Python 数据挖掘与机器学习
模块一：Python编程
Python编程入门
1、Python环境搭建
2、如何选择Python编辑器？
3、Python基础
4、常见的错误与程序调试
5、第三方模块的安装与使用
6、文件读写（I/O）
Python进阶与提高
1、Numpy模块库
2、Pandas模块库
3、Matplotlib基本图形绘制
4、图形样式的美化
5、图形的布局
6、高级图形绘制
7、坐标轴高阶应用
模块二：特征工程
数据清洗
1、描述性统计分析
2、数据标准化与归一化
3、数据异常值、缺失值处理
4、数据离散化及编码处理
5、手动生成新特征
变量降维
1、主成分分析（PCA）的基本原理
2、偏最小二乘（PLS）的基本原理
特征选择
1、常见的特征选择方法
群优化算法
1、遗传算法
2、遗传算法的Python代码实现
3、实践一：一元函数的寻优计算
4、实践二：离散变量的寻优计算（特征选择）
模块三：回归拟合模型
线性回归模型
1、一元线性回归模型与多元线性回归模型
2、岭回归模型
3、LASSO模型
4、Elastic Net模型
前向型神经网络
1、BP神经网络的基本原理
2、BP神经网络的Python代码实现
3、BP神经网络参数的优化
4、值得研究的若干问题
5、极限学习机（Extreme Learning Machine, ELM）的工作原理
模块四：分类识别模型
KNN、贝叶斯分类与支持向量机
1、KNN分类模型
2、朴素贝叶斯分类模型
3、SVM的工作原理
决策树、随机森林、LightGBM、XGBoost
1、决策树的工作原理
2、随机森林的工作原理
3、Bagging与Boosting的区别与联系
4、AdaBoost vs. Gradient Boosting的工作原理
5. 常用的GBDT算法框架（XGBoost、LightGBM）
模块五：聚类分析算法
K均值、DBSCAN、层次聚类
1、K均值聚类算法的工作原理
2、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法的工作原理
层次聚类算法的工作原理
模块六：关联分析算法
关联规则协同过滤Apriori算法
1、关联规则算法的工作原理
2、协同过滤算法的工作原理
3、Apriori算法的工作原理