可试看

1.1 一个实际的例子：你将在本课程中学到什么

1.2 这门课涵盖了哪些内容

2.1 数据科学和商业流行语：为什么会有这么多？

2.2 Analysis和Analytics之间有什么区别

2.3 商业分析，数据分析和数据科学：简介

2.4 继续学习商业智能、机器学习与人工智能

2.5 我们数据科学课程图表的分解

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

4.1 这些学科背后的原因

5.1 使用传统数据的技术

5.2 传统数据的真实案例

5.3 使用大数据的技术

5.4 大数据的真实案例

5.5 商业智能（BI）技术

5.6 商业智能（BI）的真实案例

5.7 使用传统方法的技巧

5.8 传统方法的真实案例

5.9 机器学习（ML）技术

5.10 机器学习的类型

5.11 机器学习的真实案例（ML）

6.1 数据科学中使用的必要编程语言和软件

7.1 寻找工作——我们所期待的以及所寻找的

8.1 澄清常见的误解

可试看

1.1 课程介绍

1.2 基本概率公式

1.3 计算期望值

1.4 频率

1.5 事件及其补充

2.1 组合基本原理

2.2 排列及其使用

2.3 简单的阶乘运算

2.4 求解重复变分

2.5 求解非重复变分

2.6 求解组合

2.7 组合对称性

2.8 用独立样本空间求解组合

2.9 现实生活中的组合——彩票

2.10 组合学概述

2.11 组合实例

3.1 集合与事件

3.2 集合相交的形式

3.3 交集

3.4 并集

3.5 互斥集合

3.6 相依集合与独立集合

3.7 条件概率公式

3.8 全概率法则

3.9 加法定律

3.10 乘法定律

3.11 贝叶斯法则

3.12 贝叶斯推断实例

4.1 概率分布基本原理

4.2 概率分布类型

4.3 离散分布特点

4.4 离散分布：均匀分布

4.5 离散分布：伯努利分布

4.6 离散分布：二项分布

4.7 离散分布：泊松分布

4.8 连续分布的特点

4.9 连续分布：正态分布

4.10 连续分布：标准正态分布

4.11 连续分布：学生T分布

4.12 连续分布：卡方分布

4.13 连续分布：指数分布

4.14 连续分布：逻辑斯谛分布

4.15 概率分布实例

5.1 金融中的概率

5.2 统计学中的概率

5.3 数据科学中的概率

可试看

1.1 人口和样本

2.1 新数据类型

2.2 测量水平

2.3 分类变量 可视化技术

2.4 数字变量 频率分布表

2.5 直方图

2.6 交叉表和散点图

2.7 平均、中位数、模式

2.8 偏度

2.9 方差

2.10 标准差和变异系数

2.11 协方差

2.12 相关性

3.1 实例

4.1 介绍

4.2 什么是分布

4.3 正态分布

4.4 标准正态分布

4.5 中心极限定理

4.6 标准误差

4.7 估计量和估计

5.1 什么是置信区间

5.2 已知总体方差，z-得分

5.3 置信区间澄清

5.4 学生t分布

5.5 未知群体方差，t值

5.6 误差幅度

5.7 置信区间 两种方法 依赖样本

5.8 置信区间 两种方法 独立样本（第1部分）

5.9 置信区间 两种方法 独立样本（第2部分）

5.10 置信区间 两种方法 独立样本（第3部分）

6.1 实践

7.1 空值与可选

7.2 抑制区的水平及意义

7.3 I型和II型误差

7.4 测试平均值 已知总体方差

7.5 P-值

7.6 测试平均值 总体方差未知

7.7 测试平均值 依赖样本

7.8 测试平均值 独立样本（第1部分）

7.9 测试平均值 独立样本（第2部分）

8.1 假设检验

可试看

1.1 5分钟内介绍编程

1.2 选择Python的原因

1.3 选择Jupyter的原因

1.4 安装Python和Jupyter

1.5 Jupyter的界面介绍

1.6 Jupyter中进行编程

1.7 Python 2与Python 3的区别

2.1 变量

2.2 数字和布尔值

2.3 字符串

3.1 算术运算符

3.2 “==”的介绍

3.3 重新分配变量

3.4 编写注释

3.5 续行符

3.6 索引元素

3.7 使用缩进构造代码

4.1 比较运算符

4.2 逻辑和标识运算符

5.1 if语句介绍

5.2 else语句介绍

5.3 esle if 就是elif

5.4 布尔值的介绍

6.1 在Python中定义函数

6.2 创建带有参数的函数

6.3 另一种定义函数的方法 

6.4 在另一个函数中使用函数

6.5 组合条件语句和函数

6.6 创建包含少量参数的函数

6.7 Python中值得注意的内置函数

7.1 列表

7.2 使用方法

7.3 列表切片 

7.4 元组

7.5 字典

8.1 循环

8.2 循环与递增

8.3 使用range（）函数创建列表

8.4 同时使用条件语句和循环

8.5 所有的条件语句、函数和循环

8.6 遍历字典

9.1 面向对象编程 

9.2 模块和包

9.3 标准库

9.4 导入模块

可试看

1.1 回归分析概览

2.1 线性回归模型

2.2 相关与回归

2.3 线性回归模型的几何表示

2.4 Python软件包安装

2.5 Python中的第一个回归

2.6 使用Seaborn画图

2.7 理解回归表格

2.8 变异性的分解

2.9 什么是普通最小二乘法（OLS）？

2.10 R方

