自从2017年 7 月 20 日，国务院印发《新一代人工智能发展规划》，明确指出在中小学阶段设置人工智能相关课程后，编程教育走进了更多人的视野。Python 作为人工智能时代最合适的语言，无疑被越来越多人追捧。Python已经被北京、浙江、山东等省份纳入高考内容之一，将成为高考加分的利器。

教育部考试中心于2017年10月11日发布了“关于全国计算机等级考试（NCRE）体系调整”的通知，决定自2018年3月起，在计算机二级考试加入“Python语言程序设计”科目。

在众多领域中：人工智能、机器学习、数据挖掘、数据分析、云计算、网络爬虫等都离不开python的身影。

Python已经是人人必学的编程语言，连中学生都开始学习Python了，再不懂点Python都不意思说自己学过计算机。

本课程主要讲解数据挖掘用到的主流算法和Python实践。课程全程答疑保证每一位报名学员都能学会学懂。

- 讲师简介 -

Python狂人

清华大学博士生，研究方向：人工智能、机器学习、深度学习。熟练掌握 Python 在人工智能中的应用。擅长数值计算与仿真模拟，精通各种 AI 算法和编程：回归预测、全局优化、聚类分类、综合评价、模式识别等。曾作为Python课程讲师，有 4 年多的教学经验。

- 课程目录 -

开课课程表

课程详细内容

第一篇 机器学习与数据挖掘概论（共5学时）

    1 机器学习概论（0.5学时）
        1.1 机器学习概述
        1.2 机器学习的常见算法
        1.3 机器学习的编程语言
        1.4 机器学习的应用
    2 数据挖掘概论（0.5学时）
        2.1 数据挖掘概述
        2.2 数据质量探索与数据特征分析
        2.3 数据清洗、数据集成、数据变换、数据规约
        2.4 模型评估与选择
    3 数据预处理（1学时）
        3.1 获取数据
        3.2 合并数据
        3.3 清洗数据
        3.4 标准化数据
        3.5 转换数据
    4 Pandas基本功能（1学时）
        4.1 重新索引
        4.2 丢弃指定轴上的项
        4.3 索引、选取和过滤 
        4.4 算术运算和数据对齐
        4.5 函数应用和映射
        4.6 排序和排名
        4.7 带有重复值的轴索引
    5 Pandas数据分析（1学时）
        5.1 Pandas的数据结构介绍
        5.2 汇总和计算描述统计
        5.3 处理缺失数据
        5.4 层次化索引
        5.5 其他有关pandas的话题
    6 模型的建立（1学时）
        6.1 sklearn转换器
        6.2 聚类模型
        6.3 分类模型
        6.6 回归模型
        6.5 相关模型
        6.6 降维模型
        6.7 实训：对鸢尾花（iris）数据集进行数据挖掘
    【复习】作业题目讲解

第二篇 机器学习与数据挖掘算法实践（共15学时）

    1 回归分析（Regression Analysis）（1.5学时）
        1.1 算法简介及数学原理
        1.2 实训：基于回归分析预测房价及变化趋势问题
        1.3 课后作业及讲解
    2 逻辑回归（Logistic Regression）（1.5学时）
        2.1 算法简介及数学原理
        2.2 实训：基于逻辑回归预测泰坦尼克号乘客存活率
        2.3 课后作业及讲解
    3 决策树（Decision Tree）（1.5学时）
        3.1 算法简介及数学原理
        3.2 实训：基于决策树算法对男女性别进行分类
        3.3 课后作业及讲解
    4 人工神经网络（Artificial Neural Network）（1.5学时）
        4.1 算法简介及数学原理
        4.2实训：基于BP人工神经网络对MNIST数据集进行识别和预测
        4.3 课后作业及讲解
    5 k近邻分类（k Nearest Neighbor）（1.5学时）
        5.1 算法简介及数学原理
        5.2 实训：基于k近邻分类对小麦种子进行分类
        5.3 课后作业及讲解
    6 期中考试及点评讲解（1.5学时）
        6.1 课程期中考试
        6.2 考后点评讲解
        6.3 模型建立与求解
        6.4 模型的评价与拓展
        6.5 试题的变型与思考
    7 朴素贝叶斯分类（Naive Bayesian）（1.5学时）
        7.1 算法简介及数学原理
        7.2 实训：基于朴素贝叶斯分类对文本进行扫黄分析
        7.3 课后作业及讲解
    8 聚类分析（Cluster Analysis)（1.5学时）
        8.1 算法简介及数学原理
        8.2 实训：基于聚类分析对鸢尾花（iris）数据集分类
        8.3 课后作业及讲解
    9 支持向量机（Support Vector Machine）（1.5学时）
        9.1 算法简介及数学原理
        9.2实训：基于支持向量机对MNIST手写数字序列数据集进行分类及参数的调优
        9.3 课后作业及讲解
    10 期末考试及点评讲解（1.5学时）
        10.1 课程期中考试
        10.2 考后点评讲解
        10.3 模型建立与求解
        10.4 模型的评价与拓展
        10.5 试题的变型与思考

- 课前准备 -

需要掌握Python基础编程知识

要求有高等数学、概率论、线性代数基础（大学期末考试及格水平即可）

先修课程《Python零基础入门与科学计算》

- 开课时间 -

1、录播视频上线时间为：3月5日 至 3月30日（共20学时，每周一至周五 晚7点 更新）；

2、一年内可以免费回看视频。

- 授课方式 -

1、本次课程为全程录播课，定时发布视频，群里主讲老师和助教实时答疑。

2、本次课程配套习题和习题讲解课。

- 课程特点 -

• 循序渐进，由浅入深、从入门到进阶
• 学有所成，每次课程配有作业，巩固学习成果，完成课程闭环
• 代码公开，面向学员公开课程的课件和源代码，随时回顾
• 答疑无忧，学员加入微信群，群内和讲师实时互动答疑

扫码添加“极值学院李老师”

▼