获取资料

Python数据科学技术详解与商业实践 案例+书籍

Python数据科学技术详解与商业实践 案例+书籍

课程目录

章节1: 第一讲: 数据科学家的武器库

课时1:数据科学的概念 09:02

课时2:以示例讲解数据建模和数学建模 07:08

课时3:数据科学的统计基础 15:08

课时4:面向应用的数据挖掘算法分类 11:33

课时5:各类算法的适用场景讲解 16:16

课时6:面向应用的分类模型评估 11:55

章节2: 第二讲:Python基础

课时7:Python介绍 08:12

课时8:Python基础数据类型和表达式 23:30

课时9:Python原生态数据结构(上) 13:18

课时10:Python原生态数据结构(下) 09:57

课时11:Python控制流 12:02

课时12:Python函数 07:53

课时13:Python模块的使用 05:34

章节3: 第三讲:信用卡客户特征分析-产品客户画像初步

课时14:描述性统计与探索型数据分析(上) 28:37

课时15:描述性统计与探索型数据分析(下) 25:48

课时16:描述性方法大全与Python绘图(上) 32:47

课时17:描述性方法大全与Python绘图(下) 16:29

课时18:统计制图原理 09:05

课时19:数据库基础 03:35

课时20:数据整合和数据清洗 32:13

课时21:数据整理 06:05

课时22:课后答疑 09:14

课时23:第三讲作业-信用卡客户画像 作业讲解1 14:26

课时24:第三讲作业-信用卡客户画像 作业讲解2 13:58

章节4: 第四讲:二手房价格分析报告

课时25:两变量关系检验方法综述 17:39

课时26:参数估计简介及概念介绍(上) 19:26

课时27:参数估计简介及概念介绍(下) 09:50

课时28:假设检验与单样本T检验(上) 19:13

课时29:假设检验与单样本T检验(下) 06:46

课时30:两样本T检验 21:13

课时31:方差分析 12:48

课时32:相关分析 08:27

课时33:相关知识点答疑 06:57

课时34:简单线性回归(上) 19:40

课时35:简单线性回归(下) 05:54

课时36:多元线性回归 16:10

课时37:课后作业与课程答疑 09:42

课时38:第四讲作业-二手房房价影响因素分析 讲解1背景介绍 02:02

课时39:作业讲解2描述性分析-1对被解释变量进行描述 12:33

课时40:作业讲解3描述性分析-2对解释变量进行描述1 10:48

课时41:作业讲解4描述性分析-3对解释变量进行描述2 09:17

课时42:作业讲解5建立预测模型-1单变量显著度检验 13:42

课时43:作业讲解6建立预测模型-2无交互项的线性模型 10:45

课时44:作业讲解7建立预测模型-3有交互项的线性模型和预测 08:24

章节5: 第五讲:汽车贷款信用评分卡制作

课时45:课程答疑1 02:03

课时46:线性回归检验(上) 29:22

课时47:线性回归检验(中) 26:31

课时48:线性回归检验(下) 31:31

课时49:逻辑回归基础(上) 23:23

课时50:逻辑回归基础(下) 43:29

课时51:课程答疑2 09:51

课时52:第五讲作业-电信客户流失预警 作业讲解1总体介绍 03:53

课时53:作业讲解2矩估计1 10:46

课时54:作业讲解3矩估计2 08:01

课时55:作业讲解4极大似然估计 12:22

课时56:作业讲解5线性回归的极大似然估计 12:45

课时57:作业讲解6逻辑回归的极大似然估计 08:39

课时58:作业讲解7模型调优 18:41

课时59:作业讲解8流失预警模型的调优 16:09

课时60:作业讲解9最近邻域法的参数调优 10:02

章节6: 第六讲:电信客户流失预警

课时61:课前答疑 02:46

课时62:决策树建模思路(上) 13:49

课时63:决策树建模思路(下) 28:20

课时64:决策树建模基本原理 04:47

课时65:Quinlan系列决策树建模原理-ID3 25:23

课时66:06Quinlan系列决策树建模原理-C4.5 06:39

课时67:CART决策树建模原理 02:28

课时68:模型修剪-以CART为例 04:54

课时69:案例讲解1 26:11

课时70:神经网络基本概念 06:39

课时71:人工神经网络结构 03:27

课时72:感知器 15:50

课时73:案例讲解2 12:24

课时74:BP神经网络 13:59

课时75:课后答疑 08:16

章节7: 第七讲:个人银行反欺诈模型

课时76:不平衡分类概述 34:03

课时77:欠采样 04:12

课时78:过采样 05:15

课时79:综合采样 04:14

课时80:案例讲解 16:55

课时81:集成学习概述 30:12

课时82:随机森林 25:54

课时83:Adaboost算法 18:19

课时84:提升树、GBDT和XGBoost 17:14

章节8: 第八讲:慈善机构精准营销案例

课时85:多元统计基础与变量约减的思路 12:21

课时86:主成分分析理论基础1 10:33

课时87:主成分分析理论基础2 17:37

课时88:主成分分析理论基础3 09:46

课时89:主成分分析案例1 15:28

课时90:主成分分析案例2 08:32

课时91:因子分析1 21:11

课时92:因子分析2 05:01

课时93:稀疏主成分分析 06:44

课时94:变量聚类原理 09:00

课时95:变量聚类操作 09:31

课时96:答疑1 08:09

课时97:案例2:精准营销的两阶段预测模型1 23:17

课时98:案例2:精准营销的两阶段预测模型2 29:01

课时99:案例2:精准营销的两阶段预测模型3 22:57

课时100:案例2:精准营销的两阶段预测模型4 28:31

课时101:答疑2 05:45

章节9: 第九讲:银行客户渠道使用偏好的客户洞察

课时102:凸优化基本概念 16:37

课时103:凸集的概念 05:04

课时104:凸函数 08:38

课时105:无约束凸优化计算 10:48

课时106:有约束凸优化计算 21:28

课时107:朴素贝叶斯分类器 16:11

课时108:支持向量机引论 08:34

课时109:线性可分的支持向量机 19:44

课时110:线性不可分的支持向量机 07:39

课时111:支持向量机使用案例 06:20

课时112:GBDT和分类模型评估(算法角度) 18:35

课时113:GBDT和分类模型评估(算法角度) 16:23

课时114:GBDT和分类模型评估(算法角度) 20:05

课时115:GBDT和分类模型评估(算法角度) 14:38

课时116:客户画像与标签体系 17:14

课时117:客户细分 16:55

课时118:聚类的基本逻辑 06:16

课时119:系统聚类(上) 23:34

课时120:系统聚类(下) 21:59

课时121:K-means聚类 27:57

课时122:使用决策树做聚类后客户分析 11:12

课时123:课后答疑 09:38

章节10: 第十讲:推荐系统设计与银行产品推荐

课时124:智能推荐(上) 19:16

课时125:智能推荐(下) 36:47

课时126:购物篮分析与运用 12:09

课时127:关联规则(上) 19:18

课时128:关联规则(中) 23:33

课时129:关联规则(下) 08:15

课时130:序贯模型 10:10

课时131:相关性在推荐中的运用 12:43

课时132:答疑 23:50

评论0

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址