教程介绍：
python数据分析科学实战教程(132视频+大数据分析8案例学习+源码素材)。
| 教程目录 | |
|---|---|
| 1. 数据科学的概念 | 2. 以示例讲解数据建模和数学建模 |
| 3. 数据科学的统计基础 | 4. 面向应用的数据挖掘算法分类 |
| 5. 各类算法的适用场景讲解 | 6. 面向应用的分类模型评估 |
| 7. Python介绍 | 8. Python基础数据类型和表达式 |
| 9. Python原生态数据结构(上) | 10. Python原生态数据结构(下) |
| 11. Python控制流 | 12. Python函数 |
| 13. Python模块的使用 | 14. 描述性统计与探索型数据分析（上） |
| 15. 描述性统计与探索型数据分析（下） | 16. 描述性方法大全与Python绘图（上） |
| 17. 描述性方法大全与Python绘图（下） | 18. 统计制图原理 |
| 19. 数据库基础 | 20. 数据整合和数据清洗 |
| 21. 数据整理 | 22. 课后答疑 |
| 23. 第三讲作业-信用卡客户画像 作业讲解1 | 24. 第三讲作业-信用卡客户画像 作业讲解2 |
| 25. 两变量关系检验方法综述 | 26. 参数估计简介及概念介绍(上） |
| 27. 参数估计简介及概念介绍(下） | 28. 假设检验与单样本T检验(上) |
| 29. 假设检验与单样本T检验(下) | 30. 两样本T检验 |
| 31. 方差分析 | 32. 相关分析 |
| 33. 相关知识点答疑 | 34. 简单线性回归(上) |
| 35. 简单线性回归(下) | 36. 多元线性回归 |
| 37. 课后作业与课程答疑 | 38. 第四讲作业-二手房房价影响因素分析 讲解1背景介绍 |
| 39. 作业讲解2描述性分析-1对被解释变量进行描述 | 40. 作业讲解3描述性分析-2对解释变量进行描述1 |
| 41. 作业讲解4描述性分析-3对解释变量进行描述2 | 42. 作业讲解5建立预测模型-1单变量显著度检验 |
| 43. 作业讲解6建立预测模型-2无交互项的线性模型 | 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 |
| 45. 课程答疑1 | 46. 线性回归检验（上） |
| 47. 线性回归检验（中） | 48. 线性回归检验（下） |
| 49. 逻辑回归基础（上） | 50. 逻辑回归基础（下） |
| 51. 课程答疑2 | 52. 第五讲作业-电信客户流失预警 作业讲解1总体介绍 |
| 53. 作业讲解2矩估计1 | 54. 作业讲解3矩估计2 |
| 55. 作业讲解4极大似然估计 | 56. 作业讲解5线性回归的极大似然估计 |
| 57. 作业讲解6逻辑回归的极大似然估计 | 58. 作业讲解7模型调优 |
| 59. 作业讲解8流失预警模型的调优 | 60. 作业讲解9最近邻域法的参数调优 |
| 61. 课前答疑 | 62. 决策树建模思路（上） |
| 63. 决策树建模思路（下） | 64. 决策树建模基本原理 |
| 65. Quinlan系列决策树建模原理-ID3 | 66. 06Quinlan系列决策树建模原理-C4.5 |
| 67. CART决策树建模原理 | 68. 模型修剪-以CART为例 |
| 69. 案例讲解1 | 70. 神经网络基本概念 |
| 71. 人工神经网络结构 | 72. 感知器 |
| 73. 案例讲解2 | 74. BP神经网络 |
| 75. 课后答疑 | 76. 不平衡分类概述 |
| 77. 欠采样 | 78. 过采样 |
| 79. 综合采样 | 80. 案例讲解 |
| 81. 集成学习概述 | 82. 随机森林 |
| 83. Adaboost算法 | 84. 提升树、GBDT和XGBoost |
| 085. 多元统计基础与变量约减的思路 | 086. 主成分分析理论基础1 |
| 087. 主成分分析理论基础2 | 088. 主成分分析理论基础3 |
| 089. 主成分分析案例1 | 090. 主成分分析案例2 |
| 091. 因子分析1 | 092. 因子分析2 |
| 093. 稀疏主成分分析 | 094. 变量聚类原理 |
| 095. 变量聚类操作 | 096. 答疑1 |
| 097. 案例2：精准营销的两阶段预测模型1 | 098. 案例2：精准营销的两阶段预测模型2 |
| 099. 案例2：精准营销的两阶段预测模型3 | 100. 案例2：精准营销的两阶段预测模型4 |
| 101. 答疑2 | 102. 凸优化基本概念 |
| 103. 凸集的概念 | 104. 凸函数 |
| 105. 无约束凸优化计算 | 106. 有约束凸优化计算 |
| 107. 朴素贝叶斯分类器 | 108. 支持向量机引论 |
| 109. 线性可分的支持向量机 | 110. 线性不可分的支持向量机 |
| 111. 支持向量机使用案例 | 112. GBDT和分类模型评估(算法角度) |
| 113. GBDT和分类模型评估(算法角度) | 114. GBDT和分类模型评估(算法角度) |
| 115. GBDT和分类模型评估(算法角度) | 116. 客户画像与标签体系 |
| 117. 客户细分 | 118. 聚类的基本逻辑 |
| 119. 系统聚类(上) | 120. 系统聚类(下) |
| 121. K-means聚类 | 122. 使用决策树做聚类后客户分析 |
| 123. 课后答疑 | 124. 智能推荐（上） |
| 125. 智能推荐（下） | 126. 购物篮分析与运用 |
| 127. 关联规则（上） | 128. 关联规则（中） |
| 129. 关联规则（下） | 130. 序贯模型 |
| 131. 相关性在推荐中的运用 | 132. 答疑 |
