你将收获

提升数据分析&大数据分析能力

掌握数据分析原理

提高实际程序编写能力

提高职场竞争力和选择空间

适用人群

(1)毕业后有意从事统计与数据分析行业的大学毕业生或准毕业生。尤其是需要转向从事计算机编程、数据分析和机器学习方面工作的毕业生,或者需要提升技能以寻找高薪酬工作的准毕业生等。 (2)公司或企事业单位有数据分析和统计分析需求的从业人员。 (3)大学和科研院所的硕、博士研究生以及青年教师等,特别是在管理学和人文社会科学等专业有量化研究需求的研究生和教师等。 (4)需要转行从事数据分析方面工作,或有技能提升需求的初入职场者。

课程介绍

一. 课程介绍
本课程结合Python进行统计与数据分析的原理讲解与实战,涵盖了大部分统计&数据分析模型,特别是当前比较主流的算法:参数估计、假设检验、线性回归、广义线性回归、Lasso、岭回归、广义可加模型、回归样条等;机器学习经常用到的主成分分析、因子分析、典型相关分析、聚类分析等;各种非参数统计模型,包括非参数统计推断、尺度推断、位置推断、非参数核密度估计、非参数回归等。本课程主要针对有一定Python编程基础、即将毕业参加工作的的大三大四学生,或者已经参加工作需要提升自己数据分析能力以及转行从事IT行业尤其是数据&大数据分析工作的初入职场者,或者正在攻读硕博士学位需要学习和掌握量化研究方法的研究生。本课程对于即将从事机器学习、深度学习&人工智能相关工作的程序员也有很大帮助,有利于打好坚实的理论基础。


二. 课程目录
第0章 课程导学

第1章 数据描述性分析
1.1 描述统计量
1.2 数据的分布
1.3 概率分布函数的图形
1.4 直方图、经验分布函数与QQ图
1.5 多元数据的数据特征与相关性分析
1.6 多元数据的基本图形表示
第2章 参数估计
2.1 点估计
2.2 区间估计
第3章 假设检验
3.1 基本原理
3.2 参数检验
第4章 回归分析
4.1 回归分析的概念与一元线性回归
4.2 多元线性回归及统计量解析
4.3 逐步回归与模型选择
4.4 回归诊断
4.5 广义线性回归
4.6 非线性回归
第5章 方差分析
5.1 单因素方差分析
5.2 双因素方差分析
第6章 判别分析与聚类分析
6.1 判别分析
6.2 聚类分析
第7章 主成分分析、因子分析与典型相关分析
7.1 主成分分析
7.2 因子分析
7.3 典型相关分析
第8章 非参数统计

8.1 经验分布和分布探索
8.2 单样本非参数统计推断
8.3 两独立样本的位置与尺度判断
8.4 多组数据位置推断
8.5 分类数据的关联分析
8.6 秩相关与分位数回归
8.7 非参数密度估计
8.8 一元非参数回归

内容思维导图
三. 讲师简介
主讲人李进华博士,本、硕、博皆就读于武汉大学信息管理学院,2005年获博士学位进入211高校任教,2012年受聘为教授。从事信息管理与数据分析方面的教学、科研与系统开发工作20余年,具备深厚理论修养和丰富实战经验。是中国最早从事Java开发的程序员和Oracle数据库的DBA之一。曾带领团队开发《葛洲坝集团三峡工程指挥中心三期工程施工管理系统》、《湖北省财政厅国有企事业单位资产管理系统》等大型MIS。


课程目录

讨论留言

正在加载中...