2021年第六期_全国高校大数据与人工智能师资研修班

课程模块：Excel数据分析基础与实战、Power BI数据分析与可视化

实战案例：新零售无人智能售货机可视化项目、疫情期间湘鄂省区物流数据分析、学生校园卡消费行为分析、水果卖场销售检测可视化

详见附件一 商务数据分析实战课程大纲

课程模块：Python编程基础、Python数据分析与应用；Python网络爬虫：概述与静态网页采集、动态网页采集与模拟登陆、Scrapy爬虫、数据采集与处理实战-《红海行动》B站弹幕采集与分析

案例实战：全国汽车销量可视化、农产品信息采集与可视化分析

详见附件二 Python网络爬虫与数据处理实战课程大纲

课程模块：Python编程基础、Python数据分析与应用、数据挖掘/机器学习算法原理与实现

案例实战：水产养殖水质智能识别、运营商流失用户分析与预测、百货商场用户画像描绘与价值分析

综合实战：天猫用户重复购买预测

详见附件三 Python数据挖掘与机器学习实战课程大纲

课程模块：Python编程基础、Python数据分析与应用、机器学习算法原理与实现、智能推荐算法、BP神经网络与TensorFlow2实战、TensorFlow2深度学习原理及实战

综合案例：O2O优惠券使用预测、大数据法律服务智能推荐、广电大数据营销推荐、基于深度学习的推荐系统受众性别预测。

详见附件四 基于人工智能推荐系统应用实战课程大纲

费用

支付方式

联系人：曾老师   电话：13246821827    微信：antonia602501

11月20日

18:30 - 22:00

1.1 认识数据分析

1.2 认识Excel 2016

2.1 获取文本数据

2.2 从数据库获取数据

3.1 排序

3.2 筛选

3.3 分类汇总

4.1 认识公式和函数

4.2 数组公式

4.3 日期和时间函数

4.4 数学函数

4.5 统计函数

4.6 文本函数

4.7 逻辑函数

5.1 透视表的创建和修改

5.2 透视表的操作

5.3 透视图的操作

操作演练

11月21日

18:30 - 22:00

6.1 对比分析

6.2 趋势分析

6.3 饼图

6.4 散点图

6.5 雷达图

7.1 案例背景

7.2 数据预处理

8 商品销售分析

9 库存分析

10 用户分析

11 分析报告

操作演练

11月22日

18:30 - 22:00

1.1 认识数据分析(Power BI)

