课程名称：

Python机器学习全流程项目实战精讲

课程特色：

机器学习一线工程人员讲师，以切身的学习和工作经历直击机器学习进阶过程中的痛点；

案例实战导向。从需求分析开始，对机器学习项目实战的全流程进行讲解，直击各流程的难点。涵盖需求分析->数据采集->数据清洗与预处理->数据分析与可视化->特征工程->机器学习建模->模型调优->报告输出。以Python为工具实现机器学习全流程，是难得一见的从过来人的角度分享机器学习实战的课程；

精品质量。精美的课程PPT设计、诚恳有趣的讲解，为的是让每位在机器学习学习道路上的朋友少踩坑、懂方法和高效率。

讲师介绍：

鲁伟 (louwill)  – 某上市软件公司人工智能部门数据分析/机器学习工程师。

公众号数据科学家养成记的运营者，致力于数据科学、机器学习和深度学习的应用与研究。有着多年的R语言和Python编程经验。

学习方式：

录播课程，开课即学

在线反复观看，有效期2年

课程大纲：

第一章：机器学习方法论

1.数据分析与数据挖掘

2.机器学习、深度学习与人工智能

3.机器学习的核心任务

4.机器学习的核心要义

5.机器学习项目实战全流程

6.python编程工具

7.Jupyter Notebook与PyCharm

8.机器学习具体学习方法指导

第二章：机器学习需求分析

1.机器学习项目需求分析

2.项目技术、产品和应用调研

3.实例：需求分析（数据相关岗位的市场需求、能力要求和市场行情）

第三章：数据采集

1.数据采集概述

2.Python爬虫技术

3.请求库：urllib

4.请求库：requests 

5.解析库：BeautifulSoup

6.解析库：lxml

7.信息提取：css选择器/xpath表达式

8.实例1：招聘网站静态数据采集

9.实例2：招聘网站动态数据采集

第四章：数据清洗

1.脏数据概述

2.数据清洗基本方法

3.利用pandas进行数据清洗

4.实例：招聘数据清洗过程

第五章：数据分析与可视化

1.描述性数据分析的基本方法

2.现代统计图形与数据可视化方法

3.python绘图与可视化库：matplotlib和seaborn

4.实例：招聘数据的描述性数据分析与可视化探索

第六章：特征工程

1.特征工程概述

2.特征工程基本方法

3.数据预处理、特征选择、特征组合与特征降维

4.实例：招聘数据的特征工程探索

第七章：机器学习建模与调优

1.机器学习常用模型概述

2.python机器学习库sklearn

3.单模型

4.集成学习与ensemble

5.XGBoost

6.lightGBM

7.CatBoost

8.模型调优：特征工程与超参数调优

9.实例：招聘数据的机器学习建模过程

第八章：机器学习模型结果与报告输出

1.机器学习模型结果展示

2.数据分析报告

3.机器学习报告的撰写套路

4.实例：招聘数据机器学习报告的撰写