项目1　用餐数据异常分析 1
任务1 用餐数据集成与处理 5
1.1.1 数据集成 9
1.1.2 数据映射 9
1.1.3 数据类型转换 10
任务2 用餐数据重复值检测与处理 10
1.2.1 检测重复值duplicated 12
1.2.2 删除重复值drop_duplicates 12
任务3 用餐数据缺失值检测与处理 12
1.3.1 检测缺失值isna 15
1.3.2 处理缺失值fillna 15
任务4 用餐数据异常值检测与处理 15
1.4.1 检测异常值 20
1.4.2 绘制散点图scatter 21
1.4.3 绘制直方图hist 22
1.4.4 绘制箱形图boxplot 23
1.4.5 处理异常值 24
拓展实训：电影数据加工与处理 25
项目考核 26
项目2　碳排放数据分析 30
任务1 对碳排放数据进行分组分析 34
2.1.1 读取Excel文件数据 38
2.1.2 分组分析基本概念 39
2.1.3 描述性统计分析指标 40
任务2 对碳排放数据进行分布分析 40
2.2.1 分布分析基本概念 44
2.2.2 数据分箱cut 44
2.2.3 可视化包Seaborn 45
任务3 对碳排放数据进行交叉分析 45
2.3.1 交叉分析基本概念 47
2.3.2 数据透视表pivot_table 48
2.3.3 交叉表crosstab 48
2.3.4 热力图heatmap 48
任务4 对碳排放数据进行结构分析 49
2.4.1 结构分析基本概念 53
2.4.2 绘制饼图plot 53
任务5 对碳排放数据进行相关分析 53
2.5.1 相关分析基本概念 56
2.5.2 相关分析corr 56
拓展实训：数据分析方法应用 57
应用拓展（1）：电影数据复杂分析 57
应用拓展（2）：用餐数据复杂分析 58
项目考核 59
项目3　电影数据回归分析 61
任务1 使用一元线性回归分析方法对日均票房进行预测 66
3.1.1 一元线性回归 66
3.1.2 异常值的发现与处理 69
3.1.3 归一化处理 69
3.1.4 数据集的切分 73
任务2 使用多项式回归分析方法对日均票房进行预测 76
3.2.1 多项式回归 76
3.2.2 degree参数的设置 79
任务3 使用多元线性回归分析方法对电影评分进行预测 81
3.3.1 多元线性回归 81
3.3.2 标签映射 84
拓展实训：回归分析应用 85
应用拓展：薪资数据相关性分析 85
进阶拓展：电影数据回归分析 87
项目考核 87
项目4　性别与肥胖程度分类分析 92
任务1 使用逻辑回归实现性别判定 97
4.1.1 逻辑回归 101
4.1.2 Sklearn中的LogisticRegression 102
4.1.3 数组与向量的操作 102
任务2 使用朴素贝叶斯实现性别判定 103
4.2.1 朴素贝叶斯的原理 105
4.2.2 Sklearn中朴素贝叶斯的实现 106
4.2.3 Sklearn中的GaussianNB 107
4.2.4 Sklearn中的MultinomialNB 107
任务3 使用决策树实现性别判定 107
4.3.1 决策树的原理 110
4.3.2 Sklearn中的DecisionTreeClassifier分类器 111
4.3.3 分类模型常用评估指标 111
4.3.4 Sklearn中的模型评估方法 112
4.3.5 欠拟合与过拟合 112
任务4 使用支持向量机实现性别判定 113
4.4.1 支持向量机的原理 116
4.4.2 Sklearn中支持向量机的实现 116
4.4.3 Sklearn中的SVC分类器 116
任务5 使用支持向量机实现肥胖程度分类 117
4.5.1 核函数的基本概念 120
4.5.2 多项式核函数的使用 121
拓展实训：肥胖程度分类分析 122
应用拓展（1）：利用身高、体重、性别数据实现肥胖程度判定 122
应用拓展（2）：利用BMI实现肥胖程度分类 123
项目考核 123
项目5　鸢尾花分类分析 126
任务1 使用k近邻实现鸢尾花的分类 130
5.1.1 k近邻的基本原理 134
5.1.2 Sklearn中的KNeighborsClassifier分类器 134
任务2 使用随机森林实现鸢尾花的分类 134
5.2.1 集成学习方法 136
5.2.2 随机森林 136
5.2.3 Sklearn中的RandomForestClassifier分类器 137
任务3 使用Tensorflow设计神经网络实现鸢尾花的分类 137
5.3.1 人工神经网络 141
5.3.2 认识TensorFlow 142
5.3.3 神经网络参数优化 143
任务4 使用多层感知机实现鸢尾花的分类 144
5.4.1 神经网络的基本原理 146
5.4.2 多层感知机 146
5.4.3 Sklearn中的MLPClassifier分类器 146
拓展实训：回归与分类应用 147
应用拓展（1）：设计神经网络预测花瓣宽度 148
应用拓展（2）：利用身高、体重、性别数据实现肥胖程度分类 149
项目考核 150
项目6　观影用户聚类分析 154
任务1 使用DBSCAN确定聚类的质心个数 158
6.1.1 DBSCAN的优缺点 162
6.1.2 Sklearn中的DBSCAN 163
任务2 使用k-Means对观影用户进行聚类 164
6.2.1 k-Means的基本概念 167
6.2.2 k-Means的特点 168
6.2.3 Sklearn中的KMeans 168
拓展实训：根据身高、体重和性别对用户进行聚类 169
项目考核 170
项目7　超市零售数据关联规则挖掘 173
任务1 对超市零售数据做预处理 177
任务2 使用Apriori算法实现超市零售数据关联规则挖掘 178
7.2.1 购物篮分析 182
7.2.2 频繁项集 182
7.2.3 关联规则 183
7.2.4 Apriori算法 184
7.2.5 强关联规则 185
任务3 调用apyori库实现超市零售数据关联规则挖掘 187
7.3.1 apyori库 188
7.3.2 Apriori算法的优缺点 189
拓展实训：论文作者关联规则挖掘 189
项目考核 191
项目8　人体行为识别应用 195
任务1 使用卷积神经网络识别人体行为 202
8.1.1 Keras环境准备 206
8.1.2 行为数据的获取与解析 206
8.1.3 行为数据的特征分析 207
8.1.4 Keras中的Conv1D卷积层 208
8.1.5 Keras中的AveragePooling1D池化层 209
任务2 使用循环神经网络识别人体行为 209
8.2.1 长短期记忆网络 212
8.2.2 Keras中的LSTM层 212
拓展实训：电影评论数据分析应用 213
项目考核 215
项目9　生成式人工智能应用 216
任务1 使用文心一言自动生成文本内容 220
9