1.2 常用数据可视化软件

1.3 认识Power BI

2 数据获取

2.1 获取数据的方式

2.2 数据获取

3 M语言数据建模与处理

3.1 编辑器和M语言

3.2 获取网络分页数据

3.3 清洗数据

3.4 数据集成

3.5 规约数据

操作演练

11月23日

18:30 - 22:00

4 DAX语言数据处理

4.1 DAX语言

4.2 DAX语言处理标间关系

4.3 DAX函数使用实例

4.4 数据查询操作

5 数据分析可视化

5.1 可视化

5.2 认识对比分析

5.3 对比分析图表绘制操作

11月24日

18:30 - 22:00

5.4 认识结构分析

5.5 结构分析可视化操作

5.6 相关分析

5.7 相关分析可视化操作

5.8 描述性分析

5.9 描述性分析可视化操作

5.10 KPI图标分析

5.11 KPI分析可视化操作

6 数据分析报表

6.1 认识Power BI报表

6.2 完整的分析报表：会员数据分析

6.3 完整分析报表的操作

7 Power BI移动版数据部署

7.1 移动版发布一份分析报表

7.2 仪表板的使用

11月25日

18:30 - 22:00

1 了解某公司自动售货机现状

1.1 分析某公司自动售货机现状

1.2 认识自动售货机案例分析的步骤与流程

2 数据获取、预处理与建模

2.1 清洗数据

2.2 规约数据

2.3 数据建模

3 数据分析及可视化

3.1 销售分析及可视化

3.2 库存分析及可视化

3.3 用户分析及可视化

4 数据部署

4.1 整理销售分析报表

4.2 整理库存分析和用户分析报表

4.3 发布自动售后机案例报表

5 便利店销售业绩分析

11月26日

18: 30 - 22:00

1 背景及分析目标

2 数据加载与预处理

3.1 两省结算方式比较

3.2 两省总利润比较

3.3 两省运输方式比较

3.4 两省利润趋势分析

3.5 两省送回小包装数量趋势分析

3.6 两省货物性质比较

3.7 两省折后金额趋势分析

3.8 湖北医疗物资数量分析

3.9 图表整理

4 小结

11月27日

18:30 - 22:00

1 案例背景与目标

1.1 案例背景解读

1.2 挖掘目标分析

2 数据预处理

2.1 预处理：读取数据和异常值

2.2 预处理：缺失值

2.3 预处理：重复值与合并数据

3 数据分析

3.1 食堂消费数据分析

3.2 学生消费行为分析

4 小结

11月28日

18:30 - 22:00

1 案例背景和目标

2 数据预处理

3 水果卖场销售数据分析

3.1 水果卖场销售图

4 水果产品销售分析

4.1 水果产品销售柱状图

5 小结

11月29日

19:00 - 21:00

Python编程基础

1 准备工作

2 列表操作

3 程序流程控制语句

4 字符串操作

4.1 字符串及其索引&切片

4.2 字符串的常见方法

4.3 字典的创建及索引

4.5 字典推导式

5 Python文件读取操作

5.1 Python读取文件

5.2 练习3：统计小说中的单词频次

6 函数

6.1 Python函数自定义

6.2 练习4：自定义求序列偶数个数的函数

7 面向对象与模块

