前言
如何獲取學(xué)習(xí)資源
第1章　Python與數(shù)據(jù)科學(xué)
1.1　大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)概述13
1.1.1　大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域13
1.1.2　機(jī)器學(xué)習(xí)的基本概念14
1.1.3　Python在數(shù)據(jù)科學(xué)中的作用16
1.2　Python編程環(huán)境部署與基本操作16
1.2.1　Python的安裝16
1.2.2　Pycharm的安裝與設(shè)置18
1.2.3　Jupyter Notebook的使用22
1.3　Python基礎(chǔ)知識(shí)概要28
第2章　數(shù)據(jù)分析利器：NumPy、pandas與Matplotlib庫(kù)
2.1　NumPy庫(kù)基礎(chǔ)29
2.1.1　NumPy庫(kù)與數(shù)組29
2.1.2　數(shù)組與列表的區(qū)別30
2.1.3　創(chuàng)建數(shù)組的幾種方式31
2.2　pandas庫(kù)基礎(chǔ)33
2.2.1　二維數(shù)據(jù)表格DataFrame的創(chuàng)建33
2.2.2　Excel工作簿等文件的讀取和寫(xiě)入38
2.2.3　數(shù)據(jù)的選取與處理41
2.2.4　數(shù)據(jù)表拼接47
2.3　Matplotlib庫(kù)基礎(chǔ)51
2.3.1　基本圖表繪制51
2.3.2　數(shù)據(jù)可視化常用技巧56
2.4　案例實(shí)戰(zhàn)：股票數(shù)據(jù)讀取與K線圖繪制61
2.4.1　初步嘗試：股票數(shù)據(jù)讀取與可視化62
2.4.2　進(jìn)階實(shí)戰(zhàn)：股票K線圖繪制65
第3章　線性回歸模型
3.1　一元線性回歸73
3.1.1　一元線性回歸的數(shù)學(xué)原理73
3.1.2　一元線性回歸的代碼實(shí)現(xiàn)75
3.1.3　案例實(shí)戰(zhàn)：不同行業(yè)工齡與薪水的線性回歸模型77
3.2　線性回歸模型評(píng)估83
3.2.1　模型評(píng)估的編程實(shí)現(xiàn)83
3.2.2　模型評(píng)估的數(shù)學(xué)原理84
3.3　多元線性回歸87
3.3.1　多元線性回歸的數(shù)學(xué)原理和代碼實(shí)現(xiàn)87
3.3.2　案例實(shí)戰(zhàn)：客戶價(jià)值預(yù)測(cè)模型88
第4章　邏輯回歸模型
4.1　邏輯回歸模型的算法原理92
4.1.1　邏輯回歸模型的數(shù)學(xué)原理92
4.1.2　邏輯回歸模型的代碼實(shí)現(xiàn)94
4.1.3　邏輯回歸模型的深入理解95
4.2　案例實(shí)戰(zhàn)：客戶流失預(yù)警模型98
4.2.1　案例背景98
4.2.2　數(shù)據(jù)讀取與變量劃分98
4.2.3　模型的搭建與使用99
4.3　模型評(píng)估方法：ROC曲線與KS曲線104
4.3.1　ROC曲線的基本原理105
4.3.2　案例實(shí)戰(zhàn)：用ROC曲線評(píng)估客戶流失預(yù)警模型108
4.3.3　KS曲線的基本原理111
4.3.4　案例實(shí)戰(zhàn)：用KS曲線評(píng)估客戶流失預(yù)警模型112
第5章　決策樹(shù)模型
5.1　決策樹(shù)模型的基本原理115
5.1.1　決策樹(shù)模型簡(jiǎn)介115
5.1.2　決策樹(shù)模型的建樹(shù)依據(jù)116
5.1.3　決策樹(shù)模型的代碼實(shí)現(xiàn)119
5.2　案例實(shí)戰(zhàn)：?jiǎn)T工離職預(yù)測(cè)模型123
5.2.1　模型搭建123
5.2.2　模型預(yù)測(cè)及評(píng)估126
5.2.3　決策樹(shù)模型可視化呈現(xiàn)及決策樹(shù)要點(diǎn)理解131
5.3　參數(shù)調(diào)優(yōu)：K折交叉驗(yàn)證與GridSearch網(wǎng)格搜索138
5.3.1　K折交叉驗(yàn)證138
5.3.2　GridSearch網(wǎng)格搜索139
第6章　樸素貝葉斯模型
6.1　樸素貝葉斯模型的算法原理145
6.1.1　一維特征變量下的貝葉斯模型145
6.1.2　二維特征變量下的貝葉斯模型146
6.1.3　n維特征變量下的貝葉斯模型147
6.1.4　樸素貝葉斯模型的簡(jiǎn)單代碼實(shí)現(xiàn)147
6.2　案例實(shí)戰(zhàn)：腫瘤預(yù)測(cè)模型148
6.2.1　案例背景148
