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

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

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

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

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

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

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