精通数据科学：从线性回归到深度学习-

共56节9455人学习唐亘 课程详情
播放页问题反馈

  • 数据科学概述

    • 什么是数据科学
    • 这门课里有什么

  • Python安装指南与简介：告别空谈

    • 为什么选择Python
    • Mac下的Python3安装指南
    • Windows下的Python3安装指南
    • Linux下的Python3安装指南
    • 与Python的第一次亲密接触

  • 数学基础：恼人但又不可或缺的知识

    • 矩阵和向量空间：模型里，数据的基本表示形式
    • 概率：量化随机
    • 微积分：变化速率与累积效应

  • 线性回归：模型之母

    • 机器学习眼中的线性回归
    • 机器学习_线性回归的代码实现
    • 统计眼中的线性回归模型
    • 统计_线性回归的代码实现
    • 模型陷阱
    • 模型陷阱_代码实现
    • 模型的生命周期

  • 逻辑回归：隐藏因子

    • 如何解决二元分类问题
    • 逻辑回归的代码实现与模型结果理解
    • 如何评估分类模型的效果
    • 模型评估指标的代码实现
    • 如何解决多元分类问题
    • 非均衡分类问题
    • 常见面试问题--仅课件，请前往Github下载

  • 工程实现：计算机是怎么算的

    • 如何算出模型参数的估计值
    • 与TensorFlow的第一次亲密接触
    • 梯度下降法的缺陷及其改进
    • 常见面试问题--仅课件，请前往Github下载

  • 计量经济学的启示：他山之石

    • 如何在模型里使用定性变量
    • 使用定性变量的代码实现
    • 如何在模型里更有效地使用定量变量
    • 更有效使用定量变量的代码实现
    • 多变量的烦恼：多重共线性
    • 解决多重共线性的代码实现
    • Y的变化来自何处：内生性
    • 常见面试问题--仅课件，请前往Github下载

  • 监督式学习之SVM： 万能分类器

    • 什么是SVM？
    • 如何处理线性不可分的问题：SVM的数学进化
    • 如何处理非线性的分类问题：拉格朗日对偶
    • 如何处理非线性的分类问题：核函数
    • SVM的代码实现
    • 常见面试问题--仅课件，请前往Github下载

  • 监督式学习之树模型： 模型的联结

    • 什么是决策树：条理清晰地做决定
    • 模型的联结：决策树的常用方式
    • 树的集成：随机森林
    • 树的集成：GBDT
    • 树集成的代码实现
    • 常见面试问题--仅课件，请前往Github下载

  • 生成式模型之贝叶斯框架：量化信息的价值

    • 如何量化信息的价值：条件概率
    • 什么是生成式模型？

  • 生成式模型之朴素贝叶斯：简单的文本分类利器

    • 利用朴素贝叶斯对文本分类：从文字到数字
    • 文本分类的初体验：伯努利模型
    • 文本分类的改进：更有效的特征提取
    • 文本分类的代码实现
    • 朴素贝叶斯与其他模型的联结
    • 常见面试问题

    订阅失败

    精通数据科学：从线性回归到深度学习
    精通数据科学：从线性回归到深度学习 ...

    订阅列表已满，请先移出部分订阅内容。

    当前章节需购买后观看
    开通超级会员免费看！专家精选系列课程，满足你从入门到精通！更有问答月卡免费送，你的问题有问必答！
    提交答案

    购买课程

    扫码完成付费，可继续学习全部课程内容

    加载中...
    正在试验
    后自动删除环境
    课程实验
    本次实验时间已到期 00:00:00
    程序员研修院 v1.1.0
    一、播放器优化
    修改播放器默认倍速设置，增加1.25倍速
    调整目录展示形式，增加折叠/展开
    优化播放器的使用体验，有播放问题可以点击播放页内的”反馈“提交问题
    查看全部版本记录
    课件正在飞速打包中，请耐心等待几秒钟～