数据分析和人工智能实践操作指引.docVIP

数据分析和人工智能实践操作指引

TOC\o1-2\h\u29829第1章数据分析基础 4

130241.1数据收集与清洗 4

306981.1.1数据去重：删除重复的记录，保证每条数据的唯一性。 4

182831.1.2数据筛选：根据研究需求，筛选出符合条件的数据。 5

246361.1.3数据填补：对缺失值进行处理，可以采用均值填补、中位数填补等方法。 5

56961.1.4数据转换：将数据转换为统一的格式，如时间戳、数值型等。 5

285411.1.5数据规范：对数据进行标准化或归一化处理，消除数据量纲和数量级的影响。 5

153221.2数据预处理与摸索 5

124731.2.1数据集成：将不同来源的数据进行整合，形成统一的数据集。 5

239731.2.2数据变换：对数据进行转换，如数值型数据转换为类别型数据，以满足模型需求。 5

102301.2.3特征工程：从原始数据中提取具有代表性的特征，包括数值特征、类别特征等。 5

150301.2.4数据降维：通过主成分分析、因子分析等方法，降低数据的维度，消除冗余信息。 5

160141.2.5数据摸索：对数据进行可视化展示，如散点图、箱线图等，以便发觉数据中的规律和异常值。 5

28611.3数据可视化与展示 5

142201.3.1条形图：用于展示分类数据的分布情况。 5

275631.3.2饼图：用于展示各部分在整体中的占比。 5

50591.3.3折线图：用于展示数据随时间变化的趋势。 5

157561.3.4散点图：用于展示两个变量之间的关系。 5

193771.3.5热力图：用于展示矩阵型数据的分布情况。 5

270651.3.6地图：用于展示地理空间数据的分布和变化。 5

136781.4基本统计分析 5

90431.4.1频数分析：计算各个类别数据的频数和占比。 6

243851.4.2描述性统计：计算数据集的均值、中位数、众数、标准差等统计量。 6

288171.4.3相关性分析：分析两个或多个变量之间的线性关系。 6

111401.4.4假设检验：对总体参数的某个假设进行检验，如单样本t检验、卡方检验等。 6

131711.4.5方差分析：分析不同类别数据的均值是否存在显著差异。 6

8448第2章机器学习算法概述 6

310422.1监督学习 6

150872.2无监督学习 6

202202.3半监督学习 6

77472.4强化学习 6

2580第3章数据预处理与特征工程 7

15053.1特征提取与选择 7

123313.1.1特征提取 7

15173.1.2特征选择 7

157963.2数据标准化与归一化 7

16393.2.1数据标准化 7

191083.2.2数据归一化 7

60453.3缺失值处理 7

178103.3.1缺失值检测 7

59533.3.2缺失值处理方法 8

2523.4异常值检测与处理 8

49023.4.1异常值检测 8

275283.4.2异常值处理方法 8

32497第4章回归分析 8

213704.1线性回归 8

154244.1.1线性回归原理 8

222044.1.2模型构建与参数估计 8

125624.1.3假设检验 8

276794.1.4多重共线性处理 8

180454.1.5异方差性处理 8

60874.2岭回归与Lasso回归 8

148274.2.1岭回归 9

112354.2.2Lasso回归 9

157424.2.3参数选择 9

164074.2.4岭回归与Lasso回归在实际应用中的优劣比较 9

21164.3决策树回归 9

74904.3.1决策树回归原理 9

157184.3.2决策树构建 9

21934.3.3决策树剪枝策略 9

24244.3.4回归树 9

286634.4集成学习回归 9

39834.4.1集成学习回归原理 9

193234.4.2Bagging回归 9

194044.4.3Boosting回归 9

250964.4.4Stacking回归 9

32636第5章分类分析 9

219145.1逻辑回归与线性判别分析 9

691