当前位置:首页 > 全部课程 > 后端编程 > Python > 《Python数据科学:技术详解与商业实践八大案例(2018)
Python数据科学:技术详解与商业实践八大案例(2018)

已完结 Python数据科学:技术详解与商业实践八大案例(2018)

6人已学习 收藏 分享赚 ¥44.9元
价 格
89.00 ~ 449.00
打开微信扫描二维码
点击右上角进行分享

开通以下任意VIP等级即可免费学习本课程

我已阅读并同意《VIP服务协议》
开通 取消

详情

目录

资料(1)

评价(0)

【课程详情】

  • 章节01:第一讲:数据科学家的武器库

    • 01.数据科学的概念

    • 02.以示例讲解数据建模和数学建模

    • 03.数据科学的统计基础

    • 04.面向应用的数据挖掘算法分类

    • 05.各类算法的适用场景讲解

    • 06.面向应用的分类模型评估


  • 章节02:第二讲:Python基础

    • 07.Python介绍

    • 08.Python基础数据类型和表达式

    • 09.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


  • 章节03:第三讲:信用卡客户特征分析 产品客户画像初步

    • 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


  • 章节04:第四讲:二手房价格分析报告

    • 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


  • 章节05:第五讲:汽车贷款信用评分卡制作

    • 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


  • 章节06:第六讲:电信客户流失预警

    • 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


  • 章节07:第七讲:个人银行反欺诈模型

    • 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


  • 章节08:第八讲:慈善机构精准营销案例

    • 85.多元统计基础与变量约减的思路

    • 86.主成分分析理论基础1

    • 87.主成分分析理论基础2

    • 88.主成分分析理论基础3

    • 89.主成分分析案例1

    • 90.主成分分析案例2

    • 91.因子分析1

    • 92.因子分析2

    • 93.稀疏主成分分析

    • 94.变量聚类原理

    • 95.变量聚类操作

    • 96.答疑1

    • 97.案例2:精准营销的两阶段预测模型1

    • 98.案例2:精准营销的两阶段预测模型2

    • 99.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


  • 章节09:第九讲:银行客户渠道使用偏好的客户洞察

    • 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


  • 章节10:第十讲:推荐系统设计与银行产品推荐

    • 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


相关说明:

1、资源部分来源于网络公开发表文件,所有资料仅供学习交流。

2、所收取费用仅用来维系网站运营,性质为用户友情赞助,并非售卖文件费用。

3、如侵犯您的权益,请联系管理员处理。

综合
好评
0%
  • 综合评分5.00
  • 内容实用5.00
  • 通俗易懂5.00
友情链接:

邮箱:didabiancheng@126.com

地址:厦门火炬高新区软件园创新大厦C区3F-A487

Android/IOS App

微信小程序

微信公众号

VIP特权
微信客服
微信扫一扫咨询客服