数据科学与 Python – 数学、模型、统计以及案例研究
学习统计学、推理测试、监督和非监督学习、数据科学职业以及 Python 和库
讲师：Peter Alkema
口袋资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！
用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。
你将学到什么
- 介绍数据和信息概念
- 识别商业智能和数据科学之间的区别
- 理解和学习数据科学的过程
- 定义数据科学家的需求和挑战
- 确定离散性和描述性与推论性统计讨论之间的差异
- 了解安装 anaconda 后要遵循的步骤
- 了解数据讨论的传播和四分位数范围
- 基于示例定义获取条件概率的优点
- 确定计算 z 分数和其他因素的优势
- 学习计算 p 值并了解 p 值的其他因素
- 了解数据科学家的先决条件和问题
- 了解数据采集的类型
- 了解数据科学家的职业方面
- 讨论数学和统计概念和示例
- 学习描述性和推论性统计及其因素
- 了解如何使用 Jupyter 应用程序
- 计算方差并讨论其他因素
- 根据示例获取条件概率
- 了解什么是分布和概率密度
- 学习 Z 检验并查找曲线下的百分比
- 比较均值和变量讨论
- 了解什么是卡方检验并根据示例数据进行讨论
- 学习 Python 中的数据预处理
- 检查数组和维数形状并讨论编码窗口
- 了解为什么数据可视化很重要以及如何使用它
- 学习参数方法和算法权衡
- 学习分类及学习理念
- 学习K表示聚类和算法
- 进行聚类并在其上使用 sklearn 并对其他因素进行编码
- 学习混淆矩阵的TP、TN、FP和FN并讨论准确性
- 学习Python上编码窗口的分类报告和计算
在你的职业生涯中蓬勃发展
通过订阅个人计划，访问一系列针对热门角色精心策划的顶级课程。
非常适合
数据科学家
一系列精选的课程和实践练习，可帮助您成为一名数据科学家。
- 120+相关课程
- 1,390+动手练习
- 4.6平均。课程评级
免费试用个人计划试用后每月起价 20.00 美元。随时取消。
要求
- 无需编程经验，您将学到您需要知道的一切
描述
立即访问 135 页的数据科学工作簿，进行操作并保留以供参考
在本课程中向我们的学生社区介绍您自己，并告诉我们您在数据科学方面的目标
鼓励和庆祝您每一步的进步：25% > 50% > 75% & 100%
超过 14 小时的清晰简明的分步说明、课程和参与
本数据科学课程为参与者提供与数据科学相关的知识、技能和经验。学生将探索一系列数据科学工具、算法、机器学习和统计技术，目的是从原始数据中发现隐藏的见解和模式，为科学的商业决策提供信息。
你将学到什么：
- 介绍数据和信息概念
- 识别商业智能和数据科学之间的区别
- 理解和学习数据科学的过程
- 定义数据科学工作者的需求和挑战
- 确定离散性和描述性与推论性统计讨论之间的差异
- 了解安装anaconda后需要遵循的步骤
- 了解数据讨论的传播和四分位数范围
- 基于示例定义获取条件概率的优点
- 确定计算 z 分数的优势
- 学习计算 p 值并学习 p 值的因子
- 了解数据科学家的先决条件和问题
- 数据采集的类型
- 了解数据科学的职业方面
- 讨论数学和统计概念和示例
- 描述性统计和推论性统计
- 如何使用 Jupyter 应用程序
- 计算方差
- 根据示例获取条件概率
- 分布和概率密度
- Z 检验并查找曲线下的百分比
- 比较均值和变量讨论
- 基于示例数据的卡方检验和讨论
- Python 中的数据预处理
- 检查数组和维数形状并讨论编码窗口
- 为什么数据可视化在数据科学中很重要以及如何使用它
- 参数方法和算法权衡
- 学习的分类和概念
- K表示聚类和算法
- 进行集群并在其上使用 sklearn 和编码
- 混淆矩阵的TP、TN、FP和FN及讨论准确性
- Python上编码窗口的分类报告和计算
- …和更多！
内容和概述
您将从数据和信息概念开始；商业智能和数据科学之间的区别；基于参数因素的商业智能与数据科学；数据科学家的先决条件和问题；关于申请数据科学家的问题——统计和数据领域；商业智能的先决条件和数据科学工具的讨论；数据采集的类型；数据准备、探索及其因素；数据科学过程；了解数据科学家的职业方面；数据科学的需求和挑战；数学和统计概念和例子的讨论；讨论变量——数值变量和分类变量；讨论定性变量和集中趋势；离散度和描述性与推论性统计讨论。
