课程导论
什么是客户分群？为什么用聚类？K-Means与DBSCAN核心思想对比。
🔍 进入章节
环境准备
Python科学计算环境搭建（Anaconda、Jupyter Notebook）、必备库安装（Scikit-learn、Pandas、Matplotlib、Seaborn）。
⚙️ 进入章节
数据初探
加载电商客户数据集、数据清洗（缺失值、异常值处理）、描述性统计分析。
📊 进入章节
特征工程（上）
RFM模型详解（最近一次消费、频率、金额）、从原始数据中提取RFM特征。
📐 进入章节
特征工程（下）
特征标准化（StandardScaler vs MinMaxScaler）、特征降维（PCA主成分分析）可视化。
📉 进入章节
K-Means算法原理
算法步骤详解、K值选择（肘部法则、轮廓系数）、初始质心选择的影响。
🧠 进入章节
K-Means实战（上）
使用Scikit-learn实现K-Means聚类、肘部法则确定最佳K值。
💻 进入章节
K-Means实战（下）
模型训练与预测、聚类结果可视化（散点图、雷达图）、客户画像分析。
📈 进入章节
DBSCAN算法原理
密度聚类核心概念（核心点、边界点、噪声点）、参数（eps, min_samples）调优。
🔬 进入章节
DBSCAN实战
使用Scikit-learn实现DBSCAN、处理非凸形状数据、识别异常客户。
🌐 进入章节
层次聚类（Hierarchical）
凝聚与分裂层次聚类、树状图（Dendrogram）解读与阈值选择。
🌳 进入章节
层次聚类实战
使用Scipy实现层次聚类、绘制树状图并切割、对比K-Means结果。
✂️ 进入章节
高斯混合模型（GMM）
概率聚类思想、EM算法简介、GMM与K-Means的异同。
🎲 进入章节
GMM实战
使用Scikit-learn实现GMM、软聚类（概率归属）应用、BIC/AIC选择分量数。
📊 进入章节
聚类评估指标（上）
内部评估指标（轮廓系数、Calinski-Harabasz指数、Davies-Bouldin指数）。
📏 进入章节
聚类评估指标（下）
外部评估指标（调整兰德指数、互信息、同质性/完整性/调和平均）。
📋 进入章节
实战案例一：电商用户价值分群
RFM + K-Means —— 完整流程从数据到报告。
🛒 进入章节
实战案例二：新闻文章主题聚类
TF-IDF + K-Means —— 文本聚类入门。
📰 进入章节
实战案例三：地理空间位置聚类
经纬度 + DBSCAN —— 商圈分析与热点发现。
📍 进入章节
实战案例四：图像颜色量化
K-Means —— 压缩图片颜色数量。
🎨 进入章节
高维数据聚类挑战
维度灾难、距离度量失效、特征选择与提取策略。
📌 进入章节
大规模数据聚类
Mini-Batch K-Means、BIRCH算法、在线聚类与增量学习。
⚡ 进入章节
聚类结果的可解释性
SHAP值用于聚类解释、特征重要性分析、业务规则提取。
🔎 进入章节
聚类与降维结合
t-SNE与UMAP可视化高维聚类结果、保持局部与全局结构。
🌀 进入章节
半监督聚类
利用少量标签信息指导聚类（约束K-Means、种子K-Means）。
🏷️ 进入章节
多视图聚类
融合多个数据源（如用户行为+用户画像）进行协同聚类。
👥 进入章节
时间序列聚类
动态时间规整（DTW）距离、时间序列的K-Means与DBSCAN。
⏳ 进入章节
模型部署与监控
将聚类模型保存为PMML/ONNX、使用Flask搭建API、模型漂移监控。
🚀 进入章节
项目实战：客户分群系统
数据管道 -> 模型训练 -> 可视化看板 -> 业务建议。
📁 进入章节
课程总结与进阶
聚类算法选型指南、常见面试题解析、推荐学习资源与论文。
🎯 进入章节