7.1 Python方法与函数对比介绍

7.2 Python面向对象示例

7.3 Python模块使用

7.4 第三方库的安装与调用

8 注意事项

8.1 Python工作路径说明

8.2 模块命令及存放路径的注意事项

8.3 结语

Python数据分析与应用

1 Python数据分析概述

1.1 认识数据分析

1.2 熟悉Python数据分析的工具

1.3 安装Anaconda与掌握Jupyter Notebook常用功能

2 NumPy数值计算基础

2.1 掌握NumPy数值计算基础

2.1.1 NumPy简介

2.1.2 数组创建及基础属性

2.1.3 初识数组的特点

2.1.4 创建常用数组

2.1.5 数组数据类型

2.1.6 生成随机数

2.1.7 一维数组的索引

2.1.8 逻辑型索引

2.1.9 多维数组的索引

2.1.10 求解距离矩阵

2.1.11 变化数组shape

2.2 掌握NumPy矩阵与通用函数

2.2.1 NumPy矩阵介绍

2.2.2 NumPy通用函数介绍

2.2.3 通用函数的广播机制

2.3 利用NumPy进行统计分析

2.3.1 NumPy读写二进制文件

2.3.2 NumPy读写txt文件

2.3.3 利用NumPy对数据进行简单统计分析

3 Pandas统计分析基础

3.1 Pandas简介

3.2 读写不同数据源的数据

3.2.1 Pandas读取文本数据

3.2.2 存储数据框

3.2.3 Pandas读取excel文件

3.2.4 将数据框存储为excel文件

3.3 数据框与数据框元素

3.3.1 构建数据框

3.3.2 查看数据框的常用属性

3.3.3 按行列顺序访问数据框中的元素

3.3.4 按行列名称访问数据框中的元素

3.3.5 修改数据框中的元素

3.3.6 删除数据框中的元素

3.3.7 描述分析数据框中的元素

11月21日

18:30 - 22:00

1 Python爬虫环境与爬虫简介

1.1 认识爬虫

1.1.1 常见网上冲浪过程

1.1.2 爬虫的概念

1.1.3 爬虫合法性

1.2 认识反爬虫

1.3 配置Python爬虫环境

2 网页前端基础

2.1 认识网络信息传输过程

2.1.1 网络传输模型

2.1.2 网络信息传输过程

2.2 认识HTTP

2.2.1 认识HTTP

2.2.2 熟悉Cookie

3 简单静态网页爬取

3.1 认识静态网页

3.2 实现HTTP请求

3.2.1 创建工程

3.2.2 生成HTTP请求

3.2.3 完善HTTP请求

3.3 解析网页

3.3.1 为什么要解析网页

3.3.2 初识Xpath

3.3.3 Xpath相对路径及属性查找

3.3.4 使用BeatifulSoup解析网页

3.3.5 网页解析小结

3.4 存储数据

3.4.1 认识chrom开发者工具

3.4.2 任务演练：爬取并存储泰迪科技官网首页数据

操作演练

11月22日

18:30 - 22:00

4 认识动态网页

4.1 认识动态网页

4.2 逆向分析爬取动态网页

4.2.1 通过网页源码追踪目标数据文件地址

4.2.2 通过开发者工具追踪目标数据文件地址

4.2.3 爬取数据并进行保存

