1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
        2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
        3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)。

• 第1章使用Python庫(kù)分析處理Kobe Bryan職業(yè)生涯數(shù)據(jù)
  1-1課程簡(jiǎn)介
  1-2使用Anaconda搭建python環(huán)境
  1-3Kobe Bryan生涯數(shù)據(jù)讀取與簡(jiǎn)介
  1-4特征數(shù)據(jù)可視化展示
  1-5數(shù)據(jù)預(yù)處理
  1-6使用scikit-learn建立分類模型
  第2章信用卡欺詐行為檢測(cè)
  2-1數(shù)據(jù)簡(jiǎn)介及面臨的挑戰(zhàn)
  2-2數(shù)據(jù)不平衡問題解決方案
  2-3邏輯回歸進(jìn)行分類預(yù)測(cè)
  2-4使用閾值來衡量預(yù)測(cè)標(biāo)準(zhǔn)
  2-5使用數(shù)據(jù)生成策略
  第3章鳶尾花數(shù)據(jù)集分析
  3-1數(shù)據(jù)簡(jiǎn)介與特征課時(shí)化展示
  3-2不同特征的分布規(guī)則
  3-3決策樹模型參數(shù)詳解
  3-4決策樹中參數(shù)的選擇
  3-5將建立好決策樹可視化展示出來
  第4章泰坦尼克號(hào)獲救預(yù)測(cè)
  4-1船員數(shù)據(jù)分析
  4-2數(shù)據(jù)預(yù)處理
  4-3使用回歸算法進(jìn)行預(yù)測(cè)
  4-4使用隨機(jī)森林改進(jìn)模型
  4-5隨機(jī)森林特征重要性分析
  第5章級(jí)聯(lián)結(jié)構(gòu)的機(jī)器學(xué)習(xí)模型
  5-1級(jí)聯(lián)模型原理
  5-2數(shù)據(jù)預(yù)處理與熱度圖
  5-3二階段輸入特征制作
  5-4使用級(jí)聯(lián)模型進(jìn)行預(yù)測(cè)
  第6章員工離職預(yù)測(cè)
  6-1數(shù)據(jù)簡(jiǎn)介與特征預(yù)處理
  6-2員工不同屬性指標(biāo)對(duì)結(jié)果的影響
  6-3數(shù)據(jù)預(yù)處理
  6-4構(gòu)建預(yù)測(cè)模型
  6-5基于聚類模型的分析
  第7章使用神經(jīng)網(wǎng)絡(luò)進(jìn)行手寫字體識(shí)別（mnist）
  7-1tensorflow框架的安裝
  7-2神經(jīng)網(wǎng)絡(luò)模型概述
  7-3使用tensorflow設(shè)定基本參數(shù)
  7-4卷積神經(jīng)網(wǎng)絡(luò)模型
  7-5構(gòu)建完整的神經(jīng)網(wǎng)絡(luò)模型
  7-6訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型1
  第8章主成分分析（PCA）
  8-1PCA原理簡(jiǎn)介
  8-2數(shù)據(jù)預(yù)處理
  8-3協(xié)方差分析
  8-4使用PCA進(jìn)行降維
  第9章基于NLP的股價(jià)預(yù)測(cè)
  9-1數(shù)據(jù)簡(jiǎn)介與故事背景
  9-2基于詞頻的特征提取
  9-3改進(jìn)特征選擇方法
  第10章借貸公司數(shù)據(jù)分析
  10-1數(shù)據(jù)清洗
  10-2數(shù)據(jù)預(yù)處理
  10-3盈利方法和模型評(píng)估
  10-4預(yù)測(cè)結(jié)果開始學(xué)習(xí)
  建立分類模型進(jìn)行結(jié)果的預(yù)測(cè)