《数据科学导论》课件.ppt

数据科学导论;课程介绍：什么是数据科学？;为什么要学习数据科学？;数据科学的应用领域;数据科学家的角色与技能;数据科学的工作流程;Python数据科学编程基础;Python环境搭建：Anaconda安装与配置;Python常用数据类型：列表、字典、元组;Python控制流：循环与条件判断;函数与模块：代码复用的基石;NumPy数组：高效的数值计算;NumPy数组的创建与操作;NumPy数组的索引与切片;NumPy数组的广播机制;NumPy常用数学函数;Pandas数据分析利器;PandasSeries：一维数据结构;PandasDataFrame：二维数据结构;数据导入与导出：CSV,Excel,SQL;数据清洗：缺失值处理;数据清洗：重复值处理;数据转换：数据类型转换;数据探索性分析(EDA);数据可视化：Matplotlib基础;绘制折线图、散点图、柱状图;绘制直方图、箱线图;数据可视化：Seaborn进阶;统计图表：分布图、关系图;可视化案例：分析泰坦尼克号数据;机器学习基础概念;监督学习：分类与回归;无监督学习：聚类与降维;模型评估：准确率、精确率、召回率;机器学习算法：线性回归;线性回归原理与应用;线性回归的评估指标;机器学习算法：逻辑回归;逻辑回归原理与应用;逻辑回归的评估指标;机器学习算法：决策树;决策树原理与应用;决策树的剪枝;机器学习算法：K-近邻算法(KNN);KNN原理与应用;如何选择合适的K值;机器学习算法：K-均值聚类(K-Means);K-Means原理与应用;如何选择合适的K值;数据预处理：特征缩放;标准化与归一化;数据预处理：特征编码;独热编码与标签编码;模型选择与调优;交叉验证;网格搜索;项目案例：房价预测;项目案例：客户流失预测;数据科学的伦理问题;