3.1 多重线性回归

3.2 调整的R方

3.3 模型显著性测试（F测试）

3.4 OLS假设

3.5 假设一：线性假设

3.6 假设二：无内生性

3.7 假设三：正态性和方差齐性

3.8 假设四：无自相关性

3.9 假设五：无多重共线性

3.10 处理分类数据之虚拟变量

3.11 用线性回归进行预测

4.1 什么是sklearn，它与其他软件包有何区别？

4.2 如何学习本节课

4.3 使用sklearn进行简单线性分析

4.4 使用sklearn进行简单线性分析之StatsModels汇总表

4.5 使用sklearn进行简多元线性分析

4.6 在sklearn中计算调整的R方

4.7 特征选择（F回归）

4.8 使用p值创建一个汇总表

4.9 特征缩放（标准化）

4.10 通过标准化权重选择特征

4.11 利用标准系数预测

4.12 低度拟合和过度拟合

4.13 试验 — 测试分析

5.1 线性回归实例之一

5.2 线性回归实例之二

5.3 线性回归实例之三

5.4 线性回归实例之四

5.5 线性回归实例之五

6.1 逻辑回归概览

6.2 Python中的简单例子

6.3 逻辑函数与效用函数

6.4 建立逻辑分析

6.5 一条宝贵的编码技巧

6.6 理解逻辑回归表格

6.7 几率到底是什么意思？

6.8 逻辑回归中的二元预测因子

6.9 计算模型的精度

6.10低度拟合与过度拟合

6.11 测试模型

7.1 集群分析概览

7.2 集群应用实例

7.3 分类与集群的区别

7.4 数学先决条件

8.1 K均值聚类

8.2 聚类的简单范例

8.3 分类数据聚类

8.4 如何选择聚类的数量

8.5 K均值聚类的优缺点

8.6 是否进行标准化

8.7 聚类与回归的关系

8.8 使用聚类分析进行市场细分（第一部分）

8.9 使用聚类分析进行市场细分（第二部分）

8.10 聚类的效用

9.1 聚类类型

9.2 系统树图

9.3 热点图

1.1 什么是矩阵

1.2 标量与向量

1.3 线性代数与几何

1.4 Python中的数组——一种表示矩阵的简便方法

1.5 什么是张量

1.6 矩阵的加法和减法

1.7 添加矩阵时的错误

1.8 矩阵的转置

1.9 点积

1.10 矩阵的点积

1.11 为什么线性代数很有用？

可试看

1.1 导师介绍及机器学习概览

1.2 课程内容简介

2.1 神经网络概览

2.2 训练模型

2.3 机器学习类型

2.4 线性模型（线性代数版本）

2.5 多输入线性模型

2.6 多输入多输出线性模型

2.7 简单神经网络的图形表示

2.8 什么是目标函数

2.9 常用目标函数：二级范数损失

2.10 常用目标函数：交叉熵损失函数

2.11 优化算法：1参数梯度下降

2.12 优化算法：n参数梯度下降

3.1 创建环境——请不要跳过！

3.2 为什么用Python和Jupyter

3.3 安装Anaconda

3.4 Jupyter展示板1

3.5 Jupyter展示板2

3.6 安装TensorFlow包

4.1 概述

4.2 生成数据（选修）

4.3 初始化变量

4.4 训练模型

5.1 安装TensorFlow

5.2 TensorFlow大纲及其与其他程序库的对比

5.3 TensorFlow 2.0简介

5.4 在TensorFlow中编程的提示

5.5 TensorFlow中的文件格式类型和数据处理

5.6 使用TensorFlow2概述模型

5.7 解释结果并提取权重和偏差

5.8 自定义TensorFlow 2模型

6.1 什么是层

6.2 什么是深度网络

6.3 真正理解神经网络

6.4 我们为什么需要非线性

6.5 激活函数

6.6 激活函数：Softmax激活

6.7 反向传播算法

6.8 反向传播算法——直观理解

7.1 什么是过度拟合

7.2 低度拟合和过度拟合分类

7.3 什么是验证

7.4 训练、验证和测试数据集

7.5 N重交叉验证

7.6 早停及何时停止训练

8.1 什么是初始化

8.2 简单初始化类型

8.3 最先进的方法——（Xavier）Glorot初始化

9.1 随机梯度下降

9.2 梯度下降的问题

9.3 动量

9.4 学习率调整/如何选择最佳学习率

9.5 学习率调整可视化

9.6 自适应学习率调整（AdaGrad和RMSprop）

9.7 自适应矩估计（Adam）

10.1 预处理概述

10.2 基本预处理类型

10.3 标准化

10.4 预处理分类数据

10.5 二进制和独热编码

11.1 MNIST数据集

11.2 如何处理MNIST数据集

11.3 MNIST：导入相关程序包与加载数据

11.4 MNIST：预处理数据之创建验证并设置范围

11.5 MNIST：预处理数据之洗牌与分批

11.6 MNIST：概述模型

11.7 MNIST：选择函数和优化器

11.8 MNIST：学习

11.9 MNIST：测试模型

12.1 商业案例：研究数据集并识别预测因子

12.2 商业案例：概述解决方案

12.3 商业案例：平衡数据集

12.4 商业案例：预处理数据

12.5 商业案例：加载预处理数据

12.6 商业案例：学习并解释结果

12.7 商业案例：设置早停机制

12.8 商业案例：测试模型

13.1 学习总结

13.2 机器学习后续

13.3 卷积神经网络（CNN）概览

13.4 循环神经网络（RNN）概览

13.5 非神经网络方法概览