一、Python数据清洗（补1月15.16号）

11-18-1

11-18-2

11-18-3

11-18-4

11-19-1

11-19-2

11-19-3

11-19-4

11-20-1

11-20-2

11-20-3

11-20-4

11-20-5

11-24-1

11-24-2

11-24-3

11-24-4

11-24-5

二、Python

12-28-1 Python简介

12-28-2 数据类型

12-28-3

12-28-4 运算符

12-29-1 数学函数

12-29-2 文本函数

12-29-3 组合数据类型

12-29-4 循环语句

1-4-1 文件的操作

1-4-2 迭代器

1-4-3 生成器

1-4-4 异常处理1

1-4-5 异常处理2

1-14-1 Numpy基本概念和数组

1-14-2 数组的数据类型

1-14-3 数组的方法

1-14-4 数组的运算

1-14-5 Numpy数据的保存和读取

1-15-1 Numpy统计分析、Matplotlib绘图

1-15-3 Matplotlib常用图形

1-15-4 Matplotlib案例

1-15-5 Pandas数据结构

1-16-1 Series创建及方法

1-16-3 DataFrame创建及方法

1-16-4 Pandas数据处理1

1-16-5 Pandas数据处理2

1-17-1 时间序列分析

1-17-2 Pandas分组运算

1-17-3 Pandas案例：菜品价格分析

1-17-4 Pandas聊天记录分析

1-17-5 网页和爬虫基本原理

1-21-1 正则表达式

1-21-2 urllib库

1-21-3 requests库1

1-21-4 requests库2

1-21-5 Beautiful Soup库

1-22-1 Selenium库

1-22-2 机器学习概述

1-22-3 模型分类及评估指标

1-22-4 线性回归

1-22-5 梯度下降

1-23-1 线性回归小批量梯度下降及牛顿法

1-23-2 岭回归

1-23-3 lasso回归

1-23-4 逻辑回归

1-23-5 梯度上升

1-24-1 KNN

1-24-2 KNN算法代码实现

1-24-3 KNN的scikit-learn实现

1-24-4 决策树计算信息增益

1-24-5 CART分类树

1-25-1 CART回归树

1-25-2 集成学习

1-25-3 AdaBoost

1-25-4 Random Forest

1-25-5 泰坦尼克案例分析

1-28-1 数据分析应用场景

1-28-2 推荐系统简介

1-28-3 基于用户的协同过滤

1-28-4 基于物品的协同过滤

1-28-5 时间序列概念

1-29-1 时间序列分类

1-29-2 时间序列模型

1-29-3 Box-Jenkins建模流程

1-29-4 聚类

1-30-1 常用聚类算法介绍

1-30-2 聚类算法的Python实现

1-30-3 神经网络简介

1-30-4 神经网络模型

1-30-5 神经网络算法的Python实现

2-16-1 支持向量机简介

2-16-2 线性SVM

2-16-3 SMO算法

2-16-4 非线性SVM

2-16-5 支持向量机的Python实现1

2-17-1 支持向量机的Python实现2

2-17-2 贝叶斯理论

2-17-3 朴素贝叶斯

2-17-4 三种模型

2-17-5 贝叶斯优缺点

2-18-1 贝叶斯拼写检查器

2-18-2 关联规则简介

2-18-3 Apriori算法

2-18-4 Apriori算法的Python实现1

2-18-5 Apriori算法的Python实现2

2-19-1 神经元感知器

2-19-2 tensorflow神经网络实现

2-19-3 DBSCAN简介

2-19-4 基于用户的协同过滤

2-19-5 各类算法总结

2-20-1 决策树基本介绍

2-20-2 决策树原理介绍

2-20-3 决策树应用基础

2-20-4 决策树案例实现1

2-20-5 决策树案例实现2

2-20-6 随机森林简介

2-22-1 个性化推荐基础

2-22-2 基于购物篮分析与关联规则推荐

2-22-3 协同过滤推荐

2-22-4 LFM隐语义模型推荐

2-22-5 推荐指标