项目1　用餐数据异常分析 1__eol__任务1 用餐数据集成与处理 5__eol__1.1.1 数据集成 9__eol__1.1.2 数据映射 9__eol__1.1.3 数据类型转换 10__eol__任务2 用餐数据重复值检测与处理 10__eol__1.2.1 检测重复值duplicated（） 12__eol__1.2.2 删除重复值drop_duplicates（） 12__eol__任务3 用餐数据缺失值检测与处理 12__eol__1.3.1 检测缺失值isna（） 15__eol__1.3.2 处理缺失值fillna（） 15__eol__任务4 用餐数据异常值检测与处理 15__eol__1.4.1 检测异常值 20__eol__1.4.2 绘制散点图scatter（） 21__eol__1.4.3 绘制直方图hist（） 22__eol__1.4.4 绘制箱形图boxplot（） 23__eol__1.4.5 处理异常值 24__eol__拓展实训：电影数据加工与处理 25__eol__项目考核 26__eol__项目2　碳排放数据分析 30__eol__任务1 对碳排放数据进行分组分析 34__eol__2.1.1 读取Excel文件数据 38__eol__2.1.2 分组分析基本概念 39__eol__2.1.3 描述性统计分析指标 40__eol__任务2 对碳排放数据进行分布分析 40__eol__2.2.1 分布分析基本概念 44__eol__2.2.2 数据分箱cut（） 44__eol__2.2.3 可视化包Seaborn 45__eol__任务3 对碳排放数据进行交叉分析 45__eol__2.3.1 交叉分析基本概念 47__eol__2.3.2 数据透视表pivot_table（） 48__eol__2.3.3 交叉表crosstab（） 48__eol__2.3.4 热力图heatmap（） 48__eol__任务4 对碳排放数据进行结构分析 49__eol__2.4.1 结构分析基本概念 53__eol__2.4.2 绘制饼图plot（） 53__eol__任务5 对碳排放数据进行相关分析 53__eol__2.5.1 相关分析基本概念 56__eol__2.5.2 相关分析corr（） 56__eol__拓展实训：数据分析方法应用 57__eol__应用拓展（1）：电影数据复杂分析 57__eol__应用拓展（2）：用餐数据复杂分析 58__eol__项目考核 59__eol__项目3　电影数据回归分析 61__eol__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__eol__3.1.1 一元线性回归 66__eol__3.1.2 异常值的发现与处理 69__eol__3.1.3 归一化处理 69__eol__3.1.4 数据集的切分 73__eol__任务2 使用多项式回归分析方法对日均票房进行预测 76__eol__3.2.1 多项式回归 76__eol__3.2.2 degree参数的设置 79__eol__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__eol__3.3.1 多元线性回归 81__eol__3.3.2 标签映射 84__eol__拓展实训：回归分析应用 85__eol__应用拓展：薪资数据相关性分析 85__eol__进阶拓展：电影数据回归分析 87__eol__项目考核 87__eol__项目4　性别与肥胖程度分类分析 92__eol__任务1 使用逻辑回归实现性别判定 97__eol__4.1.1 逻辑回归 101__eol__4.1.2 Sklearn中的LogisticRegression（） 102__eol__4.1.3 数组与向量的操作 102__eol__任务2 使用朴素贝叶斯实现性别判定 103__eol__4.2.1 朴素贝叶斯的原理 105__eol__4.2.2 Sklearn中朴素贝叶斯的实现 106__eol__4.2.3 Sklearn中的GaussianNB（） 107__eol__4.2.4 Sklearn中的MultinomialNB（） 107__eol__任务3 使用决策树实现性别判定 107__eol__4.3.1 决策树的原理 110__eol__4.3.2 Sklearn中的DecisionTreeClassifier（）分类器 111__eol__4.3.3 分类模型常用评估指标 111__eol__4.3.4 