📊 数据挖掘 · 从零到一实战指南

📚 30章 · 完整目录
01 数据挖掘概述
  • 什么是数据挖掘
  • 行业应用
  • CRISP-DM流程
  • 伦理与隐私
02 Python数据科学生态
  • Anaconda安装配置
  • Jupyter Notebook
  • NumPy基础
  • Pandas基础
  • Matplotlib基础
03 数据预处理 (上)
  • 数据清洗
  • 缺失值·重复值·异常值
  • 数据集成
  • 标准化·归一化
04 数据预处理 (下)
  • 数据规约
  • 特征工程
  • 特征选择·提取
  • 独热编码·标签编码
05 探索性数据分析 (EDA)
  • 描述性统计
  • 直方图·箱线图
  • 相关性分析
  • 数据可视化实战
06 关联规则挖掘
  • 支持度·置信度·提升度
  • Apriori原理
  • Apriori Python实现
  • FP-Growth简介
07 聚类分析 (上)
  • 距离度量
  • K-Means原理
  • K-Means实现
  • 肘部法则
08 聚类分析 (下)
  • 层次聚类
  • DBSCAN原理
  • DBSCAN调优
  • 轮廓系数
09 分类算法 (上)
  • 分类问题概述
  • KNN原理
  • KNN实现
  • K值·距离权重
10 分类算法 (中)
  • 决策树 ID3·C4.5·CART
  • 剪枝
  • 决策树实现
  • 特征重要性
11 分类算法 (下)
  • 朴素贝叶斯原理
  • 高斯朴素贝叶斯
  • 多项式朴素贝叶斯
  • 贝叶斯实战
12 集成学习 (上)
  • Bagging·Boosting·Stacking
  • 随机森林原理
  • 随机森林实现
  • 特征重要性排序
13 集成学习 (下)
  • AdaBoost原理
  • 梯度提升树GBDT
  • XGBoost简介
  • XGBoost调参
14 支持向量机 (SVM)
  • 线性可分原理
  • 核函数
  • 参数C·gamma
  • SVM多分类
15 神经网络与深度学习入门
  • 感知机·MLP
  • 激活函数
  • ReLU·Sigmoid·Tanh
  • Keras搭建网络
16 模型评估与选择
  • 过拟合·欠拟合
  • 交叉验证
  • 混淆矩阵
  • ROC·AUC
  • 分类报告
17 回归分析
  • 线性回归·最小二乘法
  • 多元线性回归
  • 岭回归·Lasso
  • MSE·MAE·R²
18 时间序列分析
  • 基本概念
  • ADF检验
  • AR·MA模型
  • ARIMA实战
19 文本挖掘基础
  • 文本预处理
  • 词袋·TF-IDF
  • 文本分类实战
  • 情感分析入门
20 推荐系统入门
  • 推荐系统概述
  • 协同过滤
  • 矩阵分解SVD
  • 基于内容推荐
  • 评估
21 特征降维
  • PCA原理
  • PCA实战
  • 线性判别分析LDA
  • t-SNE可视化
22 异常检测
  • 异常检测概述
  • Z-score·IQR
  • 孤立森林
  • LOF算法
  • 实战
23 实战项目 (一) 客户分群
  • 电商客户RFM
  • K-Means聚类
  • 数据加载·解读
24 实战项目 (二) 信用卡欺诈检测
  • 逻辑回归·随机森林·XGBoost
  • 不平衡数据处理
25 实战项目 (三) 电影推荐系统
  • 协同过滤
  • 矩阵分解
  • 推荐引擎构建
26 实战项目 (四) 新闻文本分类
  • TF-IDF
  • 朴素贝叶斯
  • 多分类任务
27 实战项目 (五) 股票价格预测
  • ARIMA
  • LSTM
  • 时间序列预测
28 大数据挖掘工具
  • Spark MLlib
  • PySpark基础
  • Spark K-Means
  • 分布式数据处理
29 模型部署与生产化
  • Pickle·Joblib
  • Flask API
  • Docker部署
  • 模型监控更新
30 数据挖掘前沿与职业发展
  • AutoML
  • 可解释AI·SHAP·LIME
  • 技能树
  • 学习资源推荐
📢  ·