历史搜索
清空
在线课程课程详情
本课程提供了成为数据科学家所需的全部工具箱，我们将从最基本的开始，从数学、统计、概率论、程序基础到机器学习和深度学习，用最有效、最省时和最结构化的方式进行在线数据科学培训。
第1章:数据与数据科学
一个实际的例子：你将在本课程中学到什么
00:05:19
这门课涵盖了哪些内容
00:02:52
数据科学和商业流行语：为什么会有这么多？
00:05:34
Analysis和Analytics之间有什么区别
00:03:55
商业分析，数据分析和数据科学：简介
00:08:31
继续学习商业智能、机器学习与人工智能
00:09:36
我们数据科学课程图表的分解
00:04:08
传统数据，大数据，商业智能，传统数据科学和机器学习的应用
00:07:32
这些学科背后的原因
00:03:59
使用传统数据的技术
00:08:26
传统数据的真实案例
00:01:49
使用大数据的技术
00:04:31
大数据的真实案例
00:01:37
商业智能（BI）技术
00:06:50
商业智能（BI）的真实案例
00:01:47
使用传统方法的技巧
00:09:13
传统方法的真实案例
00:02:50
机器学习（ML）技术
00:07:00
机器学习的类型
00:08:18
机器学习的真实案例（ML）
00:02:16
数据科学中使用的必要编程语言和软件
00:06:04
寻找工作——我们所期待的以及所寻找的
00:03:42
澄清常见的误解
00:04:23
第2章:概率论导论
课程介绍
00:03:14
基本概率公式
00:07:22
计算期望值
00:05:42
频率
00:05:13
事件及其补充
00:05:39
组合基本原理
00:01:17
排列及其使用
00:03:26
简单的阶乘运算
00:03:40
求解重复变分
00:02:58
求解非重复变分
00:03:42
求解组合
00:04:56
组合对称性
00:03:20
用独立样本空间求解组合
00:02:57
现实生活中的组合——彩票
00:03:17
组合学概述
00:02:59
组合实例
00:10:58
集合与事件
00:04:38
集合相交的形式
00:03:50
交集
00:02:11
并集
00:04:56
互斥集合
00:02:14
相依集合与独立集合
00:03:06
条件概率公式
00:04:21
全概率法则
00:03:08
加法定律
00:02:26
乘法定律
00:03:52
贝叶斯法则
00:05:48
贝叶斯推断实例
00:13:55
概率分布基本原理
00:06:42
概率分布类型
00:07:37
离散分布特点
00:02:05
离散分布：均匀分布
00:02:18
离散分布：伯努利分布
00:03:31
离散分布：二项分布
00:07:09
离散分布：泊松分布
00:05:19
连续分布的特点
00:07:16
连续分布：正态分布
00:04:04
连续分布：标准正态分布
00:04:30
连续分布：学生T分布
00:02:34
连续分布：卡方分布
00:02:27
连续分布：指数分布
00:03:20
连续分布：逻辑斯谛分布
00:04:11
概率分布实例
00:14:47
金融中的概率
00:07:59
统计学中的概率
00:06:23
数据科学中的概率
00:04:26
第3章:统计学
人口和样本
00:04:15
新数据类型
00:04:46
测量水平
00:03:48
分类变量 可视化技术
00:04:57
数字变量 频率分布表
00:03:14
直方图
00:02:19
交叉表和散点图
00:04:49
平均、中位数、模式
00:04:25
偏度
00:02:42
方差
00:06:00
标准差和变异系数
00:04:45
协方差
00:03:28
相关性
00:03:22
实例
00:16:17
介绍
00:01:13
什么是分布
00:04:38
正态分布
00:03:59
标准正态分布
00:03:35
中心极限定理
00:04:25
标准误差
00:01:31
估计量和估计
00:03:12
什么是置信区间
00:02:54
已知总体方差，z-得分
00:08:06
置信区间澄清
00:04:39
学生t分布
00:03:27
未知群体方差，t值
00:04:41
误差幅度
00:04:57
置信区间 两种方法 依赖样本
00:06:09
置信区间 两种方法 独立样本（第1部分）
00:04:36
置信区间 两种方法 独立样本（第2部分）
00:04:02
置信区间 两种方法 独立样本（第3部分）
00:01:32
实践
00:10:19
空值与可选
00:06:04
抑制区的水平及意义
00:07:10
I型和II型误差
00:04:19
测试平均值 已知总体方差
00:06:39
P-值
00:04:18
测试平均值 总体方差未知
00:04:53
测试平均值 依赖样本
00:05:23
测试平均值 独立样本（第1部分）
00:04:27
测试平均值 独立样本（第2部分）
