Python預(yù)測分析與機器學習

第1章預(yù)測分析與機器學習的實用價值
1．1人工智能、機器學習與數(shù)據(jù)分析的關(guān)系
1．2什么是預(yù)測分析
1．3預(yù)測分析在各行業(yè)中的應(yīng)用
1．4預(yù)測分析流程概覽
1．5小結(jié)
第2章數(shù)據(jù)清理
2．1建立編程環(huán)境
2．1．1Anaconda簡介及安裝
2．1．2Jupyter Notebook 簡介及安裝
2．1．3Pandas簡介及安裝
2．1．4scikitlearn 簡介及安裝
2．1．5XGBoost、LightGBM、CatBoost簡介及安裝
2．1．6TensorFlow簡介及安裝
2．2面對異構(gòu)數(shù)據(jù)如何下手
2．2．1什么是異構(gòu)數(shù)據(jù)
2．2．2如何處理異構(gòu)數(shù)據(jù)
2．3數(shù)據(jù)誤差
2．3．1各類數(shù)據(jù)誤差及其影響
2．3．2如何處理數(shù)據(jù)誤差
2．4數(shù)據(jù)重新格式化
第3章基礎(chǔ)建模
3．1判斷何為X和y
3．1．1X和y的定義
3．1．2X和y的選擇對預(yù)測的影響
3．2訓練集、驗證集與測試集
3．2．1三者的定義及關(guān)系
3．2．2如何使用sklearn分離3個集
3．2．3如何使用Pandas手動分離3個集
3．3數(shù)據(jù)泄露
3．3．1不同類型的數(shù)據(jù)泄露
3．3．2發(fā)現(xiàn)并避免目標泄露
3．3．3避免訓練集與測試集的相互污染
3．4偏差與方差
3．4．1定義偏差與方差
3．4．2過擬合與欠擬合
3．4．3實踐中的過擬合與欠擬合
3．5小結(jié)
 
 
第4章模型選擇
4．1樸素貝葉斯分類器
4．2關(guān)聯(lián)規(guī)則算法
4．3K近鄰算法
4．4K均值聚類算法
4．5回歸算法
4．5．1線性回歸
4．5．2羅吉斯蒂回歸
4．6深度神經(jīng)網(wǎng)絡(luò)
4．7決策樹
4．8森林算法
4．8．1隨機森林
4．8．2隨機樹
4．8．3孤立森林
4．9提升方法
4．9．1Adaboost
4．9．2XGBoost和LightGBM
4．9．3CatBoost
第5章模型優(yōu)化
5．1損失函數(shù)和衡量指標 
5．1．1分類問題的衡量指標
5．1．2回歸問題的衡量指標
5．1．3損失函數(shù)
5．2K折交叉驗證
5．3超參數(shù)調(diào)試
5．3．1網(wǎng)格搜索法
5．3．2隨機搜索法
5．3．3遺傳算法
5．4函數(shù)正則化
第6章數(shù)據(jù)優(yōu)化
6．1數(shù)據(jù)規(guī)范化
6．2異常值清理
6．3平滑法
6．4聚類
6．5特征工程
第7章時間序列
7．1時間序列簡介
7．2時間序列數(shù)據(jù)探索
7．2．1加法模型下的可視化圖
7．2．2乘法模型下的部分可視化圖
7．3時間序列特征提取
7．3．1時間特征
7．3．2滯后特征
7．3．3基于移動窗口的特征
7．3．4基于展開窗口的特征
7．4時間序列模型
7．4．1自回歸模型
7．4．2滑動平均模型
7．4．3整合移動平均自回歸模型
7．4．4季節(jié)性整合移動平均自回歸模型
第8章實戰(zhàn)
8．1M5預(yù)測分析比賽介紹
8．1．1數(shù)據(jù)介紹
8．1．2評估標準
8．2數(shù)據(jù)清理
8．3基礎(chǔ)建模
8．4優(yōu)化