Python数据科学技术详解与商业项目实战精讲-免费在线视频教程

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

Python数据科学技术详解与商业项目实战精讲

喜欢就分享吧