本阶段将综合利用前面学习到的Python与数据分析之知识,来学习人工智能项目的开发流程,对二车手、旅游景点、工资、广告点击、音乐推荐等多种信息。
进行项目数据全方位的科学分析,来评估项目的可行性,为投资方决策项目提供科学、严禁的依据,降级项目投资的风险与可行性方案。
随着信息化的进步,数据量随之越来越大。而数据分析是一个可以让数据说话的一个岗位。因此,以后大家学完 Python后,数据分析也是一个主要的就业方向。
章节 | 内容 |
---|---|
章节1 二手车价格预测 | 1:项目简介 2:创建爬虫项目 3:爬虫页面分析 4:Scrapy爬虫实现(一) 5:Scrapy爬虫实现(二) 6:启动爬虫 7:二手车标签数据预处理 8:标签的特征处理 9:价格分析 10:销量及占有比重分析 11:价格分区概率分析(以大众为例) 12:特征工程 13:建模 |
章节2 旅游景点票价预测 | 14:项目介绍 15:创建项目 16:页面分析 17:爬虫实现(一) 18:爬虫实现(二) 19:数据预处理 20:数据分析(一) 21:数据分析(二) 22:数据分布分析 23:建模前数据预处理 24:建模 |
章节3 工资分类预测 | 25:项目背景及数据来源介绍 26:数据的理解 27:数据分析 28:数据预处理和特征工程1 29:数据预处理和特征工程2 30:特征衍生 31:特征编码 32:特征相关性与降维 33:建模与评估 |
章节4 广告点击转化率预测 | 34:项目背景 35:数据解释 36:Baseline模型(基于AD统计) 37:Baseline模型(基于AD+LR的版本) 38:数据分析1 39:数据分析2 40:特征工程1 41:特征工程2 42:算法选择与调参 |
章节5 文本分类-自然语言处理 | 43:项目介绍 44:分词 45:做词云 46:自定义词云背景图 47:基于 TF-IDF 算法的关键词抽取 48:基于 TextRank 算法的关键词抽取 49:词袋模型 50:LDA建模 51:数据准备 52:朴素贝叶斯简介 53:模型训练 54:自定义模型 55:cnn文本分类 56:LSTM文本分类 |
章节6 音乐推荐系统 | 57:推荐系统概述 58:推荐系统解决方案 59:协同过滤算法1 60:协同过滤算法2 61:音乐推荐系统概述 62:Surprise介绍 63:构建训练数据集 64:最相似歌单 65:用户预测 |
章节7 银行客户流失分析 | 66:银行业客群及产品类别 67:客户流失预警 68:数据描述 69:数据分析 70:数据预处理(填充缺失值) 71:数据预处理(数字编码) 72:数据预处理(两变量的比) 73:调用预处理函数 74:特征工程 75:建模 76:调 |
章节8 申请评分卡 | 77:信用违约风险 78:申请评分卡 79:数据解释与非平衡样本 80:项目流程 81:数据预处理1 82:数据预处理2 83:数据预处理3 84:特征衍生 85:卡方检验 86:卡方分箱原理 87:工具函数 88:变量的相关性分析 89:建模、调参 |
另附本章节课程资料