6.2.2　數(shù)據(jù)讀取與劃分148
6.2.3　模型的搭建與使用149
第7章　K近鄰算法
7.1　K近鄰算法的原理和代碼實(shí)現(xiàn)152
7.1.1　K近鄰算法的基本原理152
7.1.2　K近鄰算法的計(jì)算步驟153
7.1.3　K近鄰算法的代碼實(shí)現(xiàn)155
7.2　案例實(shí)戰(zhàn)：手寫(xiě)數(shù)字識(shí)別模型157
7.2.1　案例背景157
7.2.2　手寫(xiě)數(shù)字識(shí)別的原理157
7.2.3　手寫(xiě)數(shù)字識(shí)別的代碼實(shí)現(xiàn)159
7.3　圖像識(shí)別原理詳解162
第8章　隨機(jī)森林模型
8.1　隨機(jī)森林模型的原理和代碼實(shí)現(xiàn)166
8.1.1　集成模型簡(jiǎn)介166
8.1.2　隨機(jī)森林模型的基本原理167
8.1.3　隨機(jī)森林模型的代碼實(shí)現(xiàn)168
8.2　案例實(shí)戰(zhàn)：股票漲跌預(yù)測(cè)模型170
8.2.1　股票基本數(shù)據(jù)獲取170
8.2.2　股票衍生變量生成173
8.2.3　多因子模型搭建181
8.2.4　模型使用與評(píng)估184
8.2.5　參數(shù)調(diào)優(yōu)186
8.2.6　收益回測(cè)曲線繪制188
第9章　AdaBoost與GBDT模型
9.1　AdaBoost算法原理190
9.1.1　AdaBoost算法的核心思想190
9.1.2　AdaBoost算法的數(shù)學(xué)原理概述191
9.1.3　AdaBoost算法的數(shù)學(xué)原理舉例194
9.1.4　AdaBoost算法的簡(jiǎn)單代碼實(shí)現(xiàn)200
9.2　AdaBoost算法案例實(shí)戰(zhàn)：信用卡精準(zhǔn)營(yíng)銷模型201
9.2.1　案例背景201
9.2.2　模型搭建201
9.2.3　模型預(yù)測(cè)及評(píng)估202
9.2.4　模型參數(shù)介紹205
9.3　GBDT算法原理206
9.3.1　GBDT算法的核心思想206
9.3.2　GBDT算法的數(shù)學(xué)原理概述208
9.3.3　GBDT算法的數(shù)學(xué)原理舉例208
9.3.4　GBDT算法的簡(jiǎn)單代碼實(shí)現(xiàn)213
9.4　GBDT算法案例實(shí)戰(zhàn)：產(chǎn)品定價(jià)模型214
9.4.1　案例背景214
9.4.2　模型搭建214
9.4.3　模型預(yù)測(cè)及評(píng)估217
9.4.4　模型參數(shù)介紹219
第10章　機(jī)器學(xué)習(xí)神器：XGBoost與LightGBM算法
10.1　XGBoost算法原理223
10.1.1　XGBoost算法的核心思想224
10.1.2　XGBoost算法的數(shù)學(xué)原理概述224
10.1.3　XGBoost算法的簡(jiǎn)單代碼實(shí)現(xiàn)225
10.2　XGBoost算法案例實(shí)戰(zhàn)1：金融反欺詐模型226
10.2.1　案例背景226
10.2.2　模型搭建226
10.2.3　模型預(yù)測(cè)及評(píng)估228
10.2.4　模型參數(shù)調(diào)優(yōu)230
10.3　XGBoost算法案例實(shí)戰(zhàn)2：信用評(píng)分卡模型233
10.3.1　案例背景233
10.3.2　多元線性回歸模型234
10.3.3　GBDT回歸模型235
10.3.4　XGBoost回歸模型237
10.4　LightGBM算法原理241
10.4.1　LightGBM算法的核心思想241
10.4.2　LightGBM算法的數(shù)學(xué)原理概述241
10.4.3　LightGBM算法的簡(jiǎn)單代碼實(shí)現(xiàn)244
10.5　LightGBM算法案例實(shí)戰(zhàn)1：客戶違約預(yù)測(cè)模型245
10.5.1　案例背景245
10.5.2　模型搭建245
10.5.3　模型預(yù)測(cè)及評(píng)估247
10.5.4　模型參數(shù)調(diào)優(yōu)249
10.6　LightGBM算法案例實(shí)戰(zhàn)2：廣告收益回歸預(yù)測(cè)模型251
10.6.1　案例背景251
10.6.2　模型搭建251
10.6.3　模型預(yù)測(cè)及評(píng)估253
10.6.4　模型參數(shù)調(diào)優(yōu)254
第11章　特征工程之?dāng)?shù)據(jù)預(yù)處理
11.1　非數(shù)值類型數(shù)據(jù)處理256
