- 章节1介绍
- 课时1一个实际的例子：你将在本课程中学到什么
- 课时2这门课涵盖了哪些内容
- 章节2数据科学领域的不同准则
- 课时1数据科学和商业流行语：为什么会有这么多？
- 课时2Analysis和Analytics之间有什么区别
- 课时3商业分析，数据分析和数据科学：简介
- 课时4继续学习商业智能、机器学习与人工智能
- 课时5我们数据科学课程图表的分解
- 章节3将这些数据科学学科联系起来
- 课时1传统数据，大数据，商业智能，传统数据科学和机器学习的应用
- 章节4学习每门学科的收益
- 课时1这些学科背后的原因
- 章节5流行的数据科学技术
- 课时1使用传统数据的技术
- 课时2传统数据的真实案例
- 课时3使用大数据的技术
- 课时4大数据的真实案例
- 课时5商业智能（BI）技术
- 课时6商业智能（BI）的真实案例
- 课时7使用传统方法的技巧
- 课时8传统方法的真实案例
- 课时9机器学习（ML）技术
- 课时10机器学习的类型
- 课时11机器学习的真实案例（ML）
- 章节6流行的数据科学工具
- 课时1数据科学中使用的必要编程语言和软件
- 章节7数据科学的职业
- 课时1寻找工作——我们所期待的以及所寻找的
- 章节8澄清常见的误解
- 课时1澄清常见的误解
- 章节9概率
- 课时1课程介绍
- 课时2基本概率公式
- 课时3计算期望值
- 课时4频率
- 课时5事件及其补充
- 章节10组合
- 课时1组合基本原理
- 课时2排列及其使用
- 课时3简单的阶乘运算
- 课时4求解重复变分
- 课时5求解非重复变分
- 课时6求解组合
- 课时7组合对称性
- 课时8用独立样本空间求解组合
- 课时9现实生活中的组合——彩票
- 课时10组合学概述
- 课时112.11_压制版
- 章节11贝叶斯推理
- 课时1集合与事件
- 课时2集合相交的形式
- 课时3交集
- 课时4并集
- 课时5互斥集合
- 课时6相依集合与独立集合
- 课时7条件概率公式
- 课时8全概率法则
- 课时9加法定律
- 课时10乘法定律
- 课时11贝叶斯法则
- 课时12贝叶斯推断实例
- 章节12概率分布
- 课时1概率分布基本原理
- 课时2概率分布类型
- 课时3离散分布特点
- 课时4离散分布：均匀分布
- 课时5离散分布：伯努利分布
- 课时6离散分布：二项分布
- 课时7离散分布：泊松分布
- 课时8连续分布的特点
- 课时9连续分布：正态分布
- 课时10连续分布：标准正态分布
- 课时11连续分布：学生T分布
- 课时12连续分布：卡方分布
- 课时13连续分布：指数分布
- 课时14连续分布：逻辑斯谛分布
- 课时15概率分布实例
- 章节13概率在其他领域中的应用
- 课时1金融中的概率
- 课时2统计学中的概率
- 课时3数据科学中的概率
- 章节14统计
- 课时1人口和样本
- 章节15描述性统计
- 课时1新数据类型
- 课时2测量水平
- 课时3分类变量-可视化技术
- 课时4数字变量-频率分布表
- 课时5直方图
- 课时6交叉表和散点图
- 课时7平均、中位数、模式
- 课时8偏度
- 课时9方差
- 课时10标准差和变异系数
- 课时11协方差
- 课时12相关性
- 章节16描述性统计实例
- 课时1实例
- 章节17推论统计基础
- 课时1介绍
- 课时2什么是分布
- 课时3正态分布
- 课时4标准正态分布
- 课时5中心极限定理
- 课时6标准误差
- 课时7估计量和估计
- 章节18置信区间
- 课时1什么是置信区间
- 课时2已知总体方差，z-得分
- 课时3置信区间澄清
- 课时4学生t分布
- 课时5未知群体方差，t值
- 课时6误差幅度
- 课时7置信区间 两种方法 依赖样本
- 课时8置信区间 两种方法 独立样本（第1部分）
- 课时9置信区间 两种方法 独立样本（第2部分）
- 课时10置信区间 两种方法 独立样本（第3部分）
- 章节19推论统计实例
- 课时1实践
- 章节20假设检验
- 课时1空值与可选
- 课时2抑制区的水平及意义
- 课时3I型和II型误差
- 课时4测试平均值 已知总体方差
- 课时5P-值
- 课时6测试平均值 总体方差未知
- 课时7测试平均值 依赖样本
- 课时8测试平均值 独立样本（第1部分）
