抢购中

998.00

数据科学训练营:零基础入门人工智能工程师

¥998.001598.00

57次学习

收藏

微信扫描二维码分享

  • 课程介绍
  • 目录
  • 《数据科学之一:数据与数据科学》

    1.1 一个实际的例子:你将在本课程中学到什么

    时长00:05:19

    可试看

    1.2 这门课涵盖了哪些内容

    时长00:02:52

    2.1 数据科学和商业流行语:为什么会有这么多?

    时长00:05:34

    2.2 Analysis和Analytics之间有什么区别

    时长00:03:55

    2.3 商业分析,数据分析和数据科学:简介

    时长00:08:31

    2.4 继续学习商业智能、机器学习与人工智能

    时长00:09:36

    2.5 我们数据科学课程图表的分解

    时长00:04:08

    3.1 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

    时长00:07:32

    4.1 这些学科背后的原因

    时长00:03:59

    5.1 使用传统数据的技术

    时长00:08:26

    5.2 传统数据的真实案例

    时长00:01:49

    5.3 使用大数据的技术

    时长00:04:31

    5.4 大数据的真实案例

    时长00:01:37

    5.5 商业智能(BI)技术

    时长00:06:50

    5.6 商业智能(BI)的真实案例

    时长00:01:47

    5.7 使用传统方法的技巧

    时长00:09:13

    5.8 传统方法的真实案例

    时长00:02:50

    5.9 机器学习(ML)技术

    时长00:07:00

    5.10 机器学习的类型

    时长00:08:18

    5.11 机器学习的真实案例(ML)

