第一章：
1. 数据分析、数据挖掘、数据仓库、知识发现的概念（理解）
2. 数据挖掘的主要任务（理解）
3. 离群点检测的四种方法（简述）
4. 数据挖掘存在的主要问题（简述）
5. Python 数据挖掘常用的三大库（理解）
第二章：
6. Python 的数据类型（理解）
7. 流程控制（理解）
8. Python 的四种数据类型（掌握）
9. Numpy 数组对象创建、数据转换、数组变换、索引和切片、排序（掌握）
10. Pandas 两类数据结构的创建、查询、分组和聚合（掌握）
11. Matplotlib 常用的绘图函数、折线图、散点图、直方图、饼图（理解）
第三章：
12. 属性及其类型（理解）
13. 数据的中心趋势和散布度量指标（理解）
14. 数据属性的相似度度量（理解）
15. 数值属性的相似度度量欧氏距离、曼哈顿距离、切比雪夫距离（掌握）
第四章：
16. 数据预处理中，原始数据中存在的问题（理解）
17. 数据预处理中，对数据的质量要求是什么？（简述）
18. 数据的清洗方法中缺失值的处理方法（简述）
19. Pandas 进行数据缺失值处理（掌握）
20. 利用 Pandas 进行数据合并（理解）
21. 数据标准化、数据规约（理解）
第五章：
22. 回归分析的过程（理解）
23. 一元线性回归过程及 python 实现（理解）
24. 多元线性回归过程（理解）
第六章
25. 项集、频繁项集、闭频繁项集、最大频繁项集概念（理解）
26. 最小支持度、最小置信度、强关联规则（掌握）
27. Apriori 算法的过程，发现频繁项集和强关联规则（掌握）
第七章
28. 信息增益、信息增益率基尼系数（理解）
29. 分类器训练和预测过程（理解）
30. 决策树构造过程（掌握）
31. ID3 算法、C4.5 算法的计算过程（掌握）✤
32. K 近邻算法（理解）
33. 模型评估的相关概念（理解）
第八章
34. 聚类分析的概念（理解）
35. 聚类分析的基本方法（简述）
36. KMeans 聚类的基本原理（掌握）
37. Kmeans 聚类的 python 实现（理解）
第十章
38. 离群点的概念（理解）
39. 离群点的类型（简述）
40. 离群点检测的主要方法（简述）
Comments NOTHING