Content
11 Lessons • 0 Quizzes • 0 Challenges
什么是数据科学？
- 1
数据科学 vs. 数据分析 vs. 数据工程
- 2
描述性分析与预测性分析
- 3
数据科学生命周期
- 4
结构化数据 vs. 半结构化数据 vs. 非结构化数据
数据科学的应用
- 1
医疗健康与推荐系统中的应用
- 2
图像分析
库的概述
- 1
Beautiful Soup（从简单HTML中抓取数据）
- 2
Beautiful Soup（从 HTML 表格中提取数据）
- 3
Scrapy
- 4
NumPy 基础
- 5
NumPy数组创建
- 6
NumPy数组操作
- 7
对 NumPy 数组进行排序
- 8
NumPy数组的基本统计运算
- 9
NumPy数组中的广播机制
- 10
Pandas
- 11
Spacy 第1部分
- 12
Spacy 第二部分
- 13
Seaborn
概率与统计
- 1
概率
- 2
统计学
- 3
联合概率
- 4
条件概率与贝叶斯定理
- 5
位置度量
- 6
变异性的度量
- 7
概率分布（二项分布与伯努利分布）
- 8
高斯分布
- 9
泊松分布
- 10
偏度与峰度
- 11
抽样方法
- 12
统计学中的关键概念
- 13
统计假设检验
机器学习 第一部分
- 1
机器学习及其类型
- 2
深度学习与推荐系统
- 3
什么是回归？
- 4
单变量线性回归
- 5
多元线性回归
- 6
特征缩放
- 7
Scikit Learn中的线性回归
- 8
正则化（Lasso、Ridge 和 ElasticNet 回归）
- 9
支持向量回归
- 10
最近邻回归
- 11
决策树回归
- 12
特征工程与分类变量编码
- 13
数值变量转换
- 14
特征选择（过滤法）
- 15
特征选择（包装法）
- 16
特征选择（内在方法）
- 17
模型评估指标（可解释方差得分、MAE、MSE）
- 18
模型评估指标（中位绝对误差、R² 分数）
- 19
虚拟回归器
- 20
交叉验证
- 21
案例研究：使用高级回归预测房价
机器学习 第二部分
- 1
分类问题的类型
- 2
逻辑回归
- 3
支持向量机
- 4
决策树
- 5
朴素贝叶斯 第一部分
- 6
朴素贝叶斯 第二部分
- 7
K-最近邻
- 8
集成学习 第1部分
- 9
集成学习 第二部分
- 10
XGBoost、Light GBM 和 CatBoost
- 11
学习曲线
- 12
模型评估 第1部分
- 13
模型评估 第2部分
- 14
虚拟估计器与类别不平衡问题处理
- 15
超参数优化与Kaggle竞赛
机器学习 第三部分
- 1
无监督学习
- 2
K-均值聚类
- 3
层次聚类
- 4
DBSCAN聚类与客户细分
- 5
Apriori算法与关联规则
- 6
主成分分析用于降维
- 7
半监督学习技术
深度学习
- 1
什么是深度学习？
- 2
神经网络
- 3
前馈神经网络
- 4
反向传播 第一部分
- 5
反向传播 第二部分
- 6
卷积神经网络
- 7
循环神经网络
- 8
LSTM网络
机器学习工具与库
- 1
自动化机器学习
- 2
Pandas Profiling 和 PyCaret
- 3
RAPIDS（使用 GPU 进行快速计算）
大数据工具与技术
- 1
什么是大数据？
- 2
Hadoop 生态系统
- 3
MapReduce 框架
- 4
Apache Spark 及其组件
接下来该往哪个方向学习？
- 1
在 Kaggle 开启职业生涯（建议）
- 2
推荐的课程
- 3
参考文献与致谢
Certificate of Completion
Showcase your accomplishment by sharing your certificate of completion.
Course Author:Anonymous User