教程介绍:
python数据分析科学实战教程(132视频+大数据分析8案例学习+源码素材)。
教程目录 | |
---|---|
1. 数据科学的概念 | 2. 以示例讲解数据建模和数学建模 |
3. 数据科学的统计基础 | 4. 面向应用的数据挖掘算法分类 |
5. 各类算法的适用场景讲解 | 6. 面向应用的分类模型评估 |
7. Python介绍 | 8. Python基础数据类型和表达式 |
9. Python原生态数据结构(上) | 10. Python原生态数据结构(下) |
11. Python控制流 | 12. Python函数 |
13. Python模块的使用 | 14. 描述性统计与探索型数据分析(上) |
15. 描述性统计与探索型数据分析(下) | 16. 描述性方法大全与Python绘图(上) |
17. 描述性方法大全与Python绘图(下) | 18. 统计制图原理 |
19. 数据库基础 | 20. 数据整合和数据清洗 |
21. 数据整理 | 22. 课后答疑 |
23. 第三讲作业-信用卡客户画像 作业讲解1 | 24. 第三讲作业-信用卡客户画像 作业讲解2 |
25. 两变量关系检验方法综述 | 26. 参数估计简介及概念介绍(上) |
27. 参数估计简介及概念介绍(下) | 28. 假设检验与单样本T检验(上) |
29. 假设检验与单样本T检验(下) | 30. 两样本T检验 |
31. 方差分析 | 32. 相关分析 |
33. 相关知识点答疑 | 34. 简单线性回归(上) |
35. 简单线性回归(下) | 36. 多元线性回归 |
37. 课后作业与课程答疑 | 38. 第四讲作业-二手房房价影响因素分析 讲解1背景介绍 |
39. 作业讲解2描述性分析-1对被解释变量进行描述 | 40. 作业讲解3描述性分析-2对解释变量进行描述1 |
41. 作业讲解4描述性分析-3对解释变量进行描述2 | 42. 作业讲解5建立预测模型-1单变量显著度检验 |
43. 作业讲解6建立预测模型-2无交互项的线性模型 | 44. 作业讲解7建立预测模型-3有交互项的线性模型和预测 |
45. 课程答疑1 | 46. 线性回归检验(上) |
47. 线性回归检验(中) | 48. 线性回归检验(下) |
49. 逻辑回归基础(上) | 50. 逻辑回归基础(下) |
51. 课程答疑2 | 52. 第五讲作业-电信客户流失预警 作业讲解1总体介绍 |
53. 作业讲解2矩估计1 | 54. 作业讲解3矩估计2 |
55. 作业讲解4极大似然估计 | 56. 作业讲解5线性回归的极大似然估计 |
57. 作业讲解6逻辑回归的极大似然估计 | 58. 作业讲解7模型调优 |
59. 作业讲解8流失预警模型的调优 | 60. 作业讲解9最近邻域法的参数调优 |
61. 课前答疑 | 62. 决策树建模思路(上) |
63. 决策树建模思路(下) | 64. 决策树建模基本原理 |
65. Quinlan系列决策树建模原理-ID3 | 66. 06Quinlan系列决策树建模原理-C4.5 |
67. CART决策树建模原理 | 68. 模型修剪-以CART为例 |
69. 案例讲解1 | 70. 神经网络基本概念 |
71. 人工神经网络结构 | 72. 感知器 |
73. 案例讲解2 | 74. BP神经网络 |
75. 课后答疑 | 76. 不平衡分类概述 |
77. 欠采样 | 78. 过采样 |
79. 综合采样 | 80. 案例讲解 |
81. 集成学习概述 | 82. 随机森林 |
83. Adaboost算法 | 84. 提升树、GBDT和XGBoost |
085. 多元统计基础与变量约减的思路 | 086. 主成分分析理论基础1 |
087. 主成分分析理论基础2 | 088. 主成分分析理论基础3 |
089. 主成分分析案例1 | 090. 主成分分析案例2 |
091. 因子分析1 | 092. 因子分析2 |
093. 稀疏主成分分析 | 094. 变量聚类原理 |
095. 变量聚类操作 | 096. 答疑1 |
097. 案例2:精准营销的两阶段预测模型1 | 098. 案例2:精准营销的两阶段预测模型2 |
099. 案例2:精准营销的两阶段预测模型3 | 100. 案例2:精准营销的两阶段预测模型4 |
101. 答疑2 | 102. 凸优化基本概念 |
103. 凸集的概念 | 104. 凸函数 |
105. 无约束凸优化计算 | 106. 有约束凸优化计算 |
107. 朴素贝叶斯分类器 | 108. 支持向量机引论 |
109. 线性可分的支持向量机 | 110. 线性不可分的支持向量机 |
111. 支持向量机使用案例 | 112. GBDT和分类模型评估(算法角度) |
113. GBDT和分类模型评估(算法角度) | 114. GBDT和分类模型评估(算法角度) |
115. GBDT和分类模型评估(算法角度) | 116. 客户画像与标签体系 |
117. 客户细分 | 118. 聚类的基本逻辑 |
119. 系统聚类(上) | 120. 系统聚类(下) |
121. K-means聚类 | 122. 使用决策树做聚类后客户分析 |
123. 课后答疑 | 124. 智能推荐(上) |
125. 智能推荐(下) | 126. 购物篮分析与运用 |
127. 关联规则(上) | 128. 关联规则(中) |
129. 关联规则(下) | 130. 序贯模型 |
131. 相关性在推荐中的运用 | 132. 答疑 |
下载量 : 32 | 类型 : 视频文件