    时长00:02:16

    6.1 数据科学中使用的必要编程语言和软件

    时长00:06:04

    7.1 寻找工作——我们所期待的以及所寻找的

    时长00:03:42

    8.1 澄清常见的误解

    时长00:04:23

    数据科学之二:概率论

    1.1 课程介绍

    时长00:03:14

    可试看

    1.2 基本概率公式

    时长00:07:22

    1.3 计算期望值

    时长00:05:42

    1.4 频率

    时长00:05:13

    1.5 事件及其补充

    时长00:05:39

    2.1 组合基本原理

    时长00:01:17

    2.2 排列及其使用

    时长00:03:26

    2.3 简单的阶乘运算

    时长00:03:40

    2.4 求解重复变分

    时长00:02:58

    2.5 求解非重复变分

    时长00:03:42

    2.6 求解组合

    时长00:04:56

    2.7 组合对称性

    时长00:03:20

    2.8 用独立样本空间求解组合

    时长00:02:57

    2.9 现实生活中的组合——彩票

    时长00:03:17

    2.10 组合学概述

    时长00:02:59

    2.11 组合实例

    时长00:10:58

    3.1 集合与事件

    时长00:04:38

    3.2 集合相交的形式

    时长00:03:50

    3.3 交集

    时长00:02:11

    3.4 并集

    时长00:04:56

    3.5 互斥集合

    时长00:02:14

    3.6 相依集合与独立集合

    时长00:03:06

    3.7 条件概率公式

    时长00:04:21

    3.8 全概率法则

    时长00:03:08

    3.9 加法定律

    时长00:02:26

    3.10 乘法定律

    时长00:03:52

    3.11 贝叶斯法则

    时长00:05:48

    3.12 贝叶斯推断实例

    时长00:13:55

    4.1 概率分布基本原理

    时长00:06:42

    4.2 概率分布类型

    时长00:07:37

    4.3 离散分布特点

    时长00:02:05

    4.4 离散分布:均匀分布

    时长00:02:18

    4.5 离散分布:伯努利分布

    时长00:03:31

    4.6 离散分布:二项分布

    时长00:07:09

    4.7 离散分布:泊松分布

    时长00:05:19

    4.8 连续分布的特点

    时长00:07:16

    4.9 连续分布:正态分布

    时长00:04:04

    4.10 连续分布:标准正态分布

    时长00:04:30

    4.11 连续分布:学生T分布

    时长00:02:34

    4.12 连续分布:卡方分布

    时长00:02:27

    4.13 连续分布:指数分布

    时长00:03:20

    4.14 连续分布:逻辑斯谛分布

    时长00:04:11

    4.15 概率分布实例

    时长00:14:47

    5.1 金融中的概率

    时长00:07:59

    5.2 统计学中的概率

    时长00:06:23

    5.3 数据科学中的概率

    时长00:04:26

    数据科学之三:统计学

    1.1 人口和样本

    时长00:04:15

    可试看

    2.1 新数据类型

    时长00:04:46

    2.2 测量水平

    时长00:03:48

    2.3 分类变量 可视化技术

    时长00:04:57

    2.4 数字变量 频率分布表

    时长00:03:14

    2.5 直方图

    时长00:02:19

    2.6 交叉表和散点图

    时长00:04:49

    2.7 平均、中位数、模式

    时长00:04:25

    2.8 偏度

    时长00:02:42

    2.9 方差

    时长00:06:00

    2.10 标准差和变异系数

    时长00:04:45

    2.11 协方差

    时长00:03:28

    2.12 相关性

    时长00:03:22

    3.1 实例

    时长00:16:17

    4.1 介绍

    时长00:01:13

    4.2 什么是分布

    时长00:04:38

    4.3 正态分布

    时长00:03:59

    4.4 标准正态分布

    时长00:03:35

    4.5 中心极限定理

    时长00:04:25

    4.6 标准误差

    时长00:01:31

    4.7 估计量和估计

    时长00:03:12

    5.1 什么是置信区间

    时长00:02:54

    5.2 已知总体方差,z-得分

    时长00:08:06

    5.3 置信区间澄清

    时长00:04:39

    5.4 学生t分布

    时长00:03:27

    5.5 未知群体方差,t值

    时长00:04:41

    5.6 误差幅度

    时长00:04:57

    5.7 置信区间 两种方法 依赖样本

    时长00:06:09

    5.8 置信区间 两种方法 独立样本(第1部分)

    时长00:04:36

    5.9 置信区间 两种方法 独立样本(第2部分)

    时长00:04:02

    5.10 置信区间 两种方法 独立样本(第3部分)

    时长00:01:32

    6.1 实践

    时长00:10:19

    7.1 空值与可选

    时长00:06:04

    7.2 抑制区的水平及意义

    时长00:07:10

    7.3 I型和II型误差

    时长00:04:19

    7.4 测试平均值 已知总体方差

    时长00:06:39

    7.5 P-值

    时长00:04:18

    7.6 测试平均值 总体方差未知

    时长00:04:53

    7.7 测试平均值 依赖样本

    时长00:05:23

    7.8 测试平均值 独立样本(第1部分)

    时长00:04:27

    7.9 测试平均值 独立样本(第2部分)

