第一章 数据科学之数据分析篇 - 1.1 数据分析概述 - 1.2 数据分析思维和方法 - 1.3 数据挖掘分析 - 1.4 数据分析在评分建模中的重要地位 第二章 数据清洗和处理 - 2.1 数据清洗与处理概述 - 2.2 对非结构化数据进行结构化 - 2.3 数据缺失值填充-概述和原因 - 2.4 数据缺失值填充-方法 - 2.5 数据标准化与归一化- Z分数标准 - 2.6 数据标准化与归一化-min-max标准化 - 2.7 数据标准化与归一化-行归一化标准化 第三章 特征工程 - 3.1 特征工程概述 - 3.2 特征选择概述 - 3.3 特征选择-过滤方法 - 3.4 特征选择-封装方法和嵌入方法 - 3.5 特征编码 - 3.6 特征转换 - 3.7 特征转换-主成分分析 - 3.8 特征转换-线性判别分析 第四章 建立基本的模型框架和策略 - 4.1 基本模型框架 - 4.2 线性回归与多项式回归 - 4.3 逻辑回归 - 4.4 K近邻法 - 4.5 支持向量机 - 4.6 朴素贝叶斯 - 4.7 决策树 - 4.8 随机森林 - 4.9 聚类分析 第五章 模型检验和模型验证 - 5.1 背景模块：支持模型验证的框架介绍 - 5.2 管理机制与流程 - 5.3 验证方法与内容（上） - 5.4 验证方法与内容（下） - 5.5 启示与借鉴 第六章 模型优化 - 6.1 前言模块：模型优化介绍 - 6.2 超参调优——网格搜索 - 6.3 超参调优——随机搜索 - 6.4 超参调优——贝叶斯优化 - 6.5 模型集成——Voting - 6.6 模型集成——Bagging - 6.7 模型集成——Boosting - 6.8 模型集成——Stacking - 6.9 模型优化小结 第七章 模型应用和解释 - 7.1 模型的可解释性 - 7.2 全局解释 - 7.3 局部解释-LIME - 7.4 局部解释-SHAP 第八章 预测建模基本流程介绍 - 8.1 流程基本介绍 - 8.2.1 模型的设计——要点介绍 - 8.2.2 模型的设计——目标变量的确定 - 8.2.3 模型的设计——要点介绍（cont.） - 8.2.4 模型的设计——总体和样本的选择 - 8.3.1 模型的搭建——建模过程 - 8.3.2 模型的搭建——打分卡分析 - 8.3.3 模型的搭建——变量初选 - 8.3.4 模型的搭建——变量的分析和处理 - 8.3.5 模型的搭建——字符变量处理方法简介 - 8.3.6 模型的搭建——模型选择常用的性能指标 - 8.3.7 模型的搭建——模型的边际监测 - 8.3.8 模型的搭建——模型的搭建和选择 - 8.4.1 模型的实施与监控——最终模型的确立 - 8.4.2 模型的实施与监控——业务部门的核收 - 8.4.3 模型的实施与监控——建模后分析 - 8.4.4 模型的实施与监控——建模后业务决策分析 - 8.4.5 模型的实施与监控——建模实施 - 8.4.6 模型的实施与监控——模型监控与建档