首页
文章
视频教程
问答
课程
Python进阶
Python数据科学技术详解与商业项目实战精讲
Python数据科学技术详解与商业项目实战精讲
两个月扫清BATJ数据科学面试障碍,针对入门难、头绪乱、进步缓慢、缺乏业界经验、面试恐惧等问题提供解决方案。人人都爱数据科学家!Python数据科学精华实战课程!课程设计环节紧凑,循循善诱;课堂教学如行云流水,让人受益匪浅。
原创视频
5.0分
学习人数:17731
学习难度:中级
更新时间:2019-06-05
已学0%
学习耗时0分钟
开始学习
课程介绍
两个月扫清BATJ数据科学面试障碍,针对入门难、头绪乱、进步缓慢、缺乏业界经验、面试恐惧等问题提供解决方案。人人都爱数据科学家!Python数据科学精华实战课程!课程设计环节紧凑,循循善诱;课堂教学如行云流水,让人受益匪浅。
喜欢就分享吧
课程目录
课程目录
共:10章 132节
数据科学家的武器库
1-1 数据科学的概念
1-2 以示例讲解数据建模和数学建模
1-3 数据科学的统计基础
1-4 面向应用的数据挖掘算法分类
1-5 各类算法的适用场景讲解
1-6 面向应用的分类模型评估
Python基础
2-1 Python介绍
2-2 Python基础数据类型和表达式
2-3 Python原生态数据结构(上)
2-4 Python原生态数据结构(下)
2-5 Python控制流
2-6 Python函数
2-7 Python模块的使用
信用卡客户特征分析-产品客户画像初步
3-1 描述性统计与探索型数据分析(上)
3-2 描述性统计与探索型数据分析(下)
3-3 描述性方法大全与Python绘图(上)
3-4 描述性方法大全与Python绘图(下)
3-5 统计制图原理
3-6 数据库基础
3-7 数据整合和数据清洗
3-8 数据整理
3-9 课后答疑
3-10 信用卡客户画像 作业讲解1
3-11 信用卡客户画像 作业讲解2
二手房价格分析报告
4-1 两变量关系检验方法综述
4-2 参数估计简介及概念介绍(上)
4-3 参数估计简介及概念介绍(下)
4-4 假设检验与单样本T检验(上)
4-5 假设检验与单样本T检验(下)
4-6 两样本T检验
4-7 方差分析
4-8 相关分析
4-9 相关知识点答疑
4-10 简单线性回归(上)
4-11 简单线性回归(下)
4-12 多元线性回归
4-13 课后作业与课程答疑
4-14 二手房房价影响因素分析 讲解1背景介绍
4-15 描述性分析-1对被解释变量进行描述
4-16 描述性分析-2对解释变量进行描述1
4-17 描述性分析-3对解释变量进行描述2
4-18 建立预测模型-1单变量显著度检验
4-19 建立预测模型-2无交互项的线性模型
4-20 建立预测模型-3有交互项的线性模型和预测
汽车贷款信用评分卡制作
5-1 课程答疑
5-2 线性回归检验(上)
5-3 线性回归检验(中)
5-4 线性回归检验(下)
5-5 逻辑回归基础(上)
5-6 逻辑回归基础(下)
5-7 课程答疑2
5-8 电信客户流失预警 作业讲解1总体介绍
5-9 矩估计1
5-10 矩估计2
5-11 极大似然估计
5-12 线性回归的极大似然估计
5-13 逻辑回归的极大似然估计
5-14 模型调优
5-15 流失预警模型的调优
5-16 最近邻域法的参数调优
电信客户流失预警
6-1 课前答疑
6-2 决策树建模思路(上)
6-3 决策树建模思路(下)
6-4 决策树建模基本原理
6-5 Quinlan系列决策树建模原理-ID3
6-6 Quinlan系列决策树建模原理-C4.5
6-7 CART决策树建模原理
6-8 模型修剪-以CART为例
6-9 案例讲解1
6-10 神经网络基本概念
6-11 人工神经网络结构
6-12 感知器
6-13 案例讲解2
6-14 神经网络
6-15 课后答疑
个人银行反欺诈模型
7-1 不平衡分类概述
7-2 欠采样
7-3 过采样
7-4 综合采样
7-5 案例讲解
7-6 集成学习概述
7-7 随机森林
7-8 Adaboost算法_
7-9 提升树、GBDT和XGBoost
慈善机构精准营销案例
8-1 多元统计基础与变量约减的思路
8-2 主成分分析理论基础1
8-3 主成分分析理论基础2
8-4 主成分分析理论基础3
8-5 主成分分析案例1
8-6 主成分分析案例2
8-7 因子分析1.
8-8 因子分析2
8-9 稀疏主成分分析
8-10 变量聚类原理
8-11 变量聚类操作
8-12 答疑1
8-13 案例2:精准营销的两阶段预测模型1
8-14 案例2:精准营销的两阶段预测模型2
8-15 案例2:精准营销的两阶段预测模型3
8-16 精准营销的两阶段预测模型4
8-17 答疑2_
银行客户渠道使用偏好的客户洞察
9-1 凸优化基本概念
9-2 凸集的概念
9-3 凸函数
9-4 无约束凸优化计算_
9-5 有约束凸优化计算
9-6 朴素贝叶斯分类器
9-7 支持向量机引论
9-8 线性可分的支持向量机
9-9 线性不可分的支持向量机
9-10 支持向量机使用案例
9-11 GBDT和分类模型评估(算法角度)
9-12 GBDT和分类模型评估(算法角度)
9-13 GBDT和分类模型评估(算法角度)
9-14 GBDT和分类模型评估(算法角度)
9-15 客户画像与标签体系
9-16 客户细分
9-17 聚类的基本逻辑
9-18 系统聚类(上)
9-19 系统聚类(下)
9-20 K-means聚类
9-21 使用决策树做聚类后客户分析
9-22 课后答疑
推荐系统设计与银行产品推荐
10-1 智能推荐(上)
10-2 智能推荐(下)
10-3 购物篮分析与运用
10-4 关联规则(上)
10-5 关联规则(中)
10-6 关联规则(下)
10-7 序贯模型
10-8 相关性在推荐中的运用
10-9 答疑
学生反馈
5.0
课程评分
课程评分根据各个学生的评分和各种其他因素(如评分时间和可读性)计算得出,以确保评分公平准确地反映课程质量。
100%
%
%
%
%
讲师介绍
小P
好好学习,天天向上