| 第1天 |
| |
| 优点 1、python语言更接近自然语言 2、python是开放源码的自由软件 3、python可移植在各种平台上 4、python支持面向过程的函数编程，也支持面向对象的抽象编程 5、可扩展和可嵌入 6、各种功能丰富的库 7、编码规范。各种强制缩进方式提供了可读性。 不足 8、运行速度可能不理想。 9、python是开源软件，通过封装加密进行商业化，就是一个问题。 10,、繁多的标准库和第三方库 |
| |
| 1、NumPy （numerical python） 2、Pandas 处理结构化数据的大量数据结构和函数 3、Matplotlib 绘制数据图表 4、IPython 交互式窗口，科学计算工具集的一部分 5、SciPy 专门解决科学计算中，标准问题域的包的集合。 6、Scikit-learn 机器学习库 |
| |
| 1、anaconda 2、Windows系统下的安装 3、Linux系统下的安装 |
| |
| 1、IPython交互式计算和开发环境 2、Ipython启动、简单命令 3、内省 4、使用历史命令 5、与操作系统交互 6、软件开发工具 7、ipython html notebook 8、用ipython提高代码开发效率 9、ipython高级功能 |
| |
| 1、利用python提高代码效率的几点提示 2、高级Ipython功能 |
|
| |
| 1、NumPy的ndarray：多维数组 2、通用函数 数组函数 3、利用数组进行数据处理 4、用于数组文件的输入输出 5、线性代数 6、随机数生产 7、随机漫步 |
| |
| 1、pandas的数据结构介绍 2、基本功能 3、汇总和计算描述统计 4、处理缺失数据 5、层次化索引 6、其他有关pandas的话题 |
| |
| 1、读写文本格式的数据 2、二进制数据格式 3、使用HTML和Web API 4、使用数据库 5、使用excel文件 6、使用hadoop大数据 |
| |
| 1、合并数据集 2、重塑和轴向旋转 3、数据转换 4、字符串操作 |
| |
| 1、python的图形化工具生态系统 2、matplotlib API入门 3、pandas中的绘图函数 4、绘制地图 |
|
| |
| 1、GroupBy技术 2、数据聚合 3、分组运算和转换 4、透视表和交叉表 |
| |
| 1、日期和时间数据类型及工具 2、时间序列基础 3、日期的范围、频率以及移动 4、时区处理 5、时期及其算数运算 6、重采样及频率转换 7、时间序列绘图 8、移动窗口函数 9、性能和内存使用方面的注意事项 |
| |
| 1、ndarray对象的内部机制 2、高级数组操作 3、广播 4、ufunc高级应用 5、结构化和记录式数组 6、关于排序 7、numpy的matrix类 8、高级数组输入输出 9、性能建议 |
| |
| 1、纯python 2、用numpy向量化 3、用对数欧拉方法实现全向量化 4、图形化分析 5、技术分析 |
| |
| |
|
| |
| 1、基本理论 2、数据 3、投资组合优化 4、有效边界 5、资本市场线 |
| |
| 1、k近邻算法概述 2、准备数据：从文本文件中解析数据 3、分析数据：使用matplotlib创建散点图 4、准备数据：归一化数值 5、测试算法：作为完整程序验证分类器 6、使用算法：构建完整可用的系统 |
| |
| 1、决策树的构造 信息增益 划分数据集 递归构建决策树 2、使用matplotlib注解绘制树形图 matplotlib注解 构造注解树 3、测试和存储分类器 测试算法：使用决策树执行分类 使用算法：决策树的存储 |
| |
| 1、基于贝叶斯决策理论的分类方法 2、条件概率 3、使用条件概率来分类 4、使用朴素贝叶斯进行文档分类 5、使用python进行文本分类 |
| |
| 1、基于Logistic回归和sigmoid函数的分类 2、基于最优化方法的 最佳回归系数确定 梯度上升法 训练算法：使用梯度上升找到最佳参数 分析数据：画出决策边界 训练算法：随机梯度上升 |
|
| |
| 1、SVM应用的一般框架 2、基于最大间隔分隔数据 3、寻找最大间隔 4、SMO高效优化算法 5、利用完整plattSMO算法加速优化 6、在复杂数据上应用核函数 |
| |
| 1、用线性回归找到最佳拟合直线 2、局部加权线性回归 3、缩减系数来“理解”数据 岭回归 lasso 向前逐步回归 4、权衡偏差与方差 |
| |
| 1、复杂数据的局部性建模 2、连续和离散型特征的树的构建 3、将CART算法用于回归 构建树 运行代码 4、树剪枝 预剪枝 后剪枝 5、模型树 6、树回归与标准回归的比较 |
| |
| 1、mapreduce：分布式计算框架 2、hadoop流 3、mapreduce上的机器学习 4、在python中使用mrjob来自动化MapReduce 5、真的需要MapReduce吗？ |