00:04:31
假设检验
00:07:29
第4章:Python编程基础
5分钟内介绍编程
00:05:17
选择Python的原因
00:05:24
选择Jupyter的原因
00:03:42
安装Python和Jupyter
00:06:04
Jupyter的界面介绍
00:03:06
Jupyter中进行编程
00:06:28
Python 2与Python 3的区别
00:02:56
变量
00:05:04
数字和布尔值
00:03:10
字符串
00:05:48
算术运算符
00:03:36
“==”的介绍
00:01:38
重新分配变量
00:01:13
编写注释
00:01:30
续行符
00:00:54
索引元素
00:01:23
使用缩进构造代码
00:01:49
比较运算符
00:02:23
逻辑和标识运算符
00:05:40
if语句介绍
00:03:17
else语句介绍
00:02:44
esle if 就是elif
00:05:38
布尔值的介绍
00:02:18
在Python中定义函数
00:02:16
创建带有参数的函数
00:03:54
另一种定义函数的方法
00:02:40
在另一个函数中使用函数
00:01:54
组合条件语句和函数
00:03:11
创建包含少量参数的函数
00:01:18
Python中值得注意的内置函数
00:04:01
列表
00:04:15
使用方法
00:03:27
列表切片
00:04:35
元组
00:03:18
字典
00:04:09
循环
00:02:39
循环与递增
00:02:31
使用range（）函数创建列表
00:02:27
同时使用条件语句和循环
00:03:10
所有的条件语句、函数和循环
00:02:32
遍历字典
00:03:12
面向对象编程
00:05:13
模块和包
00:01:10
标准库
00:02:52
导入模块
00:04:15
第5章:机器学习
回归分析概览
00:01:40
线性回归模型
00:06:03
相关与回归
00:01:48
线性回归模型的几何表示
00:01:30
Python软件包安装
00:04:44
Python中的第一个回归
00:07:16
使用Seaborn画图
00:01:26
理解回归表格
00:05:52
变异性的分解
00:03:42
什么是普通最小二乘法（OLS）？
00:03:18
R方
00:05:35
多重线性回归
00:03:08
调整的R方
00:06:05
模型显著性测试（F测试）
00:02:06
OLS假设
00:02:26
假设一：线性假设
00:01:55
假设二：无内生性
00:04:14
假设三：正态性和方差齐性
00:05:52
假设四：无自相关性
00:03:36
假设五：无多重共线性
00:03:31
处理分类数据之虚拟变量
00:06:48
用线性回归进行预测
00:03:34
什么是sklearn，它与其他软件包有何区别？
00:02:27
如何学习本节课
00:02:00
使用sklearn进行简单线性分析
00:05:43
使用sklearn进行简单线性分析之StatsModels汇总表
00:04:53
使用sklearn进行简多元线性分析
00:03:15
在sklearn中计算调整的R方
00:04:50
特征选择（F回归）
00:04:46
使用p值创建一个汇总表
00:02:15
特征缩放（标准化）
00:05:43
通过标准化权重选择特征
00:05:27
利用标准系数预测
00:03:58
低度拟合和过度拟合
00:02:47
Train - Test Split Explained
00:06:59
线性回归实例之一
00:12:12
线性回归实例之二
00:06:17
线性回归实例之三
00:03:20
线性回归实例之四
00:08:14
线性回归实例之五
00:07:39
逻辑回归概览
00:01:32
Python中的简单例子
00:07:53
逻辑函数与效用函数
00:04:05
建立逻辑分析
00:02:53
一条宝贵的编码技巧
00:02:31
理解逻辑回归表格
00:04:11
几率到底是什么意思？
00:04:35
逻辑回归中的二元预测因子
00:04:37
计算模型的精度
00:03:26
低度拟合与过度拟合
00:03:48
测试模型
00:05:10
集群分析概览
00:03:54
集群应用实例
00:04:36
分类与集群的区别
00:02:37
数学先决条件
00:03:24
K均值聚类
00:04:54
聚类的简单范例
00:04:47
分类数据聚类
00:02:55
如何选择聚类的数量
00:06:16
K均值聚类的优缺点
00:03:28
是否进行标准化
00:04:37
聚类与回归的关系
00:01:36
使用聚类分析进行市场细分（第一部分）
00:06:08
使用聚类分析进行市场细分（第二部分）
00:07:03
聚类的效用
00:04:52
聚类类型
