课程目的：

掌握Python语言，以及在数据挖掘中的应用

课程内容：

Python是一门解释性语言，仅次于JAVA/C/C++/C#最受欢迎的语言，可应用在大数据语言。易学，易懂，功能强大。其中有着大量的扩展库来实现数据分析与数据挖掘功能。

第一部分：Python语言基础

目的：掌握基本的Python编程思想与编程语句，熟悉常用数据结构的操作

1、Python简介

2、开发环境搭建

Ø  Python的安装

Ø  扩展库的安装

3、掌握Python的简单数据类型

Ø   字符串的使用及操作

Ø  整数、浮点数

4、掌握基本语句：

Ø  if、while、for、print等

Ø  基本运算：

Ø  函数定义、参数传递、返回值

5、掌握复杂的数据类型：列表/元组

Ø  列表操作：访问、添加、修改、删除、排序

Ø  列表切片、复制等

Ø  列表相关的函数、方法

Ø  元组的应用

6、复杂数据类型：字典

Ø  创建、访问、修改、删除、遍历

Ø  字典函数和方法

7、复杂数据类型：集合

8、掌握面向对象编程思想

Ø  创建类、继承类

Ø  模块

9、函数定义、参数传递、返回值

10、    标准库与扩展库的导入

11、    异常处理:try-except块

演练：基本的Python编程语句

第二部分：Python语言与数据挖掘库

目的：掌握数据集结构及基本处理方法，进一步巩固Python语言

1、数据挖掘常用扩展库介绍

Ø  Numpy数组处理支持

Ø  Scipy矩阵计算模块

Ø  Matplotlib数据可视化工具库

Ø  Pandas数据分析和探索工具

Ø  StatsModels统计建模库

Ø  Scikit-Learn机器学习库

Ø  Keras深度学习（神经网络）库

Ø  Gensim文本挖掘库

2、数据集读取与操作：读取、写入

Ø  读写文本文件

Ø  读写CSV文件

Ø  读写Excel文件

Ø  从数据库获取数据集

3、数据集的核心数据结构（Pandas数据结构）

Ø  DataFrame对象及处理方法

Ø  Series对象及处理方法

演练：用Python实现数据的基本统计分析功能

第三部分：数据可视化处理

目的：掌握作图扩展库，实现数据可视化

1、常用的Python作图库

Ø  Matplotlib库

Ø  Pygal库

2、实现分类汇总

演练：按性别统计用户人数

演练：按产品+日期统计各产品销售金额

3、各种图形的画法

Ø  直方图

Ø  饼图

Ø  折线图

Ø  散点图

4、绘图的美化技巧

演练：用Python库作图来实现产品销量分析，并可视化

第四部分：数据挖掘基础

目的：掌握数据挖掘标准流程

1、数据挖掘概述

2、数据挖掘的标准流程（CRISP-DM）

Ø  商业理解

Ø  数据准备

Ø  数据理解

Ø  模型建立

Ø  模型评估

Ø  模型应用

3、数据挖掘常用任务与算法

案例：用大数据实现精准营销的项目过程

第五部分：数据理解和数据准备

目的：掌握数据预处理的基本环节，以及Python的实现

1、数据预处理

Ø  异常值处理：3σ准则，IQR准则

Ø  缺失值插补：均值、拉格朗日插补

Ø  数据筛选/抽样

Ø  数据的离散化处理

Ø  变量变换、变量派生

2、数据的基本分析

Ø  相关分析：原理、公式、应用

Ø  方差分析：原理、公式、应用

Ø  卡方分析：原理、公式、应用

Ø  主成分分析：降维

案例：用Python实现数据预处理及数据准备

第四部分：分类预测模型实战

1、常见分类预测的模型与算法

2、如何评估分类预测模型的质量

Ø  查准率

Ø  查全率

Ø  ROC曲线

3、逻辑回归分析模型

Ø  逻辑回归的原理

Ø  逻辑回归建模的步骤

Ø  逻辑回归结果解读

案例：用sklearn库实现银行贷款违约预测

4、决策树模型

Ø  决策树分类的原理

Ø  决策树的三个关键问题

Ø  决策树算法与实现

案例：电力窃漏用户自动识别

5、人工神经网络模型（ANN）

Ø  神经网络概述

Ø  神经元工作原理

Ø  常见神经网络算法（BP、LM、RBF、FNN等）

案例：神经网络预测产品销量

6、支持向量机（SVM）

Ø  SVM基本原理

Ø  维灾难与核心函数

案例：基于水质图像的水质评价

7、贝叶斯分析

Ø  条件概率

Ø  常见贝叶斯网络

第五部分：数值预测模型实战

1、常用数值预测的模型

Ø  通用预测模型：回归模型

Ø  季节性预测模型：相加、相乘模型

Ø  新产品预测模型：珀尔曲线与龚铂兹曲线

2、回归分析概念

3、常见回归分析类别

第六部分：聚类分析（客户细分）实战

1、客户细分常用方法

2、聚类分析（Clustering）

Ø  聚类方法原理介绍及适用场景

Ø  常用聚类分析算法

Ø  聚类算法的评价

案例：使用SKLearn实现K均值聚类

案例：使用TSNE实现聚类可视化

3、RFM模型分析

Ø  RFM模型，更深入了解你的客户价值

Ø  RFM模型与市场策略

案例：航空公司客户价值分析

第七部分：关联规则分析实战

1、关联规则概述

2、常用关联规则算法

3、时间序列分析

案例：使用apriori库实现关联分析

案例：中医证型关联规则挖掘

第八部分：案例实战（学员主导，老师现场指导）

1、实战1：电商用户行为分析及服务推荐

2、实战2：基于基站定位数据的商圈分析

结束：课程总结与问题答疑。