Sklearn中的模型评估方法 112__eol__4.3.5 欠拟合与过拟合 112__eol__任务4 使用支持向量机实现性别判定 113__eol__4.4.1 支持向量机的原理 116__eol__4.4.2 Sklearn中支持向量机的实现 116__eol__4.4.3 Sklearn中的SVC（）分类器 116__eol__任务5 使用支持向量机实现肥胖程度分类 117__eol__4.5.1 核函数的基本概念 120__eol__4.5.2 多项式核函数的使用 121__eol__拓展实训：肥胖程度分类分析 122__eol__应用拓展（1）：利用身高、体重、性别数据实现肥胖程度判定 122__eol__应用拓展（2）：利用BMI实现肥胖程度分类 123__eol__项目考核 123__eol__项目5　鸢尾花分类分析 126__eol__任务1 使用k近邻实现鸢尾花的分类 130__eol__5.1.1 k近邻的基本原理 134__eol__5.1.2 Sklearn中的KNeighborsClassifier（）分类器 134__eol__任务2 使用随机森林实现鸢尾花的分类 134__eol__5.2.1 集成学习方法 136__eol__5.2.2 随机森林 136__eol__5.2.3 Sklearn中的RandomForestClassifier（）分类器 137__eol__任务3 使用Tensorflow设计神经网络实现鸢尾花的分类 137__eol__5.3.1 人工神经网络 141__eol__5.3.2 认识TensorFlow 142__eol__5.3.3 神经网络参数优化 143__eol__任务4 使用多层感知机实现鸢尾花的分类 144__eol__5.4.1 神经网络的基本原理 146__eol__5.4.2 多层感知机 146__eol__5.4.3 Sklearn中的MLPClassifier（）分类器 146__eol__拓展实训：回归与分类应用 147__eol__应用拓展（1）：设计神经网络预测花瓣宽度 148__eol__应用拓展（2）：利用身高、体重、性别数据实现肥胖程度分类 149__eol__项目考核 150__eol__项目6　观影用户聚类分析 154__eol__任务1 使用DBSCAN确定聚类的质心个数 158__eol__6.1.1 DBSCAN的优缺点 162__eol__6.1.2 Sklearn中的DBSCAN（） 163__eol__任务2 使用k-Means对观影用户进行聚类 164__eol__6.2.1 k-Means的基本概念 167__eol__6.2.2 k-Means的特点 168__eol__6.2.3 Sklearn中的KMeans（） 168__eol__拓展实训：根据身高、体重和性别对用户进行聚类 169__eol__项目考核 170__eol__项目7　超市零售数据关联规则挖掘 173__eol__任务1 对超市零售数据做预处理 177__eol__任务2 使用Apriori算法实现超市零售数据关联规则挖掘 178__eol__7.2.1 购物篮分析 182__eol__7.2.2 频繁项集 182__eol__7.2.3 关联规则 183__eol__7.2.4 Apriori算法 184__eol__7.2.5 强关联规则 185__eol__任务3 调用apyori库实现超市零售数据关联规则挖掘 187__eol__7.3.1 apyori库 188__eol__7.3.2 Apriori算法的优缺点 189__eol__拓展实训：论文作者关联规则挖掘 189__eol__项目考核 191__eol__项目8　人体行为识别应用 195__eol__任务1 使用卷积神经网络识别人体行为 202__eol__8.1.1 Keras环境准备 206__eol__8.1.2 行为数据的获取与解析 206__eol__8.1.3 行为数据的特征分析 207__eol__8.1.4 Keras中的Conv1D（）卷积层 208__eol__8.1.5 Keras中的AveragePooling1D（）池化层 209__eol__任务2 使用循环神经网络识别人体行为 209__eol__8.2.1 长短期记忆网络 212__eol__8.2.2 Keras中的LSTM（）层 212__eol__拓展实训：电影评论数据分析应用 213__eol__项目考核 215__eol__项目9　生成式人工智能应用 216__eol__任务1 使用文心一言自动生成文本内容 220__eol__9