    时长00:04:31

    8.1 假设检验

    时长00:07:29

    数据科学之四:Python编程基础

    1.1 5分钟内介绍编程

    时长00:05:17

    可试看

    1.2 选择Python的原因

    时长00:05:24

    1.3 选择Jupyter的原因

    时长00:03:42

    1.4 安装Python和Jupyter

    时长00:06:04

    1.5 Jupyter的界面介绍

    时长00:03:06

    1.6 Jupyter中进行编程

    时长00:06:28

    1.7 Python 2与Python 3的区别

    时长00:02:56

    2.1 变量

    时长00:05:04

    2.2 数字和布尔值

    时长00:03:10

    2.3 字符串

    时长00:05:48

    3.1 算术运算符

    时长00:03:36

    3.2 “==”的介绍

    时长00:01:38

    3.3 重新分配变量

    时长00:01:13

    3.4 编写注释

    时长00:01:30

    3.5 续行符

    时长00:00:54

    3.6 索引元素

    时长00:01:23

    3.7 使用缩进构造代码

    时长00:01:49

    4.1 比较运算符

    时长00:02:23

    4.2 逻辑和标识运算符

    时长00:05:40

    5.1 if语句介绍

    时长00:03:17

    5.2 else语句介绍

    时长00:02:44

    5.3 esle if 就是elif

    时长00:05:38

    5.4 布尔值的介绍

    时长00:02:18

    6.1 在Python中定义函数

    时长00:02:16

    6.2 创建带有参数的函数

    时长00:03:54

    6.3 另一种定义函数的方法 

    时长00:02:40

    6.4 在另一个函数中使用函数

    时长00:01:54

    6.5 组合条件语句和函数

    时长00:03:11

    6.6 创建包含少量参数的函数

    时长00:01:18

    6.7 Python中值得注意的内置函数

    时长00:04:01

    7.1 列表

    时长00:04:15

    7.2 使用方法

    时长00:03:27

    7.3 列表切片 

    时长00:04:35

    7.4 元组

    时长00:03:18

    7.5 字典

    时长00:04:09

    8.1 循环

    时长00:02:39

    8.2 循环与递增

    时长00:02:31

    8.3 使用range()函数创建列表

    时长00:02:27

    8.4 同时使用条件语句和循环

    时长00:03:10

    8.5 所有的条件语句、函数和循环

    时长00:02:32

    8.6 遍历字典

    时长00:03:12

    9.1 面向对象编程 

    时长00:05:13

    9.2 模块和包

    时长00:01:10

    9.3 标准库

    时长00:02:52

    9.4 导入模块

    时长00:04:15

    数据科学之五:机器学习

    1.1 回归分析概览

    时长00:01:40

    可试看

    2.1 线性回归模型

    时长00:06:03

    2.2 相关与回归

    时长00:01:48

    2.3 线性回归模型的几何表示

    时长00:01:30

    2.4 Python软件包安装

    时长00:04:44

    2.5 Python中的第一个回归

    时长00:07:16

    2.6 使用Seaborn画图

    时长00:01:26

    2.7 理解回归表格

    时长00:05:52

    2.8 变异性的分解

    时长00:03:42

    2.9 什么是普通最小二乘法(OLS)?

    时长00:03:18

    2.10 R方

    时长00:05:35

    3.1 多重线性回归

    时长00:03:08

    3.2 调整的R方

    时长00:06:05

    3.3 模型显著性测试(F测试)

    时长00:02:06

    3.4 OLS假设

    时长00:02:26

    3.5 假设一:线性假设

    时长00:01:55

    3.6 假设二:无内生性

    时长00:04:14

    3.7 假设三:正态性和方差齐性

    时长00:05:52

    3.8 假设四:无自相关性

    时长00:03:36

    3.9 假设五:无多重共线性

    时长00:03:31

    3.10 处理分类数据之虚拟变量

    时长00:06:48

    3.11 用线性回归进行预测

    时长00:03:34

    4.1 什么是sklearn,它与其他软件包有何区别?

    时长00:02:27

    4.2 如何学习本节课

    时长00:02:00

    4.3 使用sklearn进行简单线性分析

    时长00:05:43

    4.4 使用sklearn进行简单线性分析之StatsModels汇总表

    时长00:04:53

    4.5 使用sklearn进行简多元线性分析

    时长00:03:15

    4.6 在sklearn中计算调整的R方

    时长00:04:50

    4.7 特征选择(F回归)

    时长00:04:46

    4.8 使用p值创建一个汇总表

    时长00:02:15

    4.9 特征缩放(标准化)

    时长00:05:43

    4.10 通过标准化权重选择特征

    时长00:05:27

    4.11 利用标准系数预测

    时长00:03:58

    4.12 低度拟合和过度拟合

    时长00:02:47

    4.13 试验 — 测试分析

    时长00:06:59

    5.1 线性回归实例之一

    时长00:12:12

    5.2 线性回归实例之二

    时长00:06:17

    5.3 线性回归实例之三

    时长00:03:20

    5.4 线性回归实例之四

    时长00:08:14

    5.5 线性回归实例之五

    时长00:07:39

    6.1 逻辑回归概览

    时长00:01:32

    6.2 Python中的简单例子

    时长00:07:53

    6.3 逻辑函数与效用函数

    时长00:04:05

    6.4 建立逻辑分析

    时长00:02:53

    6.5 一条宝贵的编码技巧

    时长00:02:31

    6.6 理解逻辑回归表格

    时长00:04:11

    6.7 几率到底是什么意思?

