课程大纲

一、 数据分析和挖掘概述

1. 什么是数据分析

2. 什么是数据挖掘

3. 数据分析的常用工具

4. 数据挖掘的常用工具

5. 数据挖掘全流程简介

二、 数据预处理

在错误的数据上分析，只能得到错误的结果。

1. 数据清洗

2. 归一化处理

3. 虚拟化变量

4. 不平衡样本处理

三、 特征选择

当收集的数据有大量特征的时候，哪些特征才是有效特征，哪些特征更重要？

1. 过滤法：单变量特征选择

2. 包装法：递归特征消除

3. 维度压缩：主成分分析

四、 常用算法讲解

学习挖掘项目中常用的算法。

1. 卡方检验

2. 回归分析

3. K-Means聚类

4. CART

5. SVM

6. 神经网络

7. 协同推荐

五、 模型优化

模型输出结果不佳的时候，如何对模型进行优化？

1. 参数优化，寻找**参数

2. 使用集成算法提升模型的准确度和稳定性

a) Bagging

b) Boosting

c) Stacking

3. 集成算法实现

a) 随机森林

b) Xgboost

c) 自定义Stacking

六、 报告

模型的结果如何评估，以及如何呈现

1. 模型评估

2. 报告格式

3. 可视化呈现