《数据分析实战 45 讲》 学习笔记

42丨当我们谈深度学习的时候，我们都在谈什么？ 在这篇文章中，我们会通过以下几个方面了解深度学习：数据挖掘、机器学习和深度学习的区别是什么？这些概念都代表什么？我们通过深度学习让机器具备人的能力，甚至

41丨数据挖掘实战（3）：如何对比特币走势进行预测？ 我们之前介绍了数据挖掘算法中的分类、聚类、回归和关联分析算法，那么对于比特币走势的预测，采用哪种方法比较好呢？可能有些人会认为采用回归分析会好一些

39丨数据挖掘实战（1）：信用卡违约率分析 今天的学习主要围绕下面的三个目标，并通过它们完成信用卡违约率项目的实战，这三个目标分别是：创建各种分类器，包括已经掌握的 SVM、决策树、KNN 分类器，以

38丨数据可视化实战：如何给毛不易的歌曲做词云展示？ 那么在今天的实战项目里，有 3 个目标需要掌握：掌握词云分析工具，并进行可视化呈现；掌握 Python 爬虫，对网页的数据进行爬取；掌握 XPat

37丨数据采集实战：如何自动化运营微博？ 今天我就带你使用 Python 自动化运营微博。关于今天的学习，希望你能达成以下的 3 个学习目标：掌握 Selenium 自动化测试工具，以及元素定位的方法

34丨AdaBoost（上）：如何使用AdaBoost提升分类器性能？ 今天我们学习 AdaBoost 算法。在数据挖掘中，分类算法可以说是核心算法，其中 AdaBoost 算法与随机森林算法一样都属

# 32丨PageRank（上）：搞懂Google的PageRank算法 早期的搜索引擎，会遇到下面的两类问题：返回结果质量不高：搜索结果不考虑网页的质量，而是通过时间顺序进行检索；容易被人钻空子：搜

31丨关联规则挖掘（下）：导演如何选择演员？ 首先你需要通过 pip install efficient-apriori 安装这个工具包。 然后看下如何使用它，核心的代码就是这一行 itemsets,

30丨关联规则挖掘（上）：如何用Apriori发现用户购物规则？ 1搞懂关联规则中的几个重要概念：支持度、置信度、提升度；2Apriori 算法的工作原理；3在实际工作中，我们该如何进行关联规则挖掘。

28丨EM聚类（上）：如何将一份菜等分给两个人？ 今天我来带你学习 EM 聚类。EM 的英文是 Expectation Maximization，所以 EM 算法也叫最大期望算法。 我们先看一个简单的

# 26丨K-Means（上）：如何给20支亚洲球队做聚类？ **如何确定 K 类的中心点？如何将其他点划分到 K 类中？如何区分 K-Means 与 KNN？** 如果理解了上面这 3 个问题，

24丨KNN（上）：如何根据打斗和接吻次数来划分电影类型？ 我们可以把打斗次数看成 X 轴，接吻次数看成 Y 轴，然后在二维的坐标轴上，对这几部电影进行标记，如下图所示。对于未知的电影 A，坐标为 (

22丨SVM（上）：如何用一根棍子将蓝红两色球分开？什么是有监督的学习模型呢？它指的是我们需要事先对数据打上分类标签，这样机器就知道这个数据属于哪个分类。同样无监督学习，就是数据没有被打上分类标签，这

# 21丨朴素贝叶斯分类（下）：如何对文档进行分类？ **sklearn 机器学习包** sklearn 的全称叫 Scikit-learn，它给我们提供了 3 个朴素贝叶斯分类算法，分别是高斯朴素贝

20丨朴素贝叶斯分类（上）：如何让机器判断男女？ 贝叶斯原理 我们用一个题目来体会下：假设有一种病叫做“贝叶死”，它的发病率是万分之一，即 10000 人中会有 1 个人得病。现有一种测试可以检验一个

19丨决策树（下）：泰坦尼克乘客生存预测 今天我来带你用决策树进行项目的实战。 sklearn 中的决策树模型 首先，我们需要掌握 sklearn 中自带的决策树分类器 DecisionTreeCla

18丨决策树（中）：CART，一棵是回归树，另一棵是分类树 CART 算法，英文全称叫做 Classification And Regression Tree，中文叫做分类回归树。ID3 和 C4.5

17 丨决策树（上）：要不要去打篮球？决策树来告诉你 决策树的工作原理决策树基本上就是把我们以前的经验总结出来。我给你准备了一个打篮球的训练集。如果我们要出门打篮球，一般会根据“天气”、“温度”、“湿

14丨数据可视化：掌握数据领域的万金油技能 数据可视化的视图都有哪些？ 我们常用的可视化视图超过 20 种，分别包括：文本表、热力图、地图、符号地图、饼图、水平条、堆叠条、并排条、树状图、圆视图、并排

13 | 数据变换：考试成绩要求正态分布合理么？ 上一讲中我给你讲了数据集成，今天我来讲下数据变换。 如果一个人在百分制的考试中得了 95 分，你肯定会认为他学习成绩很好，如果得了 65 分，就会觉得