第 1 章 數據挖掘概述 1
1.1　數據挖掘發展簡述　1
1.1.1　數據時代　1
1.1.2　數據分析的技術發展　2
1.2　數據挖掘概念　5
1.2.1　數據挖掘的定義與OLAP　5
1.2.2　數據挖掘與知識發現KDD　6
1.3　數據挖掘的功能與應用領域　9
1.3.1　電子商務　9
1.3.2　電信行業　10
1.3.3　金融行業　10
1.3.4　醫療行業　10
1.3.5　社會網絡　11
1.3.6　數據挖掘應用的問題　11
1.4　數據挖掘的模式類型　11
1.4.1　類/概念描述：特征和區分　12
1.4.2　回歸（regression）　13
1.4.3　分類（classification）　14
1.4.4　預測（forecasting）　15
1.4.5　關聯分析（association）　15
1.4.6　聚類分析（cluster）　16
1.4.7　異常檢測（anomalydetection）　17
1.4.8　小結　17
1.5　數據挖掘的數據類型　18
1.5.1　數據庫　18
1.5.2　數據倉庫數據　19
1.5.3　其它數據類型　20
1.6　數據挖掘的交叉學科　20
1.6.1　統計學　21
1.6.2　機器學習　21
1.6.3　數據庫與數據倉庫　22
第　2章 Pandas數據分析　23
2.1　Pandas與數據分析　23
2.1.1　統計學與數據挖掘　23
2.1.2　常用的統計學指標　24
2.1.3　Pandas的簡單介紹　26
2.2　Pandas統計案例分析　30
2.2.1　實驗實現Pandas自行車數據分析　30
2.2.2　實驗實現Pandas服務熱線數據分析　36
第3章　數據挖掘與機器學習　41
3.1　數據挖掘中的機器學習　41
3.1.1　什么是機器學習？　41
3.1.2　機器學習處理的問題　42
3.1.3　機器學習的框架　42
3.1.4　數據的加載和分割　43
3.2　機器學習的模型　45
3.2.1　模型的選擇　45
3.2.1　學習和預測　46
3.2.3　實驗實現機器學習模型　47
3.3　模型的評判和保存　48
3.3.1　分類、回歸、聚類不同的評判指標　48
3.3.2　交叉驗證 (Cross validation)　49
3.3.3　實驗實現分類、回歸指標　50
3.3.4　實驗實現cross_val_score　51
3.3.5　實驗實現模型的保存　52
3.4　支持向量機　53
3.4.1　支持向量機　53
3.4.2　實驗實現支持向量機分類　54
3.4.3　實驗實現支持向量機回歸　55
3.4.4　實驗實現支持向量機異常檢測　55
3.5　過擬合問題　58
3.5.1　過擬合　58
3.5.2　實驗實現學習曲線和驗證曲線　59
第4章　分類分析方法與應用　62
4.1　數據挖掘分類問題　62
4.2　概率模型　63
4.2.1　原理　63
4.2.2　應用場景　66
4.3　樸素貝葉斯分類　66
4.3.1　原理與應用場景　66
4.3.2　實驗實現樸素貝葉斯算法　67
4.4　向量空間模型　68
4.4.1　原理與應用場景　68
4.4.2　實驗實現空間向量模型　69
4.5　KNN算法　72
4.5.1　原理與應用場景　72
4.5.2　實驗實現KNN算法　74
4.6　多類問題　76
4.6.1　原理與應用場景　76
4.6.2　實驗實現多類問題　77
第5章　回歸模型算法與應用　79
5.1　回歸預測問題　80
5.2　線性回歸　81
5.2.1　原理與應用場景　81
5.2.2　實驗實現線性回歸　82
5.3　嶺回歸和LASSO　84
5.3.1　原理與應用場景　84
5.3.2　實驗實現嶺回歸　87
5.4　邏輯回歸　89
5.4.1　原理與應用場景　89
5.4.2　實驗實現邏輯回歸　91
第6章　無監督學習　94
6.1　無監督學習問題　94
6.1.1　無監督學習　94
6.1.2　聚類分析的基本概念與原理　95
6.2　劃分聚類　96
6.2.1　劃分聚類　96
6.2.2　K-Means算法　97
6.2.3　實驗實現K-Means算法　100
6.3　層次聚類　103
6.3.1　層次聚類算法　103
6.3.2　實驗實現層次聚類算法實現　105
6.4　聚類效果評測　106
6.4.1　聚類效果的評測　106
6.4.2　實驗實現聚類效果評測　107
6.5　降維　108
6.5.1　降維方法　108
6.5.2　實驗實現降維　108
第7章　關聯規則　110
7.1　關聯規則的概念　111
7.1.1　什么是關聯規則？　111
7.2　Apriori算法　112
7.2.1　Apriori算法概念　112
7.2.2　Apriori算法實現原理　113
7.2.3　實驗實現Apriori算法　115
7.3　協同過濾　119
7.3.1　協同過濾算法的概念　119
7.3.2　協同過濾（基于用戶）　120
7.3.3　協同過濾（基于用戶）　122
7.3.4　實驗實現協同過濾算法　124
第8章　圖像數據分析　129
8.1　圖像數據　129
8.2　圖像數據分析方法　131
8.3　圖像數據分析案例　133
8.3.1　PIL：Python圖像處理類庫應用示例　133
8.3.2　Numpy圖像數據分析示例　138
8.3.3　Scipy圖像數據分析示例　141
8.3.4　scikit-image　145
8.3.5　綜合練習　150
第　9 章 自然語言處理與NLTK　151
9.1　自然語言處理概述　151
9.1.1　什么是自然語言處理？　151
9.2　NLTK入門基礎　152
9.2.1　Python的第三方模塊NLTK　152
9.2.2　實驗實現詞條化　153
9.2.3　實驗實現詞干還原　154
9.2.4　實驗實現詞型歸并　155
9.2.5　實驗實現文本劃分　156
9.2.6　實驗實現數值型數據的轉換　157
9.3　NLTK文本分析　159
9.3.1　實驗實現文本分類器　159
9.3.2　實驗實現性別判斷　161
9.3.3　實驗實現情感分析　162