    时长00:04:35

    6.8 逻辑回归中的二元预测因子

    时长00:04:37

    6.9 计算模型的精度

    时长00:03:26

    6.10低度拟合与过度拟合

    时长00:03:48

    6.11 测试模型

    时长00:05:10

    7.1 集群分析概览

    时长00:03:54

    7.2 集群应用实例

    时长00:04:36

    7.3 分类与集群的区别

    时长00:02:37

    7.4 数学先决条件

    时长00:03:24

    8.1 K均值聚类

    时长00:04:54

    8.2 聚类的简单范例

    时长00:04:47

    8.3 分类数据聚类

    时长00:02:55

    8.4 如何选择聚类的数量

    时长00:06:16

    8.5 K均值聚类的优缺点

    时长00:03:28

    8.6 是否进行标准化

    时长00:04:37

    8.7 聚类与回归的关系

    时长00:01:36

    8.8 使用聚类分析进行市场细分(第一部分)

    时长00:06:08

    8.9 使用聚类分析进行市场细分(第二部分)

    时长00:07:03

    8.10 聚类的效用

    时长00:04:52

    9.1 聚类类型

    时长00:03:52

    9.2 系统树图

    时长00:05:26

    9.3 热点图

    时长00:04:39

    数据科学之六:数学基础

    1.1 什么是矩阵

    时长00:03:50

    1.2 标量与向量

    时长00:03:03

    1.3 线性代数与几何

    时长00:03:11

    1.4 Python中的数组——一种表示矩阵的简便方法

    时长00:05:14

    1.5 什么是张量

    时长00:03:05

    1.6 矩阵的加法和减法

    时长00:03:40

    1.7 添加矩阵时的错误

    时长00:02:06

    1.8 矩阵的转置

    时长00:05:18

    1.9 点积

    时长00:03:53

    1.10 矩阵的点积

    时长00:08:28

    1.11 为什么线性代数很有用?

    时长00:10:15

    数据科学之七:深度学习

    1.1 导师介绍及机器学习概览

    时长00:07:07

    可试看

    1.2 课程内容简介

    时长00:03:20

    2.1 神经网络概览

    时长00:04:22

    2.2 训练模型

    时长00:02:59

    2.3 机器学习类型

    时长00:03:48

    2.4 线性模型(线性代数版本)

    时长00:03:13

    2.5 多输入线性模型

    时长00:02:30

    2.6 多输入多输出线性模型

    时长00:04:27

    2.7 简单神经网络的图形表示

    时长00:01:52

    2.8 什么是目标函数

    时长00:01:32

    2.9 常用目标函数:二级范数损失

    时长00:02:09

    2.10 常用目标函数:交叉熵损失函数

    时长00:04:00

    2.11 优化算法:1参数梯度下降

    时长00:06:38

    2.12 优化算法:n参数梯度下降

    时长00:06:13

    3.1 创建环境——请不要跳过!

    时长00:00:56

    3.2 为什么用Python和Jupyter

    时长00:04:58

    3.3 安装Anaconda

    时长00:03:08

    3.4 Jupyter展示板1

    时长00:02:32

    3.5 Jupyter展示板2

    时长00:05:19

    3.6 安装TensorFlow包

    时长00:05:36

    4.1 概述

    时长00:03:19

    4.2 生成数据(选修)

