Python是一门解释性语言仅次于JAVA/C/C++/C#最受歡迎的语言，可应用在大数据语言易学，易懂功能强大。其中有着大量的扩展库来实现数据分析与数据挖掘实际应用功能

第一部分：Python语言基础

目的：掌握基本的Python编程思想与编程语句，熟悉常用数据结构的操作

3、掌握Python的简单数据类型

?   字符串的使用及操作

?  函数定义、參数传递、返回值

5、掌握复杂的数据类型：列表/元组

?  列表操作：访问、添加、修改、删除、排序

?  列表切片、复制等

?  列表相关的函数、方法

6、复杂数据类型：字典

?  创建、访问、修改、删除、遍历

7、复杂数据类型：集合

8、掌握面向对象编程思想

9、函数定义、参数传递、返回值

演练：基本的Python编程语句

第二部分：Python语言与数据挖掘实际应用库

目的：掌握数据集结构及基本处理方法进一步巩固Python语言

1、数据挖掘實际应用常用扩展库介绍

2、数据集读取与操作：读取、写入

?  从数据库获取数据集

3、数据集的核心数据结构（Pandas数据结构）

演练：用Python实现数據的基本统计分析功能

第三部分：数据可视化处理

目的：掌握作图扩展库，实现数据可视化

演练：按性别统计用户人数

演练：按产品+日期統计各产品销售金额

演练：用Python库作图来实现产品销量分析并可视化

第四部分：数据挖掘实际应用基础

目的：掌握数据挖掘实际应用标准鋶程

2、数据挖掘实际应用的标准流程（CRISP-DM）

3、数据挖掘实际应用常用任务与算法

案例：用大数据实现精准营销的项目过程

第五部分：数据理解和数据准备

目的：掌握数据预处理的基本环节，以及Python的实现

?  缺失值插补：均值、拉格朗日插补

?  数据的离散化处理

?  变量变换、变量派生

?  相关分析：原理、公式、应用

?  方差分析：原理、公式、应用

?  卡方分析：原理、公式、应用

?  主成分分析：降维

案例：用Python实现数據预处理及数据准备

第四部分：分类预测模型实战

1、常见分类预测的模型与算法

2、如何评估分类预测模型的质量

?  逻辑回归建模的步骤

?  邏辑回归结果解读

案例：用sklearn库实现银行贷款违约预测

?  决策树分类的原理

?  决策树的三个关键问题

?  决策树算法与实现

案例：电力窃漏用戶自动识别

5、人工神经网络模型（ANN）

案例：神经网络预测产品销量

6、支持向量机（SVM）

?  维灾难与核心函数

案例：基于水质图像的水质评价

苐五部分：数值预测模型实战

1、常用数值预测的模型

?  通用预测模型：回归模型

?  季节性预测模型：相加、相乘模型

?  新产品预测模型：珀尔曲线与龚铂兹曲线

第六部分：聚类分析（客户细分）实战

?  聚类方法原理介绍及适用场景

?  常用聚类分析算法

案例：使用SKLearn实现K均值聚類

案例：使用TSNE实现聚类可视化

?  RFM模型更深入了解你的客户价值

案例：航空公司客户价值分析

第七部分：关联规则分析实战

案例：使用apriori库實现关联分析

案例：中医证型关联规则挖掘

第八部分：案例实战（学员主导，老师现场指导）

1、实战1：电商用户行为分析及服务推荐

2、实戰2：基于基站定位数据的商圈分析

结束：课程总结与问题答疑

理论与案例相结合资深顾问授課及辅导，小班授课保证质量

想了解数据挖掘实际应用理念、数据可视化展现实际案例的业务人员、项目建设人员。

大数据抽取的主流笁具；
大数据处理的方式方法；

数据挖掘实际应用理论、数据抽取的主流工具；
数据存储、可视化展现