Python3数据分析与挖掘建模实战，快速胜任数据分析师

Python3数据分析与挖掘建模实战，快速胜任数据分析师课程介绍(A000107)：

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。助你逆袭成为数据掘金时代的抢手人才!

课程目录：

第1章Python3数据分析与挖掘建模实战，快速胜任数据分析师课程介绍【赠送相关电子书+随堂代码】试看3节|20分钟

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。…

图文：1-1课前必读（不看会错过一个亿）

视频：1-2课程导学(07:36)试看

视频：1-3数据分析概述(11:25)

第2章数据获取4节|18分钟

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。

视频：2-1数据仓库(05:06)

视频：2-2监测与抓取(02:53)

视频：2-3填写、埋点、日志、计算(02:25)

视频：2-4数据学习网站(07:01)

第3章单因子探索分析与数据可视化27节|124分钟

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。…

视频：3-1数据案例介绍(04:27)

视频：3-2集中趋势,离中趋势(05:58)

视频：3-3数据分布–偏态与峰度(03:54)

视频：3-4抽样理论(06:06)

视频：3-5编码实现（基于python2.7）(12:51)

视频：3-6数据分类(02:37)

视频：3-7异常值分析(03:33)

视频：3-8对比分析(05:38)

视频：3-9结构分析(01:39)

视频：3-10分布分析(05:59)

视频：3-11SatisfactionLevel的分析(09:32)

视频：3-12LastEvaluation的分析(07:39)

视频：3-13NumberProject的分析(03:42)

视频：3-14AverageMonthlyHours的分析(05:40)

视频：3-15TimeSpendCompany的分析(00:51)

视频：3-16WorkAccident的分析(00:49)

视频：3-17Left的分析(00:23)

视频：3-18PromotionLast5Years的分析(00:30)

视频：3-19Salary的分析(01:37)

视频：3-20Department的分析(01:16)

视频：3-21简单对比分析操作(07:08)

视频：3-22可视化-柱状图(15:42)

视频：3-23可视化-直方图(04:27)

视频：3-24可视化-箱线图(02:21)

视频：3-25可视化-折线图(02:21)

视频：3-26可视化-饼图(03:09)

视频：3-27本章小结(03:38)

第4章多因子探索分析12节|100分钟

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。…

视频：4-1假设检验(08:05)

视频：4-2卡方检验(02:21)

视频：4-3方差检验(03:43)

视频：4-4相关系数(03:33)

视频：4-5线性回归(02:48)

视频：4-6主成分分析(05:20)

视频：4-7编码实现(19:21)

视频：4-8交叉分析方法与实现(13:48)

视频：4-9分组分析方法与实现(08:45)

视频：4-10相关分析与实现(22:42)

视频：4-11因子分析与实现(06:42)

视频：4-12本章小结(02:02)

第5章预处理理论15节|122分钟

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。…

视频：5-1特征工程概述(09:59)

视频：5-2数据样本采集(02:42)

视频：5-3异常值处理(12:45)

视频：5-4标注(02:58)

视频：5-5特征选择(17:18)

视频：5-6特征变换-对指化(04:23)

视频：5-7特征变换-离散化(07:13)

视频：5-8特征变换-归一化与标准化(07:06)

视频：5-9特征变换-数值化(10:09)

视频：5-10特征变换-正规化(04:49)

视频：5-11特征降维-LDA(11:32)

视频：5-12特征衍生(03:04)

视频：5-13HR表的特征预处理-1(15:29)

视频：5-14HR表的特征预处理-2(08:35)

视频：5-15本章小结(02:53)

第6章挖掘建模试看22节|298分钟

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、…

视频：6-1机器学习与数据建模(05:17)

视频：6-2训练集、验证集、测试集(07:02)

视频：6-3分类-KNN(21:43)试看

视频：6-4分类-朴素贝叶斯(19:57)试看

视频：6-5分类-决策树(23:42)

视频：6-6分类-支持向量机(20:41)

视频：6-7分类-集成-随机森林(19:24)

视频：6-8分类-集成-Adaboost(10:47)

视频：6-9回归-线性回归(23:36)

视频：6-10回归-分类-逻辑回归(11:12)

视频：6-11回归-分类-人工神经网络-1(16:26)

视频：6-12回归-分类-人工神经网络-2(15:47)

视频：6-13回归-回归树与提升树(09:59)

视频：6-14聚类-Kmeans-1(10:37)

视频：6-15聚类-Kmeans-2(10:54)

视频：6-16聚类-DBSCAN(10:33)

视频：6-17聚类-层次聚类(04:40)

视频：6-18聚类-图分裂(03:54)

视频：6-19关联-关联规则-1(13:56)

视频：6-20关联-关联规则-2(13:39)

视频：6-21半监督-标签传播算法(17:18)

视频：6-22本章小结(05:50)

第7章模型评估4节|43分钟

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。…

视频：7-1分类评估-混淆矩阵(14:51)

视频：7-2分类评估-ROC、AUC、提升图与KS图(15:12)

视频：7-3回归评估(05:02)

视频：7-4非监督评估(07:49)

第8章总结与展望2节|13分钟

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。

视频：8-1课程回顾与多角度看数据分析(05:22)

视频：8-2大数据与学习这门课后还能干什么？.mp4(07:12)