4.3 使用Selenium库爬取动态网页

4.3.1 搭建Selenium环境

4.3.2 利用Selenium获取网页数据

4.3.3 利用Selenium控制点击操作

5 模拟登录

5.1 使用表单登录方法实现模拟登录

5.1.1 模拟登录的过程

5.1.2 查找提交入口和表单数据

5.1.3 提交表单完成模拟登录

5.1.4 使用表单登录的注意事项

5.2 使用Cookie登录方法实现模拟登录

5.3 使用Selenium模拟登录

11月23日

18:30 - 22:00

6 Scrapy爬虫

6.1 认识Scrapy

6.2 通过Scrapy爬取基本页面信息

6.2.1 创建项目

6.2.2 指定字段及创建spiders

6.2.3 完成spiders编写

6.2.4 运行程序保存数据

6.3 通过Scrapy抓取跳转页面数据

6.3.1 任务介绍及项目创建

6.3.2 获取所有页面的url

6.3.3 获取每个页面的新闻二次页面的url

6.3.4 提取各新闻二次页面中的目标数据

6.3.5 运行程序保存数据

7 拓展：终端协议及爬取工具介绍

11月24日

18:30 - 22:00

1.1 Matplotlib绘制流程说明

1.2 添加文本和修改绘图风格

1.3 rc参数

1.4 散点图

1.5 折线图

1.6 直方图和条形图

1.7 饼图

1.8 箱线图

1.9 人口特征间分布

1.10 人口各个特征分布

2.1 Pyecharts基础介绍

2.2 Pyecharts绘制日历图

2.3 Pyecharts绘制漏斗图

2.4 Pyecharts绘制仪表图

2.5 Pyecharts绘制水球图

2.6 Pyecharts绘制关系图

2.7 Pyecharts绘制直角坐标系图表

2.8 Pyecharts绘制饼图

2.9 Pyecharts绘制雷达图

2.10 Pyecharts绘制词云图

2.11 Pyecharts绘制柱状图

2.12 Pyecharts绘制树形图

2.13 Pyecharts绘制地理图表

2.14 Pyecharts绘制3D图表

11月25日

18: 30 - 22:00

1 背景及目标-B站弹幕数据采集分析

2 数据采集

2.1 定位弹幕数据文件的位置

2.2 采集弹幕数据

2.3 解析及保存弹幕数据

2.4 弹幕数据采集小结

3 数据处理与分析

3.1 对弹幕内容进行分词

3.2 去除停用词

3.3 统计词频

3.4 绘制词云图

3.5 处理弹幕发送时间数据

3.6 弹幕发布数量分布图

3.7 弹幕发布数量随日期变化图

3.8 其他图形绘制

3.9 从弹幕数量变化看影评情节特点

4 总结

11月26日

18:30 - 22:00

1 项目背景与挖掘目标

2.1 数据加载与数据探索_汽车销售数据可视化分析

2.2.1 各车系销售情况可视化与分析

2.2.2 各车类销售情况可视化分析

2.3 不同价格区间汽车销售情况可视化分析

2.4 汽车厂商销售量的可视化分析

2.5 不同车型汽车销售量的可视化分析

2.6 汽车销量时序分析

2.7 不同城市销售量的可视化分析

2.8 不同省份销售量的可视化分析

3.1 不同厂商目标销量与实际销量的可视化分析(1)

