Python数据分析基础
|
1.Python数据分析概览 |
1.1
为什么使用 Python
1.2 重要的 Python 库
NumPy
Pandas
SciPy
Matplotlib
1.3 IPython和Jupyter Notebook
1.4 Python IDE 的安装和使用 |
2.
Python 语言概览 |
2.1
Python 解释器
2.2 语言设计特点
2.3 对象的调用和属性
2.4 import 引入
2.5 数据类型
2.6 控制流
2.7 数据结构和序列
2.8 函数
2.9 文件和操作系统 2.10 面向对象
2.11 异常
2.12 案例与演示 |
3.
NumPy进行多维数据处理 |
3.1
ndarray 多维数组对象处理与运算
3.2 元素级数组函数
3.3 利用数组进行数据处理
3.4 利用数组进行输入和输出
3.5 线性代数
3.6 随机数生成
3.7 【案例与演示】 |
Python数据分析进阶
|
4.
Pandas与数据处理于分析 |
4.1
Pandas 数据结构介绍
4.2 基本功能
4.3 汇总和计算描述统计
4.4 处理缺失数据
4.5 【案例与演示】 |
5
Pandas 数据加载和存储 |
5.1
读写结构化数据
5.2 读写非结构化数据
5.3 使用 HTML 和 Web API
5.4 使用数据库
5.5 【案例与演示】 |
6.
Pandas 数据预处理 |
6.1
合并数据集(以 merge 和 append 为主)
6.2 重塑和轴向旋转
6.3 数据清洗
6.4 字符串操作
6.5 【案例与演示】 |
7.
Pandas 数据聚合与分组运 算 |
7.1
GroupBy 技术
7.2 数据聚合
7.3 分组运算和转换
7.4 透视表和交叉表
7.5 【案例与演示】 |
8.
绘图与可视化 |
8.1
Matplotlib 基本操作
8.2 Pandas 中的绘图函数
8.3 【案例与演示】 |
9.
时间序列析 |
9.1
日期和时间数据类型及工具
9.2 时间数据处理
9.3 时期及其算术运算
9.4 时间序列绘图
9.5 【案例与演示】 |
Python机器学习实战 |
10.
机器学习框架Scikit-learn |
10.1
人工智能基本概念
10.2 机器学习基础概念
10.3 机器学习框架Scikit-learn原理
特征抽取
数据预处理
训练算法
使用算法
10.4 机器学习算法
分类:逻辑回归,决策树,集成学习
贝叶斯,神经网络,支持向量机
回归:线性回归
聚类:kmeans,dbscan
10.5 【案例与演示】 |
11.机器学习案例实战练习 |
案例介绍
算法分析
程序设计与实现
效果分析 |
12.LLM大模型赋能数据挖掘 |
GPTs与AI-Agent的区别
AI-Agent 的定义与构建流程
AI-Agent 实现数据获取、清洗、分析、数据挖掘(业务自动化实现)
|
13.LLM私有化大模型部署、微调与工作赋能 |
大模型管理底座Ollama介绍
Ollama+ILama部署开源大模型
API Key获取与模型微调实现
探讨大模型在其他业务场景中的应用
|