首页
文章
视频教程
问答
提问
写文章
登录
/
注册
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)
学习人数:2086
学习难度:中级
更新时间:2019-06-05
收藏
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
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。
课程评分
100%
%
%
%
%
讲师介绍
小P
好好学习,天天向上