11.1.1　Get_dummies啞變量處理256
11.1.2　Label Encoding編號(hào)處理259
11.2　重復(fù)值、缺失值及異常值處理261
11.2.1　重復(fù)值處理261
11.2.2　缺失值處理262
11.2.3　異常值處理265
11.3　數(shù)據(jù)標(biāo)準(zhǔn)化268
11.3.1　min-max標(biāo)準(zhǔn)化268
11.3.2　Z-score標(biāo)準(zhǔn)化269
11.4　數(shù)據(jù)分箱270
11.5　特征篩選：WOE值與IV值272
11.5.1　WOE值的定義與計(jì)算272
11.5.2　IV值的定義與計(jì)算275
11.5.3　WOE值與IV值的代碼實(shí)現(xiàn)276
11.5.4　案例實(shí)戰(zhàn)：客戶流失預(yù)警模型的IV值計(jì)算281
11.6　多重共線性的分析與處理283
11.6.1　多重共線性的定義283
11.6.2　多重共線性的分析與檢驗(yàn)284
11.7　過(guò)采樣和欠采樣287
11.7.1　過(guò)采樣287
11.7.2　欠采樣290
第12章　數(shù)據(jù)降維之PCA
12.1　數(shù)據(jù)降維292
12.1.1　PCA的基本原理292
12.1.2　PCA的代碼實(shí)現(xiàn)295
12.2　案例實(shí)戰(zhàn)：人臉識(shí)別模型299
12.2.1　案例背景299
12.2.2　人臉數(shù)據(jù)讀取、處理與變量提取299
12.2.3　數(shù)據(jù)劃分與降維304
12.2.4　模型的搭建與使用306
12.3　人臉識(shí)別外部接口調(diào)用308
12.3.1　baidu-aip庫(kù)安裝308
12.3.2　調(diào)用接口進(jìn)行人臉識(shí)別和打分308
第13章　數(shù)據(jù)聚類與分群分析
13.1　KMeans算法314
13.1.1　KMeans算法的基本原理314
13.1.2　KMeans算法的代碼實(shí)現(xiàn)315
13.1.3　案例實(shí)戰(zhàn)：銀行客戶分群模型318
13.2　DBSCAN算法321
13.2.1　DBSCAN算法的基本原理322
13.2.2　DBSCAN算法的代碼實(shí)現(xiàn)323
13.2.3　KMeans算法與DBSCAN算法的對(duì)比326
13.3　案例實(shí)戰(zhàn)：新聞聚類分群模型327
13.3.1　案例背景327
13.3.2　文本數(shù)據(jù)的讀取與處理327
13.3.3　模型的搭建與使用335
13.3.4　模型優(yōu)化337
第14章　智能推薦系統(tǒng)
14.1　智能推薦系統(tǒng)的基本原理348
14.1.1　智能推薦系統(tǒng)的應(yīng)用場(chǎng)景348
14.1.2　智能推薦系統(tǒng)的基礎(chǔ)：協(xié)同過(guò)濾算法348
14.2　計(jì)算相似度的常用方法349
14.2.1　歐氏距離350
14.2.2　余弦相似度351
14.2.3　皮爾遜相關(guān)系數(shù)352
14.3　案例實(shí)戰(zhàn)：電影智能推薦系統(tǒng)354
14.3.1　案例背景354
14.3.2　數(shù)據(jù)讀取與處理354
14.3.3　系統(tǒng)搭建358
第15章　關(guān)聯(lián)分析：Apriori算法
15.1　關(guān)聯(lián)分析的基本概念和Apriori算法363
15.1.1　關(guān)聯(lián)分析的基本概念363
15.1.2　Apriori算法的數(shù)學(xué)演示364
15.1.3　Apriori算法的代碼實(shí)現(xiàn)368
15.2　案例實(shí)戰(zhàn)：病癥關(guān)聯(lián)規(guī)則分析374
15.2.1　案例背景374
15.2.2　數(shù)據(jù)讀取與處理374
15.2.3　關(guān)聯(lián)規(guī)則分析376
第16章　深度學(xué)習(xí)初窺之神經(jīng)網(wǎng)絡(luò)模型
16.1　深度學(xué)習(xí)基礎(chǔ)：神經(jīng)網(wǎng)絡(luò)模型380
16.1.1　神經(jīng)網(wǎng)絡(luò)模型的基本原理380
16.1.2　神經(jīng)網(wǎng)絡(luò)模型的簡(jiǎn)單代碼實(shí)現(xiàn)383
16.2　案例實(shí)戰(zhàn)：用戶評(píng)論情感分析模型385
16.2.1　案例背景385
16.2.2　數(shù)據(jù)讀取、中文分詞、文本向量化385
16.2.3　神經(jīng)網(wǎng)絡(luò)模型的搭建與使用389