3.2 不同厂商目标销量与实际销量的可视化分析(2)

4 小结

11月27日

18:30 - 22:00

1 项目背景与挖掘目标

2 信息爬取

2.1 获取历年省级以上审定品种网址

2.2 单页信息数据探索

2.3 单个部门数据爬取

2.4 所有信息爬取

3 数据探索与预处理

3.1 数据探索

3.2 异常值处理

3.3 重复值处理

3.4 提取审定方

3.5 提取水稻母本

4 数据分析与可视化

4.1 省级以上部门与水稻品种分析

4.1.1 分析省级以上部门审定数量

4.1.2 分析水稻品种数量

4.1.3 分析省级以上部门与水稻品种的关系

4.2 省级以上审定方分析

4.3 常用水稻母本分析

4.4 常见审定公司分析

5 总结

11月28日

19:00 - 21:00

Python编程基础

1 准备工作

2 列表操作

3 程序流程控制语句

4 字符串操作

4.1 字符串及其索引&切片

4.2 字符串的常见方法

4.3 字典的创建及索引

4.5 字典推导式

5 Python文件读取操作

5.1 Python读取文件

5.2 练习3：统计小说中的单词频次

6 函数

6.1 Python函数自定义

6.2 练习4：自定义求序列偶数个数的函数

7 面向对象与模块

7.1 Python方法与函数对比介绍

7.2 Python面向对象示例

7.3 Python模块使用

7.4 第三方库的安装与调用

8 注意事项

8.1 Python工作路径说明

8.2 模块命令及存放路径的注意事项

8.3 结语

11月20日

18:30 - 22:00

Python数据分析与应用

1 Python数据分析概述

1.1 认识数据分析

1.2 熟悉Python数据分析的工具

1.3 安装Anaconda与掌握Jupyter Notebook常用功能

2 NumPy数值计算基础

2.1 掌握NumPy数值计算基础

2.1.1 NumPy简介

2.1.2 数组创建及基础属性

2.1.3 初识数组的特点

2.1.4 创建常用数组

2.1.5 数组数据类型

2.1.6 生成随机数

2.1.7 一维数组的索引

2.1.8 逻辑型索引

2.1.9 多维数组的索引

2.1.10 求解距离矩阵

2.1.11 变化数组shape

2.2 掌握NumPy矩阵与通用函数

2.2.1 NumPy矩阵介绍

2.2.2 NumPy通用函数介绍

2.2.3 通用函数的广播机制

2.3 利用NumPy进行统计分析

2.3.1 NumPy读写二进制文件

2.3.2 NumPy读写txt文件

2.3.3 利用NumPy对数据进行简单统计分析

3 Matplotlib数据可视化基础

3.1 掌握绘图基础语法与常用参数

3.1.1 Matplotlib介绍

3.1.2 基础图形绘制

3.1.3 常用参数设置

3.2 分析特征间关系

3.2.1 绘制散点图

3.2.2 散点图参数设置

3.2.3 绘制折线图

3.3 分析特征内部数据分布与分散情况

3.3.1 绘制直方图

3.3.2 绘制饼图

3.3.3 绘制箱线图

11月21日

18:30 - 22:00

4 Pandas统计分析基础

4.1 Pandas简介

4.2 读写不同数据源的数据

4.2.1 Pandas读取文本数据

4.2.2 存储数据框

4.2.3 Pandas读取excel文件

4.2.4 将数据框存储为excel文件

4.3 数据框与数据框元素

4.3.1 构建数据框

4.3.2 查看数据框的常用属性

4.3.3 按行列顺序访问数据框中的元素

4.3.4 按行列名称访问数据框中的元素

4.3.5 修改数据框中的元素

4.3.6 删除数据框中的元素

4.3.7 描述分析数据框中的元素

4.4 转换与处理时间序列数据

4.4.1 转换成时间类型数据

4.4.2 时间类型数据的常用操作

4.5 使用分组聚合进行组内计算

4.5.1 groupby分组操作

4.5.2 agg聚合操作

4.6 创建透视表与交叉表

4.6.1 生成透视表

4.6.2 生成交叉表

5 使用Pandas进行数据预处理

5.1 合并数据

5.1.1 表堆叠

5.1.2 主键合并

5.1.3 重叠合并

5.2 清洗数据

5.2.1 检测与处理重复值

5.2.2 检测与处理缺失值

5.2.3 检测与处理异常值

5.3 标准化数据

5.4 转换数据

5.4.1 哑变量处理

5.4.2 离散化连续型数据

11月22日

18:30 - 22:00

1 机器学习绪论

1.1 引言

1.2 基本术语

1.3 假设空间&归纳偏好

2 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.3 性能度量

2.4 性能度量Python实现

3 回归分析

3.1 线性回归基本形式

3.2 线性回归模型的Python实现

3.3 波士顿房价预测的Python实现

3.4 逻辑回归介绍

3.5 研究生入学录取预测的Python实现

4 决策树

4.1 从女生相亲到决策树

4.2 明天适合打球吗

4.3 决策树拆分属性选择

4.4 决策树算法家族

4.5 泰坦尼克号生还者预测-数据预处理

4.6 泰坦尼克号生还者预测-模型构建与预测

11月23日

18:30 - 22:00

5 人工神经网络

5.1 单个神经元介绍

5.2 经典网格结构介绍

5.3 神经网络工作流程演示

5.4 如何修正网络参数-梯度下降法

5.5 网络工作原理推导

5.6 网络搭建准备

5.7 样本从输入层到隐层传输的Python实现

5.8 网络输出的Python实现

5.9 单样本网络训练的Python实现

5.10 全样本网络训练的Python实现

5.11 网络性能评价

5.12 调用sklearn实现神经网络算法

6 最近邻算法(KNN)

