Python是一門解釋性語言，僅次于JAVA/C/C++/C#最受歡迎的語言，可應用在大數據語言。易學，易懂，功能強大。其中有著大量的擴展庫來實現數據分析與數據挖掘功能。

第一部分：Python語言基礎

目的：掌握基本的Python編程思想與編程語句，熟悉常用數據結構的操作

1、Python簡介

2、開發(fā)環(huán)境搭建

? ?Python的安裝

? ?擴展庫的安裝

3、掌握Python的簡單數據類型

? ? 字符串的使用及操作

? ?整數、浮點數

4、掌握基本語句：

? ?if、while、for、print等

? ?基本運算：

? ?函數定義、參數傳遞、返回值

5、掌握復雜的數據類型：列表/元組

? ?列表操作：訪問、添加、修改、刪除、排序

? ?列表切片、復制等

? ?列表相關的函數、方法

? ?元組的應用

6、復雜數據類型：字典

? ?創(chuàng)建、訪問、修改、刪除、遍歷

? ?字典函數和方法

7、復雜數據類型：集合

8、掌握面向對象編程思想

? ?創(chuàng)建類、繼承類

? ?模塊

9、函數定義、參數傳遞、返回值

10、 ? ?標準庫與擴展庫的導入

11、 ? ?異常處理:try-except塊

演練：基本的Python編程語句

第二部分：Python語言與數據挖掘庫

目的：掌握數據集結構及基本處理方法，進一步鞏固Python語言

1、數據挖掘常用擴展庫介紹

? ?Numpy數組處理支持

? ?Scipy矩陣計算模塊

? ?Matplotlib數據可視化工具庫

? ?Pandas數據分析和探索工具

? ?StatsModels統(tǒng)計建模庫

? ?Scikit-Learn機器學習庫

? ?Keras深度學習（神經網絡）庫

? ?Gensim文本挖掘庫

2、數據集讀取與操作：讀取、寫入

? ?讀寫文本文件

? ?讀寫CSV文件

? ?讀寫Excel文件

? ?從數據庫獲取數據集

3、數據集的核心數據結構（Pandas數據結構）

? ?DataFrame對象及處理方法

? ?Series對象及處理方法

演練：用Python實現數據的基本統(tǒng)計分析功能

第三部分：數據可視化處理

目的：掌握作圖擴展庫，實現數據可視化

1、常用的Python作圖庫

? ?Matplotlib庫

? ?Pygal庫

2、實現分類匯總

演練：按性別統(tǒng)計用戶人數

演練：按產品+日期統(tǒng)計各產品銷售金額

3、各種圖形的畫法

? ?直方圖

? ?餅圖

? ?折線圖

? ?散點圖

4、繪圖的美化技巧

演練：用Python庫作圖來實現產品銷量分析，并可視化

第四部分：數據挖掘基礎

目的：掌握數據挖掘標準流程

1、數據挖掘概述

2、數據挖掘的標準流程（CRISP-DM）

? ?商業(yè)理解

? ?數據準備

? ?數據理解

? ?模型建立

? ?模型評估

? ?模型應用

3、數據挖掘常用任務與算法

案例：用大數據實現精準營銷的項目過程

第五部分：數據理解和數據準備

目的：掌握數據預處理的基本環(huán)節(jié)，以及Python的實現

1、數據預處理

? ?異常值處理：3σ準則，IQR準則

? ?缺失值插補：均值、拉格朗日插補

? ?數據篩選/抽樣

? ?數據的離散化處理

? ?變量變換、變量派生

2、數據的基本分析

? ?相關分析：原理、公式、應用

? ?方差分析：原理、公式、應用

? ?卡方分析：原理、公式、應用

? ?主成分分析：降維

案例：用Python實現數據預處理及數據準備

第四部分：分類預測模型實戰(zhàn)

1、常見分類預測的模型與算法

2、如何評估分類預測模型的質量

? ?查準率

? ?查全率

? ?ROC曲線

3、邏輯回歸分析模型

? ?邏輯回歸的原理

? ?邏輯回歸建模的步驟

? ?邏輯回歸結果解讀

案例：用sklearn庫實現銀行貸款違約預測

4、決策樹模型

? ?決策樹分類的原理

? ?決策樹的三個關鍵問題

? ?決策樹算法與實現

案例：電力竊漏用戶自動識別

5、人工神經網絡模型（ANN）

? ?神經網絡概述

? ?神經元工作原理

? ?常見神經網絡算法（BP、LM、RBF、FNN等）

案例：神經網絡預測產品銷量

6、支持向量機（SVM）

? ?SVM基本原理

? ?維災難與核心函數

案例：基于水質圖像的水質評價

7、貝葉斯分析

? ?條件概率

? ?常見貝葉斯網絡

第五部分：數值預測模型實戰(zhàn)

1、常用數值預測的模型

? ?通用預測模型：回歸模型

? ?季節(jié)性預測模型：相加、相乘模型

? ?新產品預測模型：珀爾曲線與龔鉑茲曲線

2、回歸分析概念

3、常見回歸分析類別

第六部分：聚類分析（客戶細分）實戰(zhàn)

1、客戶細分常用方法

2、聚類分析（Clustering）

? ?聚類方法原理介紹及適用場景

? ?常用聚類分析算法

? ?聚類算法的評價

案例：使用SKLearn實現K均值聚類

案例：使用TSNE實現聚類可視化

3、RFM模型分析

? ?RFM模型，更深入了解你的客戶價值

? ?RFM模型與市場策略

案例：航空公司客戶價值分析

第七部分：關聯規(guī)則分析實戰(zhàn)

1、關聯規(guī)則概述

2、常用關聯規(guī)則算法

3、時間序列分析

案例：使用apriori庫實現關聯分析

案例：中醫(yī)證型關聯規(guī)則挖掘

第八部分：案例實戰(zhàn)（學員主導，老師現場指導）

1、實戰(zhàn)1：電商用戶行為分析及服務推薦

2、實戰(zhàn)2：基于基站定位數據的商圈分析

結束：課程總結與問題答疑。