Python大数据分析与机器学习商业案例实战

1、线性回归模型 - 1.一元线性回归的数学原理(了解) - 2.一元线性回归模型的代码实现 (重要) - 3.案例实战: 收入增长模型 - 4.线性回归模型的模型评估 - 5.客户价值预测多元线性回归及特征重要性描述 2、逻辑回归模型 - 1.逻辑回归的数学原理(了解) - 2.逻辑回归的代码实现 - 3.逻辑回归模型的深入理解 - 4.案例实战-股票客户流失预警模型 - 5.ROC曲线的含义 - 6.混淆矩阵的Python实现_final - 7.案例实战-评估流失预警模型的ROC曲线与AUC值 - 8.KS曲线与KS值 3、决策树模型 - 1.决策树模型简介 - 2.决策树的数学原理1 - 基尼系数 - 3.决策树的数学原理2 - (了解即可) - 4.分类决策树模型的简单代码实现 - 5.回归决策树数学原理和简单代码实现 - 6.案例实战: 员工离职预测模型搭建与评估 - 7.特征重要性评价方法 - 8.决策树模型可视化(了解) - 9.决策树模型深入理解 - 10.参数调优基础 - K折交叉验证 - 11.参数调优实战- GridSearch单参数调优 - 12.参数调优实战-GridSearch多参数调优 - 13.案例实战: 银行客户违约预测模型搭建 4、朴素贝叶斯模型（了解） - 1.素贝叶斯模型的基本原理(了解) - 2.朴素贝叶斯模型的进阶原理与简单代码演示 - 3.案例实战-肿瘤预测模型 - 4.基于朴素贝叶斯算法的信贷违约预测模型 5、K近邻算法（了解） - 1.K近邻算法基本原理与简单代码实现!(了解) - 2.数据预处理之数据归一化 - 3.案例实战: 手写数字识别模型原理 - 4.案例实战: 手写数字识别模型搭建 - 5.补充知识点:图像识别原理详解 - 6.基于K近邻算法的信贷违约预测模型 6、随机森林模型 - 1.集成学习模型初步介绍-Bagging和Boosting算法 - 2.随机森林模型的基本原理 - 3.随机森林模型的简单代码实现 - 4.量化金融 - Tushare注册与使用 - 5.量化金融 - Tushare库的基础使用 - 6.量化金融 - Ta lib库生成RSI与MOM指标 - 7.量化金融 - Ta lib库生成EMA指标 - 8.量化金融 - Ta lib库生成MACD指标 - 9.量化金融 - 股票价格涨跌预测模型搭建 - 10.量化金融 - 随机森林模型调参 - 11.量化金融- 股票价格涨跌预测模型评估 - 12.量化金融 - 收益回测曲线绘制 (上) - 13.量化金融 - 收益回测曲线绘制 (下) 7、Adaboost模型和GBDT模型 - 7.1.1AdaBoost算法核心思想 - 7.1.2AdaBoost算法数学原理（上） - 7.1.3AdaBoost算法数学原理（下） - 7.1.4AdaBoost算法的简单代码实现 - 7.1.5案例实战 - AdaBoost信用卡精准营销模型 - 7.2.1GBDT算法的核心思想 - 7.2.2GBDT算法的数学原理（上） - 7.2.3GBDT算法的数学原理（下） - 7.2.4GBDT算法的简单代码实现 - 7.2.5案例实战 - GBDT产品定价模型 - 7.2.6补充知识点：损失函数 8、XGBoost模型和LightGBM模型 - 8.1.1XGBoost算法的核心思想 - 8.1.2XGBoost算法的数学原理概述 - 8.1.3XGBoost算法的简单代码实现 - 8.1.4案例实战 - 金融反欺诈模型（上） - 8.1.5案例实战 - 金融反欺诈模型（下） - 8.1.6案例实战-信用评分卡模型（上） - 8.1.7案例实战-信用评分卡模型（下） - 8.2.1LightGBM算法核心思想与数学原理概述 - 8.2.2LightGBM的简单代码实现 - 8.2.3案例实战-客户违约预测模型（上） - 8.2.4案例实战-客户违约预测模型（下） - 8.2.5案例实战-广告收益回归预测模型 9、特征工程（重要） - 9.1.1特征工程之数据预处理概览 - 9.1.2非数值类型数据处理（上） - 9.1.3非数值类型数据处理（下） - 9.1.4重复值、缺失值及异常值处理 - 9.1.5数据标准化（归一化）处理 - 9.1.6数据分箱处理 - 9.2.1WOE值与IV值的意义 - 9.2.2WOE值的定义与演示（上） - 9.2.3WOE值的定义与演示（下） - 9.2.4IV值的定义与演示 - 9.2.5WOE值与IV值的代码实现 - 9.2.6案例实战：客户流失预警模型的IV值计算 - 9.2.7多重共线性的分析 - 9.2.8多重共线性检验方法 - 9.2.9多重共线性的代码检验 - 9.2.10过采样与欠采样-基本原理 - 9.2.11过采样与欠采样 - Python代码实现 - 9.3.1特征衍生与特征交叉初步理解 - 9.3.2特征构造工具Featurestools库(初步）-上 - 9.3.3特征构造工具Featurestools库(初步）-下 - 9.3.4Featuretools库深入讲解1 - 银行信贷数据读取 - 9.3.5Featuretools库深入讲解2 - 创建表间勾稽关系 - 9.3.6Featuretools库深入讲解3- 聚合和转换操作（上） - 9.3.7Featuretools库深入讲解4 - 聚合和转换操作（下） - 9.3.8自动深度特征合成 10、PCA主成分分析（数据降维） - 1.数据降维之PCA主成分分析原理介绍 - 2.PCA主成分分析Pthon代码实现 - 3.刷脸支付背后的奥秘-人脸识别模型背景与数据读取 - 4.人脸内容数值化处理(上) -特征变量提取 - 5.人脸内容数值化处理(下) -目标变量提取 - 6.人脸识别模型的搭建与使用 - 7.补充知识点:人脸识别外部接口调用 - 8.(下章剧透) PCA主成分分析在新闻聚类模型中的使用 11、数据聚类与分群 - 1.Kmeans算法的原理介绍 - 2.Kmeans算法的简单代码实现 - 3.案例实战-银行客户分群模型(精准营销模型) - 4.DBSCAN算法的原理介绍与演示 - 5.DBSCAN算法的简单代码实现 - 6.案例实战-新闻聚类分群模型背景 - 7.中文分词案例实战 - 8.文本向量化 - 中文转为词频矩阵 - 9.新闻聚类模型搭建与使用(初步) - 10.新闻聚类模型优化 (余弦相似度优化) - 11.补充知识点: 大数据分词与百度新闻爬虫 12、智能推荐算法 - 1.智能推荐系统的基础-协同过滤算法 - 2.相似度计算的三种常见方法 - 3.智能推荐系统搭建1-数据处理 - 4.智能推荐习题搭建2-模型搭建 13、关联规则分析 - 1.关联分析的基本概念 - 2.Apriori算法的数学演示 - 3.Apriori算法的代码实现 - 4.Apriori算法的另一种代码实现方法(了解即可) - 5.综合案例-金融产品交叉销售(智能营销) 14、神经网络模型 - 1.神经网络模型基本原理 - 2.神经网络模型简单代码实现 - 3.案例实战-用户评论情感分析模型 学习资料 书籍资料