模塊1 緒論《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》教學(xué)課件

《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》?精品課件合集《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》第一章緒論二、

數(shù)據(jù)挖掘的基本步驟

一、數(shù)據(jù)挖掘概述主要內(nèi)容三、數(shù)據(jù)挖掘的常見任務(wù)四、數(shù)據(jù)挖掘的主要工具4

為什么挖掘數(shù)據(jù)？大量數(shù)據(jù)被收集,存儲在數(shù)據(jù)庫、數(shù)據(jù) 倉庫中。計算機越來越便宜，功能越來越強大。數(shù)據(jù)爆炸但知識貧乏。人們積累的數(shù)據(jù)越來越多。但是，目前這些數(shù)據(jù)還僅僅應(yīng)用在數(shù)據(jù)的錄入、查詢、統(tǒng)計等功能，無法發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系和規(guī)則，無法根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測未來的發(fā)展趨勢，導(dǎo)致了“數(shù)據(jù)爆炸但知識貧乏”的現(xiàn)象。一、數(shù)據(jù)挖掘概述為什么挖掘數(shù)據(jù)？數(shù)據(jù)以極快的速度收集和存儲(GB/hour)傳統(tǒng)的技術(shù)難以處理這些——

rawdata低價值密度的數(shù)據(jù)許多數(shù)據(jù)根本未曾分析過數(shù)據(jù)挖掘可能幫助科學(xué)家一、數(shù)據(jù)挖掘概述定義：數(shù)據(jù)、信息和知識（1）數(shù)據(jù)（Data）：以文本、數(shù)字、圖形、聲音和視頻等形式對現(xiàn)實世界中的某種實體、事件或活動的記錄，是未經(jīng)加工和修飾的原料。（2）信息（Information）：是為了特定的目的，對數(shù)據(jù)進行過濾、融合、標準化、歸類等一系列處理后得到的有價值的數(shù)據(jù)流。（3）知識（Knowledge）：是通過對信息進行歸納、演繹、提煉和總結(jié)，得到的更具價值的觀點、規(guī)律或者方法論。一、數(shù)據(jù)挖掘概述什么是數(shù)據(jù)挖掘？定義：數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。其它名字：Knowledgediscovery(mining)indatabases(KDD),knowledgeextraction,data/patternanalysis,informationharvesting一、數(shù)據(jù)挖掘概述數(shù)據(jù)挖掘的歷史演變一、數(shù)據(jù)挖掘概述數(shù)據(jù)挖掘是多學(xué)科交叉領(lǐng)域利用了來自如下一些領(lǐng)域的思想：統(tǒng)計學(xué)的抽樣、估計和假設(shè)檢驗人工智能、機器學(xué)習(xí)的搜索算法、建模技術(shù)和學(xué)習(xí)理論數(shù)據(jù)庫系統(tǒng)提供有效的存儲、索引和查詢處理支持此外，還包括：分布式技術(shù)、最優(yōu)化、進化計算、信息論、信號處理、可視化和信息檢索等技術(shù)。MachineLearning/AIStatisticsDataMiningDatabasesystems一、數(shù)據(jù)挖掘概述

在什么樣的數(shù)據(jù)上進行挖掘？在計算機科學(xué)中，數(shù)據(jù)是數(shù)字、文字、聲音、圖像、視頻等可以輸入到計算機并被識別的符號。如：企業(yè)運營數(shù)據(jù)用戶數(shù)據(jù)視頻、游戲數(shù)據(jù)等從表現(xiàn)形式上：數(shù)字、文本、聲音、圖像、視頻等從數(shù)據(jù)組織和存儲方式上看，分為：結(jié)構(gòu)化數(shù)據(jù)非結(jié)構(gòu)數(shù)據(jù)一、數(shù)據(jù)挖掘概述通常，數(shù)據(jù)挖掘可以在任何類型的數(shù)據(jù)上進行，包括：關(guān)系數(shù)據(jù)庫、數(shù)據(jù)倉庫、事務(wù)數(shù)據(jù)庫、高級數(shù)據(jù)庫系統(tǒng)、文本、Web、日志、圖像、視頻、語音等。