6.1 KNN算法介绍

6.2 KNN算法解决鸢尾花分类问题

7 朴素贝叶斯

7.1 非洲人还是北美人

7.2 为什么有“朴素”二字

7.3 拉普拉斯修正

7.4 用高斯朴素贝叶斯算法解决鸢尾花分类问题

11月24日

18: 30 - 22:00

8 聚类分析

8.1 聚类分析概述

8.2 相似性度量

8.3 K-Means聚类分析算法介绍

8.4 利用K-Means算法对鸢尾花进行聚类

8.5 聚类结果的性能度量

8.6 调用sklearn实现聚类分析

9 集成学习

9.1 集成学习基本概念

9.2 并行集成算法-Bagging&RandomForest

9.3 模型评价

10 小结

11月25日

18: 30 - 22:00

1 案例背景与目标

2 读取一张图片数据

3 获取图片数据的像素值矩阵

4 截取图像的有效区域

5 水质图像特征-颜色矩

6 三个颜色矩的Python实现

7 如何进行批量化数据转换

8 自定义函数获取指定路径中的所有图片名称

9 处理所有图片数据

10 数据处理代码整理

11 模型构建与性能评估

11月26日

18:30 - 22:00

1.1 背景与目标

1.2 案例思路分析

2.1 数据探索

2.2 数据去重及删除无关属性

2.3 用户分组及标签构建

2.4 提取用户基本信息和在网时长

2.5 处理合约是否有效

2.6 处理合约计划到期时间

2.7 其余变量处理

2.8 特征拼接及缺失值处理

2.9 数据保存

3.1 特征选择介绍

3.2 皮尔逊特征选择

3.3 处理样本类别不均衡问题

4.1 模型性能评估介绍

4.2 模型构建及性能评估

11月27日

18:30 - 22:00

1 背景与分析目标

2.1 会员信息表处理

2.2 销售流水表处理

3.1 会员年龄分析

3.2 不同年龄的消费能力

3.3 不同性别的消费情况

3.4 会员和非会员消费情况

3.5 商场会员年消费趋势

3.6 不同月份的消费趋势

3.7 每年每月的消费金额趋势

3.8 不同时刻的消费情况

4.1 用户画像介绍

4.2 会员基本信息标签

4.3 会员消费特征标签

4.4 会员商品偏好标签

4.5 生成用户画像

5.1 会员细分介绍

5.2 K-Means算法实现会员聚类

5.3 结果分析

11月28日

18:30 - 22:00

1.1 案例背景与挖掘目标

2.1 工程环境准备

2.2 缺失值处理和数据去重

2.3 数据分析探索

3.1 特征工程介绍

3.2 原始特征

3.3 用户与店铺的关系特征统计

3.3.1 用户相关特征：用户在平台的总交互次数

3.3.2 用户相关特征：用户最近一次购买距离第一次的时长

3.4.1 商家相关特征：商家被交互的数量

3.4.2 商家相关特征：商家的复购次数

3.5.1 用户和商家相关特征：用户在商家的交互次数

3.5.2 用户和商家相关特征：不同用户在不同商家购买率

3.6 离散型特征处理

4.1 建模前的数据处理

4.2 模型构建

4.3 模型训练和评估

4.4 模型应用

5 小结

11月29日

19:00 - 21:00

Python编程基础

1 准备工作

2 列表操作

3 程序流程控制语句

4 字符串操作

4.1 字符串及其索引&切片

4.2 字符串的常见方法

4.3 字典的创建及索引

4.5 字典推导式

5 Python文件读取操作

5.1 Python读取文件

5.2 练习3：统计小说中的单词频次

6 函数

6.1 Python函数自定义

6.2 练习4：自定义求序列偶数个数的函数

7 面向对象与模块

7.1 Python方法与函数对比介绍

7.2 Python面向对象示例

7.3 Python模块使用

7.4 第三方库的安装与调用

8 注意事项

8.1 Python工作路径说明

8.2 模块命名及存放路径的注意事项

8.3 结语

Python数据分析与应用

1 Python数据分析概述

1.1 认识数据分析

1.2 熟悉Python数据分析的工具

1.3 安装Anaconda与掌握Jupyter Notebook常用功能

2 NumPy数值计算基础

2.1 掌握NumPy数值计算基础

2.1.1 NumPy简介

2.1.2 数组创建及基础属性

2.1.3 初识数组的特点

2.1.4 创建常用数组

2.1.5 数组数据类型

2.1.6 生成随机数

2.1.7 一维数组的索引

2.1.8 逻辑型索引

2.1.9 多维数组的索引

