本章导学

1.1 开源数据分析和挖掘工具——Python

1.2 商业数据分析和挖掘工具——SAS

1.3 数据分析和挖掘一般流程

本章导学

2.1 数据类型和分布标准化

2.2 整合

2.3 抽样

2.4 离散化

2.5 主成分分析

2.6 属性变量处理

小结与思考

本章导学

3.1 期望预测误差与估计

3.2监督模型评价指标

3.3聚类模型评价指标

小结与思考

本章导学

4.1 函数关系与相关关系

4.2 两个变量之间的相关分析

4.3 两组变量之间的相关分析:典型相关

4.4 关联分析

小结与思考

本章导学

5.1 线性回归分析

5.2 非线性回归

5.3 分位数回归

5.4 离散因变量模型

小结与思考

本章导学

6.1 分类的基本原则

6.2 线性判别与贝叶斯判别

6.3 knn

6.4 决策树

6.5 随机森林

6.6 支持向量机 （SVM）

小结与思考

本章导学

7.1 聚类分析的基本原理

7.2 系统聚类

7.3 快速聚类（K-Means聚类）

7.4 DBSCAN聚类

小结与思考

本章导学

8.1 时间序列的基本问题

8.2 ARIMA模型分析过程

小结与思考

形考任务

实验1 Python编程基础实验

实验2 Pandas数据分析实验

实验3 回归分析算法实验-线性回归

实验4 分类分析算法实验-决策树

实验5 聚类算法实验K-Means

实验6 综合项目案例实战

实验1 Python编程基础实验

实验2 Pandas数据分析实验

实验3 回归分析算法实验-线性回归

实验4 分类分析算法实验-决策树

实验5 聚类算法实验K-Means

实验6 综合项目案例实战