在什么樣的數(shù)據(jù)上進行挖掘？一、數(shù)據(jù)挖掘概述數(shù)據(jù)挖掘的應(yīng)用

數(shù)據(jù)挖掘技術(shù)的應(yīng)用非常廣泛，在金融、電子商務(wù)、醫(yī)學(xué)、市場營銷、生物學(xué)、科學(xué)研究等方面均有大量應(yīng)用，例如：信貸風(fēng)險管理反洗錢監(jiān)測客戶關(guān)系管理蛋白質(zhì)分子結(jié)構(gòu)預(yù)測股票交易地震預(yù)警商品推薦一、數(shù)據(jù)挖掘概述二、數(shù)據(jù)挖掘的一般流程典型的數(shù)據(jù)分析的流程：需求分析：數(shù)據(jù)分析中的需求分析也是數(shù)據(jù)分析環(huán)節(jié)的第一步和最重要的步驟之一，決定了后續(xù)的分析的方向、方法。數(shù)據(jù)獲?。簲?shù)據(jù)是數(shù)據(jù)分析工作的基礎(chǔ)，是指根據(jù)需求分析的結(jié)果提取，收集數(shù)據(jù)。數(shù)據(jù)預(yù)處理：數(shù)據(jù)預(yù)處理是指對數(shù)據(jù)進行數(shù)據(jù)合并，數(shù)據(jù)清洗，數(shù)據(jù)變換和數(shù)據(jù)標準化，數(shù)據(jù)變換后使得整體數(shù)據(jù)變?yōu)楦蓛粽R，可以直接用于分析建模這一過程的總稱。數(shù)據(jù)挖掘建模：通過統(tǒng)計分析、回歸分析、聚類、分類、關(guān)聯(lián)規(guī)則、智能推薦等模型與算法發(fā)現(xiàn)數(shù)據(jù)中的有價值信息，并得出結(jié)論的過程。模型評價與優(yōu)化：模型評價是指對已經(jīng)建立的一個或多個模型，根據(jù)其模型的類別，使用不同的指標評價其性能優(yōu)劣的過程。部署：部署是指將通過了正式應(yīng)用數(shù)據(jù)分析結(jié)果與結(jié)論應(yīng)用至實際生產(chǎn)系統(tǒng)的過程。二、數(shù)據(jù)挖掘的一般流程三、數(shù)據(jù)挖掘的常見任務(wù)預(yù)測vs.描述預(yù)測(Prediction)根據(jù)其他屬性的值，預(yù)測特定屬性的值描述(Description)導(dǎo)出概括數(shù)據(jù)中潛在聯(lián)系的模式三、數(shù)據(jù)挖掘的常見任務(wù)預(yù)測vs.描述預(yù)測(Prediction)根據(jù)其他屬性的值，預(yù)測特定屬性的值描述(Description)導(dǎo)出概括數(shù)據(jù)中潛在聯(lián)系的模式任務(wù)類型：分類（Classification）[Predictive]回歸（Regression）[Predictive]關(guān)聯(lián)規(guī)則發(fā)現(xiàn)（AssociationRuleDiscovery）[Descriptive]聚類（Clustering）[Descriptive]異常/偏差檢測（Anomaly/DeviationDetection）[Predictive]時間序列分析(timeseriesanalysis)四、數(shù)據(jù)挖掘工具介紹

數(shù)據(jù)挖掘是一個包含多個步驟的復(fù)雜數(shù)據(jù)處理流程，在實施過程中必須依賴特定的數(shù)據(jù)挖掘工具或軟件，才能取得較好的結(jié)果。商業(yè)化的數(shù)據(jù)挖掘軟件：SAS的EnterpriseMiner,IBM的SPSSModeler,Oracle的DataMiner等開源數(shù)據(jù)挖掘軟件：Weka，RapidMiner，KNIME等基于腳本語言的工具：如Python語言，R語言等語法簡單精練。對于初學(xué)者來說，比起其他編程語言，Python更容易上手。有很強大的庫?？梢灾皇褂肞ython這一種語言去構(gòu)建以數(shù)據(jù)為中心的應(yīng)用程序。功能強大。Python是一個混合體，豐富的工具集使它介于傳統(tǒng)的腳本語言和系統(tǒng)語言之間。Python不僅具備所有腳本語言簡單和易用的特點，還提供了編譯語言所具有的高級軟件工程工具。不僅適用于研究和原型構(gòu)建，同時也適用于構(gòu)建生產(chǎn)系統(tǒng)。研究人員和工程技術(shù)人員使用同一種編程工具，會給企業(yè)帶來非常顯著的組織效益，并降低企業(yè)的運營成本。Python是一門膠水語言。Python程序能夠以多種方式輕易地與其他語言的組件“粘接”在一起。Python數(shù)據(jù)分析主要包含以下5個方面優(yōu)勢四、數(shù)據(jù)挖掘工具介紹快速高效的多維數(shù)組對象ndarray。對數(shù)組執(zhí)行元素級的計算以及直接對數(shù)組執(zhí)行數(shù)學(xué)運算的函數(shù)。讀寫硬盤上基于數(shù)組的數(shù)據(jù)集的工具。線性代數(shù)運算、傅里葉變換，以及隨機數(shù)生成的功能。將C、C++、Fortran代碼集成到Python的工具。