    时长00:05:03

    4.3 初始化变量

    时长00:03:30

    4.4 训练模型

    时长00:07:55

    5.1 安装TensorFlow

    时长00:06:10

    5.2 TensorFlow大纲及其与其他程序库的对比

    时长00:03:33

    5.3 TensorFlow 2.0简介

    时长00:02:37

    5.4 在TensorFlow中编程的提示

    时长00:01:03

    5.5 TensorFlow中的文件格式类型和数据处理

    时长00:02:39

    5.6 使用TensorFlow2概述模型

    时长00:05:53

    5.7 解释结果并提取权重和偏差

    时长00:04:14

    5.8 自定义TensorFlow 2模型

    时长00:02:56

    6.1 什么是层

    时长00:02:06

    6.2 什么是深度网络

    时长00:02:23

    6.3 真正理解神经网络

    时长00:05:03

    6.4 我们为什么需要非线性

    时长00:03:04

    6.5 激活函数

    时长00:03:42

    6.6 激活函数:Softmax激活

    时长00:03:29

    6.7 反向传播算法

    时长00:03:17

    6.8 反向传播算法——直观理解

    时长00:03:07

    7.1 什么是过度拟合

    时长00:04:04

    7.2 低度拟合和过度拟合分类

    时长00:01:57

    7.3 什么是验证

    时长00:03:27

    7.4 训练、验证和测试数据集

    时长00:02:35

    7.5 N重交叉验证

    时长00:03:12

    7.6 早停及何时停止训练

    时长00:04:59

    8.1 什么是初始化

    时长00:02:45

    8.2 简单初始化类型

    时长00:02:52

    8.3 最先进的方法——(Xavier)Glorot初始化

    时长00:02:50

    9.1 随机梯度下降

    时长00:03:37

    9.2 梯度下降的问题

    时长00:02:07

    9.3 动量

    时长00:02:35

    9.4 学习率调整/如何选择最佳学习率

    时长00:04:30

    9.5 学习率调整可视化

    时长00:01:37

    9.6 自适应学习率调整(AdaGrad和RMSprop)

    时长00:04:13

    9.7 自适应矩估计(Adam)

    时长00:02:44

    10.1 预处理概述

    时长00:03:04

    10.2 基本预处理类型

    时长00:01:22

    10.3 标准化

    时长00:04:36

    10.4 预处理分类数据

    时长00:02:20

    10.5 二进制和独热编码

    时长00:03:44

    11.1 MNIST数据集

    时长00:02:38

    11.2 如何处理MNIST数据集

    时长00:02:49

    11.3 MNIST:导入相关程序包与加载数据

    时长00:02:16

    11.4 MNIST:预处理数据之创建验证并设置范围

    时长00:04:48

    11.5 MNIST:预处理数据之洗牌与分批

    时长00:06:35

    11.6 MNIST:概述模型

    时长00:04:59

    11.7 MNIST:选择函数和优化器

    时长00:02:10

    11.8 MNIST:学习

    时长00:05:43

    11.9 MNIST:测试模型

    时长00:04:01

    12.1 商业案例:研究数据集并识别预测因子

    时长00:07:59

    12.2 商业案例:概述解决方案

    时长00:01:36

    12.3 商业案例:平衡数据集

    时长00:03:44

    12.4 商业案例:预处理数据

    时长00:11:37

    12.5 商业案例:加载预处理数据

    时长00:03:28

    12.6 商业案例:学习并解释结果

    时长00:04:20

    12.7 商业案例:设置早停机制

    时长00:05:06

    12.8 商业案例:测试模型

    时长00:01:28

    13.1 学习总结

    时长00:03:54

    13.2 机器学习后续

    时长00:01:52

    13.3 卷积神经网络(CNN)概览

    时长00:05:00

    13.4 循环神经网络(RNN)概览

    时长00:02:55

    13.5 非神经网络方法概览

    时长00:03:57

再看看其他课

讲师

  • ILIYA

    美国数据科学教授

    365Careers知名讲师;多个国际统计学和数学竞赛奖项;目前进行统计和计量经济学研究

欢迎拨打服务热线

400-620-5100

课程合作联系

上海业务组

021-61601888-8169
richardl.li@51job.com

北京业务组

010-58273388-6737
sunny.li@51job.com
010-58273388-6490
mingjue.wang@51job.com

扫描二维码查看手机版

当前课程为付费课程,需购买学习
取消 确定