课程目标与学习路径
Python与Anaconda环境安装
Jupyter Notebook与VS Code配置
常用科学计算库简介
变量与数据类型
列表与字典操作
函数与模块化编程
文件读写与异常处理
Numpy数组创建与属性
数组索引与切片
数组形状变换与广播机制
通用函数与向量化计算
Series与DataFrame创建
数据查看与描述性统计
索引操作与层级索引
数据筛选与条件过滤
处理缺失值(检测/填充/删除)
重复值处理
异常值检测与处理
数据类型转换与格式化
数据排序与排名
分组聚合(groupby)
数据合并(concat/merge/join)
数据透视表与交叉表
Figure与Axes概念
折线图与散点图
柱状图与饼图
图形样式与中文显示设置
Seaborn主题与调色板
统计关系图(relplot)
分类数据图(catplot)
分布图与热力图
数据分布分析
相关性分析(皮尔逊/斯皮尔曼)
特征编码(独热/标签编码)
特征缩放(标准化/归一化)
数据采集(CSV/Excel/API)
数据整合与清洗流程
数据标注与质量检查
数据集划分(训练/验证/测试)
处理不平衡数据(过采样/欠采样)
时间序列数据处理
文本数据预处理基础
图像数据预处理基础
监督学习与非监督学习
过拟合与欠拟合
偏差与方差权衡
模型评估指标(准确率/精确率/召回率/F1)
Estimator API介绍
数据集加载与划分
模型训练与预测流程
交叉验证基础
一元与多元线性回归
最小二乘法原理
模型评估(MSE/MAE/R²)
正则化(Ridge/Lasso)
Sigmoid函数与决策边界
逻辑回归损失函数
多分类问题(OvR/OvO)
模型评估(混淆矩阵/ROC曲线)
KNN原理与距离度量
K值选择与影响
KNN优缺点分析
实战：鸢尾花分类
决策树构建原理(信息增益/基尼系数)
剪枝策略
随机森林集成思想
特征重要性分析
SVM核心思想与间隔最大化
核函数技巧(线性核/RBF核)
SVM参数调优(C/gamma)
实战：手写数字识别
贝叶斯定理与条件独立性假设
高斯/多项式/伯努利朴素贝叶斯
文本分类实战(垃圾邮件过滤)
K-means原理与流程
K值选择(肘部法/轮廓系数)
聚类结果评估
实战：客户分群
降维思想与方差最大化
PCA数学原理
PCA在数据可视化中的应用
实战：人脸数据降维
网格搜索(GridSearchCV)
随机搜索(RandomizedSearchCV)
学习曲线与验证曲线
超参数调优实战
集成方法(Bagging/Boosting/Stacking)
XGBoost与LightGBM入门
模型融合策略
实战：房价预测
神经网络基础(感知机/激活函数)
TensorFlow/PyTorch环境搭建
张量操作与自动求导
构建第一个神经网络
多层感知机(MLP)实现
损失函数与优化器选择
训练循环与批次处理
模型保存与加载
卷积层/池化层/全连接层
经典CNN架构(LeNet/AlexNet)
图像分类实战(CIFAR-10)
数据增强技术
RNN原理与序列建模
LSTM与GRU门控机制
文本生成实战
情感分析实战
模型序列化(Pickle/ONNX)
Flask API服务搭建
Docker容器化部署
模型监控与更新策略
项目需求分析与数据理解
数据清洗与特征工程流水线
模型选择与基线建立
模型优化与对比实验
模型集成与最终选择
结果可视化与报告生成
项目总结与经验分享
课程回顾与进阶学习路径