数推导
课时132xgboost求解实例
课时133xgboost安装
课时134xgboost实战演示
课时135Adaboost算法概述

章节25:自然语言处理词向量模型-Word2Vec
课时136自然语言处理与深度学习
课时137语言模型
课时138-N-gram模型
课时139词向量
课时140神经网络模型
课时141Hierarchical Softmax
课时142CBOW模型实例
课时143CBOW求解目标
课时144梯度上升求解
课时145负采样模型

章节26:使用Gensim库构造中文维基百度数据词向量模型
课时146使用Gensim库构造词向量
课时147维基百科中文数据处理
课时148Gensim构造word2vec模型
课时149测试模型相似度结果

章节27:scikit-learn模型建立与评估
课时150使用python库分析汽车油耗效率
课时151使用scikit-learn库建立回归模型
课时152使用逻辑回归改进模型效果
课时153 模型效果衡量标准
课时154ROC指标与测试集的价值
课时155交叉验证
课时156多类别问题

章节28:Python库分析科比生涯数据
课时157Kobe Bryan生涯数据读取与简介
课时158特征数据可视化展示
课时159数据预处理
课时160使用Scikit-learn建立模型

章节29:Python时间序列分析
课时161章节简介
课时162Pandas生成时间序列
课时163Pandas数据重采样
课时164Pandas滑动窗口
课时165数据平稳性与差分法
课时166ARIMA模型
课时167相关函数评估方法
课时168建立ARIMA模型
课时169参数选择
课时170股票预测案例
课时171使用tsfresh库进行分类任务
课时172维基百科词条EDA