數據預處理系列
- 數據預處理 第1篇：探索數據
- 數據預處理 第2篇：數據預處理（缺失值）
- 數據預處理 第3篇：數據預處理（使用插補法處理缺失值）
- 數據預處理 第4篇：數據預處理（sklearn 插補缺失值）
- 數據預處理 第5篇：異常值分析
- 數據預處理 第6篇：數據預處理（標准化、歸一化、分類數據編碼和離散化）
評估模型的指標
- 評估回歸模型的指標：MSE、RMSE、MAE、R2、偏差和方差
- 評估分類模型的指標：召回率、精確率、F1值
- 評估分類模型的指標：ROC/AUC
回歸模型系列
- 回歸模型 第1篇：線性模型概述
分類模型系列
- 分類模型 第1篇：分類模型概述
聚類模型系列：
時間序列分析系列：
推薦模型系列：
R 數據挖掘系列（未完結）：
- 數據挖掘 第一篇：聚類分析（划分）
- 數據挖掘 第二篇：基於距離評估數據的相似性和相異性
- 數據挖掘 第三篇：聚類的評估（簇數確定和輪廓系數）和可視化
- 數據挖掘 第四篇：OLS回歸分析
- 數據挖掘 第五篇：分類（kNN）
Azure Databricks 系列：
- Databricks 第1篇：初識Databricks，創建工作區、集群和Notebook
- Databricks 第2篇：pyspark.sql 簡介
- Databricks 第3篇：pyspark.sql 通過JDBC連接數據庫
- Databricks 第4篇：pyspark.sql 分組統計和窗口
- Databricks 第5篇：Databricks文件系統（DBFS）
- Databricks 第6篇：Spark SQL 維護數據庫和表
- Databricks 第7篇：管理Secret
- Databricks 第8篇：把Azure Data Lake Storage Gen2 (ADLS Gen 2)掛載到DBFS
- Databricks 第9篇：
SQL Server 審計系列：
參考文檔：