**部分 基礎

第 1 章 軟件準備
1．1 下載及安裝 Python
1．2 Anaconda 的幾種界面
1．3 下載并安裝所需模塊

第 2 章 Python 基礎知識
2．1 一些基本常識
2．2 數組 (字符串、list、tuple、dict) 及與它們相關的函數和運算
2．3 函數、自定義函數、數組元素的計算、循環語句
2．4 偽隨機數模塊： random
2．5 變量的存儲位置
2．6 數據輸入輸出

第 3 章 類和子類簡介
3．1 class
3．2 subclass

第二部分 基本模塊

第 4 章 numpy 模塊
4．1 Numpy 數組的產生
4．2 數據文件的存取
4．3 數組 (包括矩陣) 及有關的運算
4．4 一些線性代數運算
4．5 關于日期和時間
4．6 多項式運算
4．7 向量化函數

第 5 章 pandas 模塊
5．1 數據框的生成和基本性質
5．2 數據框文件的存取
5．3 對數據框元素 (行列) 的選擇
5．4 數據框的一些簡單計算
5．5 以變量的值作為條件的數據框操作例子
5．6 添加新變量， 刪除變量、觀測值或改變 index
5．7 數據框文件結構的改變
5．8 數據框文件的合并
5．9 pandas 序列的產生
5．10 pandas 序列的一些性質和計算
5．11 一個例子
5．12 pandas 專門的畫圖命令

第 6 章 matplotlib 模塊
6．1 簡單的圖
6．2 幾張圖同框
6．3 排列幾張圖
6．4 三維圖

第 7 章 scipy 模塊
7．1 存取各種數據文件
7．2 常用的隨機變量的分布及隨機數的產生
7．3 自定義分布的隨機變量及隨機數的產生
7．4 定積分的數值計算 ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? 136

第三部分 編程思維訓練

第 8 章 基本編程訓練
8．1 基本編程
8．2 更多的和矩陣有關的編程
8．3 和若干簡單應用有關的編程訓練
8．4 在 Excel 表格之外處理 Excel 數據的訓練

第 9 章 若干計算方法的編程訓練
9．1 Markov 鏈
9．2 Gibbs 抽樣
9．3 EM 算法
9．4 MCMC 的 Metropolis 算法

第四部分 數據科學

第 10 章 探索性數據分析及數據準備
10．1 把數據轉換成常規容易處理的形式
10．2 對數據的簡單數字概括
10．3 描述性圖形概述
10．4 數據的準備

第 11 章 有監督學習概論
11．1 數據科學的核心內容
11．2 有監督學習
11．3 通過兩個案例介紹有監督學習要素

第 12 章 一些有監督學習模型
12．1 線性*小二乘回歸
12．2 Logistic 回歸的二分類方法
12．3 決策樹分類與回歸
12．4 基于決策樹的組合方法： Bagging、隨機森林、HGboost
12．5 人工神經網絡分類與回歸
12．6 k *近鄰方法分類與回歸
12．7 支持向量機方法分類
12．8 樸素貝葉斯方法分類