哈喽大家好，我是CDA网校的小兮老师，你的专属“首席荐课官”。
本周我们又上架了1门新课——《Python 机器学习实战案例》，课程分5个模块，下面让我们一起来看一下吧~
01 为什么要学这门课？
大数据技术是多维度的，能够胜任大数据及数据挖掘各项工作的软件，Python无疑是最好的软件之一，掌握软件功能基本上等价于掌握了数据挖掘的基本技术。另外使用Python做数据分析，可以使数据分析师专心于数据分析的工作，无需因代码复杂的底层逻辑而花费太多的时间。
本课程旨在帮助同学们轻松掌握使用Python进行数据分析的基本能力，通过“Python+案例”的模式快速掌握数据分析流程及基本的数据分析思维——数据分析流、数值分析、图像分析、模型关系管理等内容，能够深刻理解如何提出、定义问题、分析数据、归因分析等实操过程。
02 跟谁学这门课？
通俗易懂，深入浅出，将知识点融入实例讲解，用通俗的方法拆解Python和数据分析原理。理论与实践结合，以知识体系+课程实例+实践作业结合的方式，逐步将知识转化为可实操的能力，解决现实生活中的实际问题。
03 学习目标是？
1、理解数据分析流程的基本步骤和方法。
2、理解图像的数据处理格式以及如何调用机器学习处理图像数据。
3、面对典型的项目分析任务，能够快速提出问题，并通过模型关系管理解决问题。
04 这门课谁适合学？
1、业务人员——需要阅读数据分析报告
2、业务数据分析师——需要阅读数据分析报告
3、数据管理人员——项目架构和规划、数据分析运营
4、希望进入数据分析行业的兴趣者
05 这门课学什么？
本次课程一共分3个阶段，10次课，每节课除了理论讲解外，都会有案例带你上手操作。
课程大纲
| 章节 | 知识点 |
|---|---|
| 一、数据分析流 | 1、业务逻辑、描述性挖掘(业务逻辑、数据描述） 2、预分析(缺失、异常、共线等) 3、残差与修正 4、模型评估、应用、可视化 |
| 二、数据分析流程案例 | 1、导入第三方库 2、导入数据 3、数据描述 4、缺失值可视化 5、缺失值填补 6、缩尾异常值 7、相关法特征筛选 8、共线性 9、y编码和变换 10、构建大模型 11、异常值处理(多变量) 12、特征筛选(多变量) 13、共线性(多变量) 14、编码离散化(多变量) 15、构建模型(线性与非线性) 16、应用，可视化 |
| 三、图像识别案例 | 1、图像处理与车辆识别一粗线条识别 2、图像处理与车辆识别一原始数据和分析流程解读 3、图像处理与车辆识别一图片规范化处理 4、图像处理与车辆识别一svm模型选择与超参数调整 5、图像处理与车辆识别一加载模型与移动图片 |
| 四、模型关系管理 | 1、数据分析之前需要考虑的问题一数据和项目拆解 2、数据不平衡的危害 3、不平衡问题:第三方库imlearm 4、数据分区一训练、测试、滚动 5、分类模型的特征选择一业务与统计，单与多变量 6、分类模型与回归模型一结合策略 7、模型评估一准确性和稳定性 8、问题困境总结一多阶段模型集成 9、数据管理和数据清理 10、特征工程—缺失值，特征筛选 11、模型整合 |
| 五、专题 | 1、专题1:pythonide—spyde 2、专题2:python ide—jupyter notebook专题 3、专题3:python ide—jupyter lab 4、专题4:第三方库imlearn—随机森林平衡器 |
以上就是本次为大家带来的优质课程。
如果想要参加学习，请扫描下方课程二维码尽快报名咨询哦 ~
点击文末阅读原文，获取课程试听
👇👇👇