数据预处理系列
- 数据预处理 第1篇：探索数据
- 数据预处理 第2篇：数据预处理（缺失值）
- 数据预处理 第3篇：数据预处理（使用插补法处理缺失值）
- 数据预处理 第4篇：数据预处理（sklearn 插补缺失值）
- 数据预处理 第5篇：异常值分析
- 数据预处理 第6篇：数据预处理（标准化、归一化、分类数据编码和离散化）
评估模型的指标
- 评估回归模型的指标：MSE、RMSE、MAE、R2、偏差和方差
- 评估分类模型的指标：召回率、精确率、F1值
- 评估分类模型的指标：ROC/AUC
回归模型系列
- 回归模型 第1篇：线性模型概述
分类模型系列
- 分类模型 第1篇：分类模型概述
Python 基础系列：
- Python 开始：变量、操作符、print()和type()
- Python 数据类型：数值和操作符
- Python 数据类型：布尔类型和None
- Python 数据类型：浮点数
- Python 数据类型：字符串
- Python 数据类型：列表
- Python 数据类型：元组和集合
- Python 数据类型：日期和时间
- Python 数据类型：命名元组
- Python 数据类型：动态类型模型
Python 学习 numpy系列：
- numpy 学习：数据类型和空值
- NumPy 学习：创建数组
- numpy 学习：数组改变形状、副本和view
- NumPy 学习：索引和切片
- NumPy 学习：矢量化和广播
- NumPy 学习：元素的选择，替换，增删，滚动、排序和索引
- Numpy 学习：数组的向量化、apply、栅格、查找
- numpy 学习：通用函数（包含数学函数）
- numpy 学习：数组的拼接、堆叠和拆分
- numpy 学习：数组的查找
- numpy 学习：统计函数和相关性
- numpy 学习：保存和加载
Python 学习 pandas 系列：
R 数据挖掘系列（未完结）：
- 数据挖掘 第一篇：聚类分析（划分）
- 数据挖掘 第二篇：基于距离评估数据的相似性和相异性
- 数据挖掘 第三篇：聚类的评估（簇数确定和轮廓系数）和可视化
- 数据挖掘 第四篇：OLS回归分析
- 数据挖掘 第五篇：分类（kNN）
Azure Databricks 系列：
- Databricks 第1篇：初识Databricks，创建工作区、集群和Notebook
- Databricks 第2篇：pyspark.sql 简介
- Databricks 第3篇：pyspark.sql 通过JDBC连接数据库
- Databricks 第4篇：pyspark.sql 分组统计和窗口
- Databricks 第5篇：Databricks文件系统（DBFS）
- Databricks 第6篇：Spark SQL 维护数据库和表
- Databricks 第7篇：管理Secret
- Databricks 第8篇：把Azure Data Lake Storage Gen2 (ADLS Gen 2)挂载到DBFS
- Databricks 第9篇：Spark SQL 基础（标识符、数据类型、NULL语义）
- Databricks 第10篇：Job
- Databricks 第11篇：Spark SQL 查询（行转列、列转行、Lateral View、排序）
- Databricks 第12篇：Notebook 工作流
- Databricks： 有用的代码集锦
SQL Server 审计系列：
参考文档：