2.1.10 求解距离矩阵

2.1.11 变化数组shape

2.2 掌握NumPy矩阵与通用函数

2.2.1 NumPy矩阵介绍

2.2.2 NumPy通用函数介绍

2.2.3 通用函数的广播机制

2.3 利用NumPy进行统计分析

2.3.1 NumPy读写二进制文件

2.3.2 NumPy读写txt文件

2.3.3 利用NumPy对数据进行简单统计分析

3 Matplotlib数据可视化基础

3.1 掌握绘图基础语法与常用参数

3.1.1 Matplotlib介绍

3.1.2 基础图形绘制

3.1.3 常用参数设置

3.2 分析特征间关系

3.2.1 绘制散点图

3.2.2 散点图参数设置

3.2.3 绘制折线图

3.3 分析特征内部数据分布与分散情况

3.3.1 绘制直方图

3.3.2 绘制饼图

3.3.3 绘制箱线图

4 Pandas统计分析基础

4.1 Pandas简介

4.2 读写不同数据源的数据

4.2.1 Pandas读取文本数据

4.2.2 存储数据框

4.2.3 Pandas读取excel文件

4.2.4 将数据框存储为excel文件

4.3 数据框与数据框元素

4.3.1 构建数据框

4.3.2 查看数据框的常用属性

4.3.3 按行列顺序访问数据框中的元素

4.3.4 按行列名称访问数据框中的元素

4.3.5 修改数据框中的元素

4.3.6 删除数据框中的元素

4.3.7 描述分析数据框中的元素

4.4 转换与处理时间序列数据

4.4.1 转换成时间类型数据

4.4.2 时间类型数据的常用操作

4.5 使用分组聚合进行组内计算

4.5.1 groupby分组操作

4.5.2 agg聚合操作

4.6 创建透视表与交叉表

4.6.1 生成透视表

4.6.2 生成交叉表

5 使用Pandas进行数据预处理

5.1 合并数据

5.1.1 表堆叠

5.1.2 主键合并

5.1.3 重叠合并

5.2 清洗数据

5.2.1 检测与处理重复值

5.2.2 检测与处理缺失值

5.2.3 检测与处理异常值

5.3 标准化数据

5.4 转换数据

5.4.1 哑变量处理

5.4.2 离散化连续型数据

11月21日

18:30 - 22:00

主讲：冯国灿教授

主题内容：计算机视觉计算及其应用

11月21日

18:30 - 22:00

1.1 引言

1.2 基本术语

1.3 假设空间&归纳偏好

2 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.3 性能度量

2.4 性能度量Python实现

3 回归分析

3.1 线性回归基本形式

3.2 线性回归模型的Python实现

3.3 波士顿房价预测的Python实现

3.4 逻辑回归介绍

3.5 研究生入学录取预测的Python实现

4 聚类分析

4.1 聚类分析概述

4.2 相似性度量

4.3 K-Means聚类分析算法介绍

4.4 利用K-Means算法对鸢尾花进行聚类

4.5 聚类结果的性能度量

4.6 调用scikit-learn实现聚类分析

操作演练

11月22日

18:30 - 22:00

1 智能推荐简介

1.1 什么是推荐系统

1.2 智能推荐的应用

2 智能推荐性能度量

2.1 离线实验评价指标

2.2 用户调查评价指标

2.3 在线实验评价指标

3 关联规则

3.1 常用关联规则算法

3.2 Apriori

3.3 FP-Growth

4 协同过滤推荐算法

4.1 基于用户的协同过滤

4.2 基于物品的协同过滤

5 经典排序算法

5.1 Ranking与用户画像

5.2 Factorization Machine模型简介

5.3 Factorization Machine模型实现

5.4 基于FM实现Ranking精排序

操作演练

11月23日

18:30 - 22:00

1 BP神经网络

1.1 单个神经元介绍

1.2 经典网络结构介绍

1.3 神经网络工作流程演示

1.4 如何修正网络参数，梯度下降

1.5 网络工作原理推导

1.6 网络搭建准备

1.7 样本从输入层到隐层传输的Python实现

1.8 网络输出的Python实现

1.9 单样本网络训练的Python实现

1.10 全样本网络训练的Python实现

1.11 网络性能评价

1.12 调用scikit-learn实现神经网络算法

2 任务1：构建一个线性模型

2.1 TensorFlow2介绍

2.2 TensorFlow2常用数据类型和操作