描述性和推论性统计；安装 Anaconda 的描述性统计、示例和步骤；安装 Anaconda 后应遵循的步骤；在 Anaconda 应用程序上使用 Jupyter；如何使用 Jupyter 应用程序；继续Jupyter应用、讲解和讨论；获取数据并将数据放到Jupyter上；最小化在 Jupyter 应用程序上查看的数据并从 Excel 中获取数据；解释Jupyter应用程序中数据统计和分析所使用的模式；变量——连续变量和分类变量；在 Jupyter 应用程序上输入和键入数据；基于示例获取 Jupyter 上的平均数据；如何汇总中位数和平均值的数据；输入分位数数据并解释因素；数据讨论的传播和四分位距；四分位距和输入数据；均值的方差平均偏差；计算方差；基于变量和计算讨论自由度；概率简介和课程概述；根据例子得到条件概率；继续基于学生概率数据的示例；为缺勤创建一个新列，为数据透视表创建一个新列；学生条件概率结果的计算和编码。
我们还将涵盖推论统计；分布和概率密度；高斯分布；定义分布参数并绘制正态分布图； PDF 和 CDF – 累积分布函数；了解什么是相关系数、Z 分数和 Z 检验；计算Z分数； Z 分数告诉你什么？ Z 检验并找出曲线下的百分比；获取平均值、获取数据、假设并比较平均值；比较平均值和变量的讨论；继续Z测试，计算P测试并继续Z测试的步骤；进行小 Z 检验、统计并讨论因素；零假设，运行 Z 检验，查找并定义 P 值；计算P值以及P值的学习因子； T检验、钻石数据检验以及相关值的均值；如何导入数据集、t检验和学习；了解什么是相关系数、散点图、计算；获取散点图数据相关性。
本课程还将处理卡方检验并基于示例数据进行讨论；卡方检验，获取数据集并讨论因子； Chi2列联法讨论及数据ci方检验结果； Python 中的数据预处理 – 步骤 1：导入库；步骤2导入数据集；步骤3处理缺失值；步骤3延续和因素；步骤4 对分类数据进行编码；步骤4 标签编码；步骤5 对数据集进行归一化；步骤6 分割数据集； numpy 和 pandas 和 numpy ndarray 多维；学习检查数组和维度形状并讨论编码窗口；学习熊猫系列并创作熊猫系列； panda系列数据框并了解如何使用reindex功能；学习 Pandas 数据框；了解什么是数据可视化；为什么数据可视化很重要以及如何使用它；学习绘图库并了解其步骤；了解什么是机器学习；学习学习问题、研究领域和应用的例子；讨论学习问题；了解什么是预测及其示例；参数方法和算法权衡；监督和无监督学习术语，以及回归与分类；评估模型准确性、方法的偏差和方差学习以及测试 MS；在代码窗口上进行线性回归；做散点图方法得到线性回归；从sklearn线性模型到线性回归回归器；寻找截距回归或回归量并学习其他因素； Sklearn 导入指标并获取线性回归的最终数据。
接下来，我们将讨论学习的分类和学习的概念；机器学习领域和重要概念；垃圾邮件过滤器示例、标记数据和未标记数据、训练与错误；分类有 2 个步骤，问题数据准备；学习决策树和样本问题；学习决策树归纳——训练数据集并讨论示例；在Python上进行决策树分类；导入一些库和数据、因子和格式；继续理解数据并进行讨论；检查训练测试分割并创建分类决策树；树图树的解决方案也解释数据以及什么是基尼指数，K 表示聚类和算法；停止/收敛准则给出示例和算法 K 的意思； K均值的优缺点及讨论因素；聚类 K 意味着方法如何工作以及学习因素；结合数据处理以及获取数据和编码因素；标签编码使用code，数据编码使用transform；进行集群并使用sklearn； Python 编码中 k 均值聚类和其他因素的延续；预览销售数据和其他因素和主题；销售中的数据科学用例，案例研究 – 未来销售预测；描述平均标准差和因子的数据；加载数据，删除索引列和预测器之间的关系。
那么，如何更改默认策略；准确度、MSE、RMSE、R 方、Seaborn 库；机器学习模型构建；评价指标以及不同的评价矩阵和混淆矩阵；混淆矩阵的TP、TN、FP和FN及讨论准确性；数据科学中的精确率、召回率和 F1 分数；学习Python上编码窗口的分类报告和计算。
导师是谁？
Laika Satish 是您的首席讲师 – 一位以教授数据科学为生的专业人士。作为一名数据科学专家，她与内容创作者 Peter Alkema 一起为您带来了这门令人惊叹的新课程。
您将获得优质的支持和反馈，帮助您对财务更有信心！
我们的幸福保证…
我们提供30 天 100% 退款保证，因此，如果您对购买不满意，我们将全额退款 –无条件退款！
我们迫不及待地想在课程中见到您！
立即注册，我们将帮助您提高数据科学技能！
彼得和莱卡
本课程适合谁：
- 本课程适合任何对数据科学、机器学习、统计、概率和商业智能感兴趣的人
