大数据完整的Python和SAS数据分析
数据分析，数据科学及AI算法是当前最热门的职业。 这些职业有着共同的特点：面向数字的，针对编程的以及采取分析手段的。 这些当代热点特性使得在就业市场上对以上职位需求激增也就不足为奇了。 但是，市场上提供这方面的大型综合的培训课程是有限，如果说有，大多是知识范围狭窄且非综合性的，而且大多培训都缺乏方法论与实务结合。一般的情况是讲师讲述某种语言的一堆代码 ，学生听完后甚至连使用方法及代码的前提都不清楚，更别提实际应用场景了。这里，掌握一门数据分析软件本身没错，但仅通过单一的编程培训很难获得聘用为数据分析师或数据科学家所需的技能。 那我的解决方案是什么呢？首先，我把所有数据分析中的典型问题都归类总结出来，再结合相应的实际问题，数据以及案例，同时采用世界上最流行的两种数据分析软件 ：PYTHON 和 SAS去解决这些问题，并将这些解决方法传授给学生。学生在完成培训后更重要的收获是知道每一问题从产生直至解决的前因后果和应用场景，这是因为我在每一课程章节最前都会交代方法论，知识要点及应用场合。 SAS和PYTHON可以一起学吗？当然可以。因为我就是这样做到的。具体步骤是，我在课程当中安排了一系列主题，然后使用两种编程语言解决同样的问题。我总结出这样做的好处是边学习边比较，最后在不知不觉当中掌握了两门语言的精华和数据分析的通用方法或模式。过程虽有点长，但十分有趣。 最后，为了巩固已学的知识和技能，我还专门安排了针对PYTHON 和 SAS的中小型项目及详细代码讲解。另外，课程当中使用的全部编程代码及数据文件都将免费地提供给注册的学生。
共143节 2038人已学习¥168.0 免费试学
机器学习机器学习和AI: 数学编程基础篇
学习人工智能，机器学习都离不开数学基础和编程知识。 无论你是数据科学的初学者还是已经从事人工智能开发的有经验人员，这门课都适合于你。 为什么这么说？首先人工智能和机器学习本质上就是算法，而算法就是数学及统计学以及编程的结合。当前市场上有许多开源的软件包如SKLEARN确实可以帮助没经验的或缺乏数学或算法基础的人实现机器学习模型及预测，但这些工具无法使你真正懂得算法的本质或来源，或者无法使你在不同场合下灵活运用及改进算法。记住，在实际工作中找到适合应用场景的解决方案是最难但是最重要的。但这离不开数学基础和算法理解。 比如，线性回归是一类普遍的机器学习算法，所有的机器学习软件都有现成的方法实现模型，但如果在训练数据中加入几条新数据，那么新建立的模型和原来的模型有和联系或不同？再比如，为什么深度神经网络中的Sigmoid函数一般只用到输出层？神经网络的向后传播理论如何与泰勒展开和复合函数的偏导数联系在一起？人工智能中推荐系统和文字向量如何与矩阵的奇异分解以及特征向量联系？模型中对标签进行数据变换如何影响预测值？所有这些问题的答案，你都可以从本课中找到线索。 本课系统地讲述了有关人工智能，机器学习背后的数学知识。特别指出，微积分和代数知识是本课的核心。统计学基础被安排在另外的课程中。除此之外，我在每一章节或主要知识点后都安排了各类程序以解释和回顾所学到的东西。 最后要提到的是，这不是一门工程项目实践课。但我会另外专门安排有关人工智能，机器学习的实践课程
共81节 1974人已学习¥98.0 免费试学
- 1
李盛刚
技术总监/研发总监
北美运筹学硕士,统计学博士
就职于北美各大银行，信用局，交通和零售企业和咨询公司
课程数 2 学生数 4012