- 课时9测试平均值 独立样本（第2部分）
- 章节21假设检验实例
- 课时1假设检验
- 章节22Python介绍
- 课时15分钟介绍编程
- 课时2选择Python的原因
- 课时3选择Jupyter的原因
- 课时4安装Python和Jupyter
- 课时5Jupyter的界面介绍
- 课时6Jupyter中进行编程
- 课时7Python？2与Python？3的区别
- 章节23变量和数据类型
- 课时1变量
- 课时2数字和布尔值
- 课时3字符串
- 章节24基础Python语法
- 课时1算术运算符
- 课时2“==”的介绍
- 课时3重新分配变量
- 课时4编写注释
- 课时5续行符
- 课时6索引元素
- 课时7使用缩进构造代码
- 章节25其他Python运算符
- 课时1比较运算符
- 课时2逻辑和标识运算符
- 章节26条件语句
- 课时1if语句介绍
- 课时2else语句介绍
- 课时3esle？if？就是elif
- 课时4布尔值的介绍
- 章节27Python函数
- 课时1在Python中定义函数
- 课时2创建带有参数的函数
- 课时3另一种定义函数的方法
- 课时4在另一个函数中使用函数
- 课时5组合条件语句和函数
- 课时6创建包含少量参数的函数
- 课时7Python中值得注意的内置函数
- 章节28序列
- 课时1列表
- 课时2使用方法
- 课时3列表切片
- 课时4元组
- 课时5字典
- 章节29迭代
- 课时1循环
- 课时2循环与递增
- 课时3使用range（）函数创建列表
- 课时4同时使用条件语句和循环
- 课时5所有的条件语句、函数和循环
- 课时6遍历字典
- 章节30前沿Python工具
- 课时1面向对象编程
- 课时2模块和包
- 课时3标准库
- 课时4导入模块
- 章节31高级统计方法
- 课时1回归分析概览
- 章节32使用StatsModels进行线性回归
- 课时1线性回归模型
- 课时2相关与回归
- 课时3线性回归模型的几何表示
- 课时4Python软件包安装
- 课时5Python中的第一个回归
- 课时6使用Seaborn画图
- 课时7理解回归表格
- 课时8变异性的分解
- 课时9什么是普通最小二乘法（OLS）？
- 课时10R方
- 章节33使用StatsModels进行多元线回归
- 课时1多重线性回归
- 课时2调整的R方
- 课时3模型显著性测试（F测试）
- 课时4OLS假设
- 课时5假设一：线性假设
- 课时6假设二：无内生性
- 课时7假设三：正态性和方差齐性
- 课时8假设四：无自相关性
- 课时9假设五：无多重共线性
- 课时10处理分类数据之虚拟变量
- 课时11用线性回归进行预测
- 章节34使用sklearn进行线性回归
- 课时1什么是sklearn，它与其他软件包有何区别？
- 课时2如何学习本节课
- 课时3使用sklearn进行简单线性分析
- 课时4使用sklearn进行简单线性分析之StatsModels汇总表
- 课时5使用sklearn进行简多元线性分析
- 课时6在sklearn中计算调整的R方
- 课时7特征选择（F回归）
- 课时8使用p值创建一个汇总表
- 课时9特征缩放（标准化）
- 课时10通过标准化权重选择特征
- 课时11利用标准系数预测
- 课时12低度拟合和过度拟合
- 课时13训练-测试拆分说明
- 章节35线性回归实例
- 课时1线性回归实例之一
- 课时2线性回归实例之二
- 课时3线性回归实例之三
- 课时4线性回归实例之四
- 课时5线性回归实例之五
- 章节36逻辑回归
- 课时1逻辑回归概览
- 课时2Python中的简单例子
- 课时3逻辑函数与效用函数
- 课时4建立逻辑分析
- 课时5一条宝贵的编码技巧
- 课时6理解逻辑回归表格
- 课时7几率到底是什么意思？
- 课时8逻辑回归中的二元预测因子
- 课时9计算模型的精度
- 课时10低度拟合与过度拟合
- 课时11测试模型
- 章节37聚类分析
- 课时1集群分析概览
- 课时2集群应用实例
- 课时3分类与集群的区别
- 课时4数学先决条件
- 章节38K均值聚类
- 课时1K均值聚类
- 课时2聚类的简单范例
- 课时3分类数据聚类
- 课时4如何选择聚类的数量