Python數(shù)據(jù)分析常用類庫1．NumPy(NumericalPython)——

Python科學(xué)計算的基礎(chǔ)包四、數(shù)據(jù)挖掘工具介紹SciPy主要包含了8個模塊，不同的子模塊有不同的應(yīng)用，如插值、積分、優(yōu)化、圖像處理和特殊函數(shù)等。egrate數(shù)值積分例程和微分方程求解器scipy.linalg擴展了由numpy.linalg提供的線性代數(shù)例程和矩陣分解功能scipy.optimize函數(shù)優(yōu)化器（最小化器）以及根查找算法scipy.signal信號處理工具scipy.sparse稀疏矩陣和稀疏線性系統(tǒng)求解器scipy.specialSPECFUN（這是一個實現(xiàn)了許多常用數(shù)學(xué)函數(shù)的Fortran庫）的包裝器scipy.stats檢驗連續(xù)和離散概率分布、各種統(tǒng)計檢驗方法，以及更好的描述統(tǒng)計法scipy.weave利用內(nèi)聯(lián)C++代碼加速數(shù)組計算的工具2．SciPy——專門解決科學(xué)計算中各種標準問題域的模塊的集合四、數(shù)據(jù)挖掘工具介紹提供了一系列能夠快速、便捷地處理結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)和函數(shù)。高性能的數(shù)組計算功能以及電子表格和關(guān)系型數(shù)據(jù)庫（如SQL）靈活的數(shù)據(jù)處理功能。復(fù)雜精細的索引功能，以便便捷地完成重塑、切片和切塊、聚合及選取數(shù)據(jù)子集等操作。3．Pandas——數(shù)據(jù)訪問的核心庫四、數(shù)據(jù)挖掘工具介紹Python的2D繪圖庫，非常適合創(chuàng)建出版物上用的圖表。操作比較容易，只需幾行代碼即可生成直方圖、功率譜圖、條形圖、錯誤圖和散點圖等圖形。提供了pylab的模塊，其中包括了NumPy和pyplot中許多常用的函數(shù)，方便用戶快速進行計算和繪圖。交互式的數(shù)據(jù)繪圖環(huán)境，繪制的圖表也是交互式的。4．Matplotlib——繪制數(shù)據(jù)圖表的Python庫四、數(shù)據(jù)挖掘工具介紹簡單有效，可以供用戶在各種環(huán)境下重復(fù)使用。封裝了一些常用的算法方法?；灸K主要有數(shù)據(jù)預(yù)處理、模型選擇、分類、聚類、數(shù)據(jù)降維和回歸6個，在數(shù)據(jù)量不大的情況下，scikit-learn可以解決大部分問題。5．scikit-learn——數(shù)據(jù)挖掘和數(shù)據(jù)分析工具四、數(shù)據(jù)挖掘工具介紹Python環(huán)境的安裝和配置學(xué)習(xí)編程語言的第一關(guān)，就是安裝和環(huán)境配置。我們必須與計算機約定如何理解代碼、指令和語法，才能夠順利地與計算機交流，賦予它復(fù)雜的功能。Python便是其中的一種“方言”。對于新手，Python及其第三方模塊在安裝環(huán)節(jié)有許多已知的難題。比如源碼編譯的安裝方式、環(huán)境變量的配置、不同模塊之間的版本依賴問題。為了避免不必要的麻煩，我們將采用更加簡單的安裝方式。本書使用的是Python的科學(xué)計算發(fā)行版——Anaconda。

除Python本身之外，Anaconda囊括了科學(xué)計算和數(shù)據(jù)分析所需的主流模塊，獨立的包管理工具Conda,以及兩款不同風(fēng)格的編輯器Jupyter和Spyder.四、數(shù)據(jù)挖掘工具介紹預(yù)裝了大量常用Packages。完全開源和免費。額外的加速和優(yōu)化是收費的，但對于學(xué)術(shù)用途，可以申請免費的License。對全平臺和幾乎所有Python版本支持。

Python的Anaconda發(fā)行版Anaconda最新版本的下載地址：/download四、數(shù)據(jù)挖掘工具介紹安裝包——“next”——“Iagree”——“AllUsers(requiresadminprivileges)”——選擇安裝路徑——“Install”——“finish”。在Wind