目录
一、python入门
1.1 python入门基础–数据类型–循环控制–函数–OOP
1.2 python入门——练习题
1.3 python+csv/Excel——练习题
1.4 python爬虫
1.5 python爬虫-scrapy框架
1.6 python爬虫——练习题
二、MySQL 关系型数据库
2.1 MySQL数据库
2.2 pyMySQL操作MySQL数据库
2.3 pyMySQL+Excel+爬虫——练习题
三、MongoDB 分布式数据库
3.1 MongoDB安装及基本语法结构
3.2 pymongo操作MongoDB数据库
3.3 pyMongo+Excel+爬虫——练习题
四、Python科学计算库
4.1 Numpy基础+进阶+高级
4.2 Numpy——练习题
4.3 Scipy 基础+进阶(linalg)
4.4 Scipy 高级（tushare）
4.5 Pandas基础+进阶
4.6 pandas 高级（函数与运算）
4.7 pandas——练习题
附加：Anaconda环境搭建
五、数据可视化
5.1 Matplotlib—数据可视化
5.2 matplotlib + pandas—数据可视化
5.3 Python + PyEcharts—数据可视化
六、数理统计
6.1 向量与矩阵
6.5 极限-导数-微积分
6.6 统计与概率
七、特征工程
7.1 特征构造
7.2 特征转换
7.2.1连续型变量：归一化（标准化，区间缩放法）
7.2.2连续型变量：离散化（等宽方法，等频/等深方法，自定义）
7.2.3类别型变量：one-hot ，count-Encoding ，Target encoding
7.2.4 日期型变量
7.2.5 缺失值处理：删除；替换（用0，平均数，众数， 预测模型替换）
7.2.6 特征组合：构造更多更好的特征
7.3 数据降维
7.4 特征选择
八、机器学习—监督学习
8.1 机器学习概况与准备
8.2 机器学习-文本与图像挖掘方法
8.3 逻辑回归(logistic regression)
8.4 KNN（K近邻）
8.5 决策树
8.6 支持向量机（SVM）
8.7 贝叶斯算法
8.8 回归模型
九、机器学习—非监督学习
9.1 聚类–关联规则（K-means算法）
十、机器学习—集成学习
10.1 多算法融合
10.2 Adaboost 算法
10.3 GBDT 算法
10.4 Xgboost算法
10.5 随机深林（RF）算法
十一、综合演练
基于FP-growth算法-新闻网站点击流量分析系统
基于Kaggle的经典AI项目：预测房价系统全程实战
基于聚类（Kmeans）算法实现客户价值分析系统
基于LVD、贝叶斯模型算法实现的电商行业商品评论与情感分析案例
基于OpenCV、随机森林算法实现的图像分类识别系统
基于RFM模型实现的零售精准营销响应预测系统
基于SVD协同过滤算法实现的电影推荐系统
#
#
#
#
十二、神经网络
12.1深度学习入门
12.2深度学习框架
12.3卷积神经网络
12.4Tensorflow 入门基础
12.4.1 TensorFlow简介与安装
12.4.2 用 constant；variable；向量；placeholder等表示输入
12.4.3 可视化实例
12.5Tensorflow 进阶
12.5.1 graph 与 session
12.5.2 Tensor
12.5.3 Variables
12.6 TensorFlow 高级之一（实现单层神经网络）
12.7 TensorFlow 高级之二（实现卷积神经网络）
[12.8 TensorFlow 高级之三（CNN的实现）]