搭建机器学习开发环境及Python基础，108页PDF

一. 机器学习开发环境搭建

1.1 Python & Anaconda 安装及配置

1.2 Jupyter Notebook

• 1.2.1 拓展插件

• 1.2.2 自动检查代码错误

1.3 JupyterLab

• 1.3.1 安装 Jupyterlab

• 1.3.2 设置工作路径/取消密码

• 1.3.3 添加JupyterLab快捷方式

• 1.3.4 mito

1.4 VSCode

• 1.4.1 安装

• 1.4.2 配置

• 1.4.3 插件

• 1.4.4 主题

1.5 环境管理

1.6 包管理

• 1.6.1 pip freeze

• 1.6.2 pip cache

• 1.6.3 pip list

• 1.6.4 pip.init

1.7 必备工具

• 1.7.1 Cmder

• 1.7.2 Git

二. Python基础

2.0 Python 怎么学

2.1 Python版本和解释器

2.2 Python基本语法

• 缩进

• 注释

• 标识符

• 引号

• 命名规范

• 样式指南

2.3 数据类型

• 2.3.1 数值类型

• 2.3.2 文本类型:str

• 2.3.3 布尔类型:bool

• 2.3.4 序列类型

• 2.3.5 映射类型:dict

• 2.3.6 集合类型:set

2.4 运算符

• 2.4.1 算术运算符

• 2.4.2 比较运算符

• 2.4.3 赋值运算符

• 2.4.4 位运算符

• 2.4.5 逻辑运算符

• 2.4.6 成员运算符

• 2.4.7 身份运算符

2.5 控制语句

• 2.5.1 条件语句 - if

• 2.5.1 循环语句 - while

• 2.5.2 break和continue

• 2.5.3 循环语句 - for

2.6 函数

• 2.6.1 定义函数

• 2.6.2 参数传递

• 2.6.3 返回值

• 2.6.4 作用域

• 2.6.5 递归函数

2.7 包和模块

• 2.7.1 模块

• 2.7.2 包

• 导入模块和包

三. Numpy

3.1 NumPy简介

3.2 数组基础

• 3.2.1 创建NumPy数组

• 3.2.2 数组的属性

3.3 数据操作

• 3.3.1 基础操作

• 3.3.2 数组运算

• 3.3.3 数组索引与切片

• 3.3.4 数组拼接

• 3.3.5 Numpy与线性代数

• 3.3.6 广播机制

3.4 NumPy的应用

• 3.4.1 数据预处理

• 3.4.2 公式表示

• 3.4.3 模型实现

四. Pandas

4.1 Pandas简介

• 4.1.1 创建Series：一维数组

• 4.1.2 创建DateFrame：二维数组

4.2 数据读写

• 4.2.1 在 pandas 中导入数据

• 4.2.2 保存 DataFrame 数据

4.3 数据探索

• 4.3.1 查看数据

• 4.3.2 排序

• 4.3.3 Pandas切片

4.4 数据清洗

4.5 数据操作

• 4.5.1 选择数据

• 4.5.2 数据合并

4.6 数据统计

• 4.6.1 数据统计和描述

• 4.6.2 分组、聚合、透视

4.7 数据可视化

• 4.7.1 基础可视化

• 4.7.2 高级可视化

4.8 Pandas AI

五. Matplotlib & Seaborn

5.1 Matplotlib简介

5.2 图表构成

5.3 常用设置

• 5.3.1 figure

• figure的常用设置

• 设置figure标题

• 添加文本

• 设置图例

• 设置子图间距

• 5.3.2 axes

• 创建axes

• axes的常用设置

• 设置标题

• 设置图例

• 设置坐标轴名称

• 设置坐标轴范围

• 隐藏边框

• 显示网格

• 添加注释

• 5.3.3 axis

• 设置坐标轴名称

• 设置坐标轴刻度标签样式

• 设置坐标轴刻度位置

• 设置坐标轴位置

5.4 基本步骤

5.5 Seaborn简介

• 5.5.1 Seaborn与matplotlib的关系

• 5.5.2 Seaborn API

• 5.5.3 Seaborn 实例

5.6 实战项目

5.7 补充资料/代码

六. Scikit-learn

6.1 简介

6.2 使用方法

• 6.2.1 机器学习基本概念

• 6.2.2 scikit-learn极简实例

6.3 Scikit-learn 机器学习完整流程、示例

• 数据加载

• 数据探索

• 数据预处理

• 模型训练

• 模型评估

6.4 pipeline处理机制

• 6.4.1 pipeline简介

• 6.4.2 Pipeline的原理

• 6.4.3 Pipeline的用法

• 6.4.4 Pipeline妙用：模块化Feature Transform

• 6.4.5 Pipeline妙用：自动化 Grid Search

• 6.4.6 Pipeline其他用法