2.3 初始化模型

2.4 构建损失函数

2.5 模型训练及可视化

2.6 使用高阶API-Keras

3 任务2：MNIST手写数字识别

3.1 数据读取及探索

3.2 交叉熵

3.3 模型构建及训练

3.4 调用保存好的模型对新样本进行预测

11月24日

18:30 - 22:00

1.1 深度神经网络-引言

2 卷积神经网络CNN

2.1 浅层神经网络的局限

2.2 卷积操作

2.3 卷积操作的优势

2.4 池化及全连接

2.5 高维输入及多filter卷积

2.6 实现卷积操作

2.7 实现池化操作

3 循环神经网络RNN

3.1 循环神经网络简介

3.2 循环神经网络的常见结构

4 长短时记忆网络LSTM

4.1 LSTM的三个门

4.2 LSTM三个门的计算示例

4.3 利用RNN&LSTM实现mnist手写数字识别

11月25日

18:30 - 22:00

1 背景与目标

2.1 线下训练集数据介绍

2.2 向上训练集数据介绍

2.3 测试数据介绍

2.4 项目流程介绍

3.1 构建正样本

3.2 构建负样本

3.3 构建样本标签

4.1 特征构建介绍

4.2 处理Discount_rate列

4.3 特征1-折扣率

4.4 特征2-商户与用户之间的距离

11月26日

18: 30 - 22:00

5.1 构建前数据准备

5.2 初级模型构建

5.3 ROC曲线与AUC值

5.4 模型性能评估

5.5 训练函数封装

5.6 模型预测

5.7 预测函数封装

6.1 特征3-优惠券流行度

6.2 特征4-用户在商家中的消费次数

6.3 如何进行特征拼接

6.4 拼接训练集的特征

6.5 拼接测试集的特征

7.1 模型训练

7.2 预测

7.3 代码整理

7.4 结果提交

11月27日

18:30 - 22:00

1 智能推荐介绍

2 背景与挖掘目标

3.1 读取用户访问数据

3.2 统计不同类型的网页访问次数

3.3 探索101和1999类型网页的访问次数

3.4 统计用户点击次数

3.5 网页点击分析

3.6 翻页网址探索

4.1 脏数据探索

4.2 脏数据处理规则汇总

4.3 脏数据处理操作实现

4.4 翻页网址处理

5.1 协同锅炉推荐算法介绍

5.2 提取婚姻类型数据

5.3 模型构建准备工作介绍

5.4 将用户划分为训练用户和测试用户

5.5 将数据继划分为训练集和测试集

5.6 构建用户物品矩阵

5.7 自定义函数球杰卡德相似系数

5.8 模型构建-求物品相似度矩阵

6.1 模型推荐及性能评价方法介绍

6.2 构建测试用户网址浏览字典

6.3 模型推荐

6.4 模型性能评价

11月28日

18:30 - 22:00

1.1 背景与目标

1.2 目标分析与解读

2 数据介绍

2.1 收视数据探索

2.2 异常数据探索

3.1 收视数据处理介绍

3.2 去除特殊线路和政企用户记录

3.3 去除直播记录中不关机顶盒的数据记录

3.4 去除累计超过3小时或小于4秒的直播记录

3.5 保存预处理后的数据

4.1 用户观看电视时长可视化

4.2 热门频道的可视化

5.1 构建标签库介绍

5.2 客户标签的计算方式

5.3 产品标签体系

5.4 客户标签体系介绍

5.5 客户标签计算

6 用户画像构建

7 协同过滤推荐

8 案例小结

11月29日

18:30 - 22:00

1 项目文件结构及编辑环境介绍

2 数据获取与探索分析答案讲解

3.1 理解用户单击流相关概念

3.2 获取用户的各单击流数据

4 对各单击流数据进行探索

5.1 对用户单击流数据进行预处理

5.2 进行词向量训练

5.3 对用户的单击流及逆行编码及padding操作

5.4 将词向量矩阵做相应排序并储存

5.5 将单击流数据转化为二维样本数据并存储

6.1 建模前数据整理

6.2 模型训练及性能评估

7.1 模型优化-并行网络结构介绍

7.2 模型优化

11月30日

19:00 - 21:00

1 支持向量机

1.1 间隔与支持向量

1.2 对偶问题

1.3 核函数

1.4 软间隔与正则化

1.5 支持向量机算法的Python实现

2 生成对抗神经网络

2.1 生成对抗神经网络简介

2.2 生成对抗神经网络训练流程

2.3 生成手写数字照片-数据准备&定义生成器网络

2.4 生成手写数字照片-判别器网络结构

2.5 生成手写数字照片-网络传输及网络损失值

2.6 生成手写数字照片-模型训练及效果展示