00:03:52
系统树图
00:05:26
热点图
00:04:39
第6章:数学基础
什么是矩阵
00:03:50
标量与向量
00:03:03
线性代数与几何
00:03:11
Python中的数组——一种表示矩阵的简便方法
00:05:14
什么是张量
00:03:05
矩阵的加法和减法
00:03:40
添加矩阵时的错误
00:02:06
矩阵的转置
00:05:18
点积
00:03:53
矩阵的点积
00:08:28
为什么线性代数很有用？
00:10:15
第7章:深度学习
导师介绍及机器学习概览
00:07:07
课程内容简介
00:03:20
神经网络概览
00:04:22
训练模型
00:02:59
机器学习类型
00:03:48
线性模型（线性代数版本）
00:03:13
多输入线性模型
00:02:30
多输入多输出线性模型
00:04:27
简单神经网络的图形表示
00:01:52
什么是目标函数
00:01:32
常用目标函数：二级范数损失
00:02:09
常用目标函数：交叉熵损失函数
00:04:00
优化算法：1参数梯度下降
00:06:38
优化算法：n参数梯度下降
00:06:13
创建环境——请不要跳过！
00:00:56
为什么用Python和Jupyter
00:04:58
安装Anaconda
00:03:08
Jupyter展示板1
00:02:32
Jupyter展示板2
00:05:19
安装TensorFlow包
00:05:36
概述
00:03:19
生成数据（选修）
00:05:03
初始化变量
00:03:30
训练模型
00:07:55
安装TensorFlow
00:06:10
TensorFlow大纲及其与其他程序库的对比
00:03:33
TensorFlow 2.0简介
00:02:37
在TensorFlow中编程的提示
00:01:03
TensorFlow中的文件格式类型和数据处理
00:02:39
使用TensorFlow2概述模型
00:05:53
解释结果并提取权重和偏差
00:04:14
自定义TensorFlow 2模型
00:02:56
什么是层
00:02:06
什么是深度网络
00:02:23
真正理解神经网络
00:05:03
我们为什么需要非线性
00:03:04
激活函数
00:03:42
激活函数：Softmax激活
00:03:29
反向传播算法
00:03:17
反向传播算法——直观理解
00:03:07
什么是过度拟合
00:04:04
低度拟合和过度拟合分类
00:01:57
什么是验证
00:03:27
训练、验证和测试数据集
00:02:35
N重交叉验证
00:03:12
早停及何时停止训练
00:04:59
什么是初始化
00:02:45
简单初始化类型
00:02:52
最先进的方法——（Xavier）Glorot初始化
00:02:50
随机梯度下降
00:03:37
梯度下降的问题
00:02:07
动量
00:02:35
学习率调整/如何选择最佳学习率
00:04:30
学习率调整可视化
00:01:37
自适应学习率调整（AdaGrad和RMSprop）
00:04:13
自适应矩估计（Adam）
00:02:44
预处理概述
00:03:04
基本预处理类型
00:01:22
标准化
00:04:36
预处理分类数据
00:02:20
二进制和独热编码
00:03:44
MNIST数据集
00:02:38
如何处理MNIST数据集
00:02:49
MNIST：导入相关程序包与加载数据
00:02:16
MNIST：预处理数据之创建验证并设置范围
00:04:48
MNIST：预处理数据之洗牌与分批
00:06:35
MNIST：概述模型
00:04:59
MNIST：选择函数和优化器
00:02:10
MNIST：学习
00:05:43
MNIST：测试模型
00:04:01
商业案例：研究数据集并识别预测因子
00:07:59
商业案例：概述解决方案
00:01:36
商业案例：平衡数据集
00:03:44
商业案例：预处理数据
00:11:37
商业案例：加载预处理数据
00:03:28
商业案例：学习并解释结果
00:04:20
商业案例：设置早停机制
00:05:06
商业案例：测试模型
00:01:28
学习总结
00:03:54
机器学习后续
00:01:52
卷积神经网络（CNN）概览
00:05:00
循环神经网络（RNN）概览
00:02:55
非神经网络方法概览
00:03:57
讲师：课桌角
课桌角教育专注于国内各行业专业教育资源提供，利用大数据深度挖掘行业需求，通过与国际各个行业专家、学者深度合作，开发优质的教育课件，最大程度为国内学习者提供学习帮助。
未经51Job同意，不得转载本网站作品信息 | 无忧工作网版权所有©1999 - 2024
为了保护您的账号安全，本系统不兼容IE10及以下浏览器。如您使用此类浏览器，建议尽快升级或使用Chrome等其他浏览器。