Python數據挖掘實戰

方小敏，資深機器學習工程師；中山大學數字治理研究中心技術顧問；曾服務於騰訊等知名因特網企業，熟練掌握Python、R、Spark、Hive、TensorFlow等工具進行機器學習。

第１章 數據挖掘基礎 ／1
1．1 數據挖掘是什麼 ／1
1．1．1 數據挖掘算法的類型 ／2
1．1．2 數據挖掘需要的技能 ／4
1．1．3 數據挖掘的常見誤區 ／6
1．2 數據挖掘的常見問題 ／8
1．2．1 預測問題 ／9
1．2．2 分類問題 ／9
1．2．3 聚類問題 ／11
1．2．4 關聯問題 ／12
1．3 數據挖掘的標準流程 ／13
1．3．1 商業理解 ／14
1．3．2 數據理解 ／14
1．3．3 數據準備 ／14
1．3．4 模型構建 ／15
1．3．5 模型評估 ／15
1．3．6 模型部署 ／15
1．4 數據分析和數據挖掘的區別 ／16
1．4．1 數據分析 ／16
1．4．2 數據挖掘 ／17

第２章 回歸模型 ／18
2．1 回歸模型簡介 ／18
2．2 相關分析 ／20
2．2．1 依存關係 ／20
2．2．2 相關係數的計算 ／21
2．2．3 相關係數的方向與大小 ／22
2．2．4 居民購物習慣相關分析案例 ／23
2．3 簡單線性回歸分析 ／25
2．3．1 線性回歸方程解讀 ／25
2．3．2 使用最小二乘法求解回歸方程 ／26
2．3．3 使用廣告投放費用預測銷售額案例 ／28
2．4 多重線性回歸分析 ／33
2．4．1 使用最小二乘法求解多重線性回歸方程 ／33
2．4．2 使用廣告投放費用與客流量預測銷售額案例 ／36
2．5 一元非線性回歸 ／39
2．5．1 一元非線性回歸模型 ／39
2．5．2 一元非線性回歸模型求解 ／40
2．5．3 使用上線天數預測活躍用戶數案例 ／41

第３章 分類模型 ／48
3．1 分類模型基礎 ／48
3．1．1 分類模型的建模五步驟 ／49
3．1．2 分類模型評估指標 ／50
3．1．3 K折交叉驗證 ／53
3．2 KNN模型 ／54
3．2．1 KNN模型原理 ／54
3．2．2 使用商戶數據預測是否續約案例 ／55
3．3 貝葉斯分類 ／64
3．3．1 貝葉斯分類的核心概念 ／65
3．3．2 樸素貝葉斯分類 ／67
3．3．3 樸素貝葉斯分類算法在離散型特徵上的求解 ／68
3．3．4 樸素貝葉斯分類算法在連續型特徵上的求解 ／71
3．3．5 使用議員在議案上的投票記錄預測其所屬黨派案例 ／83
3．3．6 根據商戶數據預測其是否續約案例 ／85
3．3．7 根據新聞文本預測其所屬分類案例 ／86
3．4 決策樹 ／89
3．4．1 決策樹分類 ／89
3．4．2 決策樹分類算法原理 ／91
3．4．3 使用高中生基本信息預測其是否計劃升學案例 ／93
3．4．4 案例解讀 ／102
3．5 隨機森林 ／104
3．5．1 隨機森林的特點 ／104
3．5．2 網格搜索 ／106
3．5．3 使用隨機森林算法提升決策樹算法效果案例 ／107
3．6 支持向量機 ／111
3．6．1 支持向量機的核心原理 ／111
3．6．2 根據葡萄酒成分數據預測其分類案例 ／116
3．7 邏輯回歸 ／118
3．7．1 邏輯回歸的核心概念 ／118
3．7．2 邏輯回歸的數學推導 ／119
3．7．3 使用住戶信息預測房屋是否屋主所有案例 ／120

第４章 特徵工程 ／124
4．1 描述性統計分析 ／125
4．2 數據標準化 ／127
4．2．1 Min-Max標準化 ／128
4．2．2 Z-Score 標準化 ／129
4．2．3 Normalizer歸一化 ／131
4．3 數據變換 ／132
4．3．1 二值化 ／132
4．3．2 分桶 ／135
4．3．3 冪變換 ／138
4．4 缺失值處理 ／139
4．4．1 刪除缺失值所在的行 ／140
4．4．2 均值/眾數/中值填充 ／141
4．4．3 模型填充 ／142
4．5 降維 ／143
4．5．1 主成分分析 ／143
4．5．2 因子分析 ／154

第５章 聚類算法 ／160
5．1 K均值算法 ／161
5．1．1 K均值算法的核心概念 ／161
5．1．2 電信套餐製定案例 ／164
5．2 DBSCAN算法 ／169
5．2．1 DBSCAN算法核心概念 ／170
5．2．2 用戶常活動區域挖掘案例 ／173
5．3 層次聚類算法 ／175
5．3．1 演示：聚類層次的計算過程 ／175
5．3．2 基於運營商基站信息挖掘商圈案例 ／178

第６章 關聯算法 ／184
6．1 關聯規則 ／185
6．1．1 關聯規則的核心概念 ／186
6．1．2 超市關聯規則挖掘案例 ／188
6．1．3 超市關聯規則解讀 ／192
6．2 協同過濾 ／192
6．2．1 協同過濾算法的實現 ／193
6．2．2 安裝scikit-surprise模塊 ／196
6．2．3 基於電影數據的協同過濾案例 ／197
6．3 奇異值分解 ／201

第７章 時間序列 ／206
7．1 時間序列分解 ／206
7．1．1 非季節性時間序列分解 ／207
7．1．2 季節性時間序列 ／211
7．2 序列預測 ／214
7．2．1 把不平穩的時間序列轉換成平穩的時間序列 ／214
7．2．2 自回歸模型 ／219
7．2．3 移動平均模型 ／220
7．2．4 自回歸移動平均模型 ／221

第８章 模型持久化 ／226
8．1 保存模型 ／226
8．2 恢復模型 ／228
8．3 管道模型 ／229