- 课时5K均值聚类的优缺点
- 课时6是否进行标准化
- 课时7聚类与回归的关系
- 课时8使用聚类分析进行市场细分（第一部分）
- 课时9使用聚类分析进行市场细分（第二部分）
- 课时10聚类的效用
- 章节39其他类型的聚类
- 课时1聚类类型
- 课时2系统树图
- 课时3热点图
- 章节40数学
- 课时1什么是矩阵
- 课时2标量与向量
- 课时3线性代数与几何
- 课时4Python中的数组——一种表示矩阵的简便方法
- 课时5什么是张量
- 课时6矩阵的加法和减法
- 课时7添加矩阵时的错误
- 课时8矩阵的转置
- 课时9点积
- 课时10矩阵的点积
- 课时11为什么线性代数很有用？
- 章节41深度学习
- 课时1导师介绍及机器学习概览
- 课时2课程内容简介
- 章节42神经网络概览
- 课时1神经网络概览
- 课时2训练模型
- 课时3机器学习类型
- 课时4线性模型
- 课时5多输入线性模型
- 课时6多输入多输出线性模型
- 课时7简单神经网络的图形表示
- 课时8什么是目标函数
- 课时9常用目标函数：二级范数损失
- 课时10常用目标函数：交叉熵损失函数
- 课时11优化算法：1参数梯度下降
- 课时12优化算法：n参数梯度下降
- 章节43创建环境
- 课时1创建环境
- 课时2为什么用Python和Jupyter
- 课时3安装Anaconda
- 课时4Jupyter展示板1
- 课时5Jupyter展示板2
- 课时6安装TensorFlow包
- 章节44如何使用Numpy从零开始构建神经网络
- 课时1概述
- 课时2生成数据
- 课时3初始化变量
- 课时4训练模型
- 章节45TensorFlow2.0概览
- 课时1安装TensorFlow
- 课时2TensorFlow大纲及其与其他程序库的对比
- 课时3TensorFlow 2.0简介
- 课时4在TensorFlow中编程的提示
- 课时5TensorFlow中的文件格式类型和数据处理
- 课时6使用TensorFlow2概述模型
- 课时7解释结果并提取权重和偏差
- 课时8自定义TensorFlow 2模型
- 章节46深度神经网络概览
- 课时1什么是层
- 课时2什么是深度网络
- 课时3真正理解神经网络
- 课时4我们为什么需要非线性
- 课时5激活函数
- 课时6激活函数：Softmax激活
- 课时7反向传播算法
- 课时8反向传播算法——直观理解
- 章节47过度拟合
- 课时1什么是过度拟合
- 课时2低度拟合和过度拟合分类
- 课时3什么是验证
- 课时4训练、验证和测试数据集
- 课时5N重交叉验证
- 课时6早停及何时停止训练
- 章节48初始化
- 课时1什么是初始化
- 课时2简单初始化类型
- 课时3最先进的方法——（Xavier）Glorot初始化
- 章节49挖掘梯度下降和学习率调整
- 课时1随机梯度下降
- 课时2梯度下降的问题
- 课时3动量
- 课时4如何选择最佳学习率
- 课时5学习率调整可视化
- 课时6自适应学习率调整（AdaGrad和RMSprop）
- 课时7自适应矩估计（Adam）
- 章节50预处理
- 课时1预处理概述
- 课时2基本预处理类型
- 课时3标准化
- 课时4预处理分类数据
- 课时5二进制和独热编码
- 章节51MNIST数据集分类
- 课时1MNIST数据集
- 课时2如何处理MNIST数据集
- 课时3MNIST：导入相关程序包与加载数据
- 课时4MNIST：预处理数据之创建验证并设置范围
- 课时5MNIST：预处理数据之洗牌与分批
- 课时6MNIST：概述模型
- 课时7MNIST：选择函数和优化器
- 课时8MNIST：学习
- 课时9MNIST：测试模型
- 章节52深度学习商业案例
- 课时1商业案例：研究数据集并识别预测因子
- 课时2商业案例：概述解决方案
- 课时3商业案例：平衡数据集
- 课时4商业案例：预处理数据
- 课时5商业案例：加载预处理数据
- 课时6商业案例：学习并解释结果
- 课时7商业案例：设置早停机制
- 课时8商业案例：测试模型
- 章节53深度学习结语
- 课时1学习总结
- 课时2机器学习后续
- 课时3卷积神经网络（CNN）概览
- 课时4循环神经网络（RNN）概览
- 课时5非神经网络方法概览