1-1 课前必读（不看会错过一个亿）
1-2 课程导学 (07:36)
1-3 数据分析概述 (11:25)
第2章 数据获取 数据从哪里来？怎么来？这一章，我们会介绍数据获取的一般手段。主要包括数据仓库、抓取、资料填写、日志、埋点、计算等手段。同时，我们也会介绍几个常用的数据网站，供大家参考与学习。2-1 数据仓库 (05:06)
2-2 监测与抓取 (02:53)
2-3 填写、埋点、日志、计算 (02:25)
2-4 数据学习网站 (07:01)
第3章 单因子探索分析与数据可视化 有了数据，如何上手？这一章，我们会介绍探索分析的一部分—单因子探索分析和可视化的内容。我们会以基础的统计理论知识为切入点，学习异常值分析、对比分析、结构分析、分布分析。同时，引入接下来几章都会用到的案例-HR人力资源分析表，并用理论与可视化的方法，完成对此表的初步分析。…3-1 数据案例介绍 (04:27)
3-2 集中趋势,离中趋势 (05:58)
3-3 数据分布–偏态与峰度 (03:54)
3-4 抽样理论 (06:06)
3-5 编码实现（基于python2.7） (12:51)
3-6 数据分类 (02:37)
3-7 异常值分析 (03:33)
3-8 对比分析 (05:38)
3-9 结构分析 (01:39)
3-10 分布分析 (05:59)
3-11 Satisfaction Level的分析 (09:32)
3-12 Lastevaluation的分析 (07:39)
3-13 NumberProject的分析 (03:42)
3-14 AverageMonthlyHours的分析 (05:40)
3-15 TimeSpendCompany的分析 (00:51)
3-16 WorkAccident的分析 (00:49)
3-17 Left的分析 (00:23)
3-18 PromotionLast5Years的分析 (00:30)
3-19 Salary的分析 (01:37)
3-20 Department的分析 (01:16)
3-21 简单对比分析操作 (07:08)
3-22 可视化-柱状图 (15:42)
3-23 可视化-直方图 (04:27)
3-24 可视化-箱线图 (02:21)
3-25 可视化-折线图 (02:21)
3-26 可视化-饼图 (03:09)
3-27 本章小结 (03:38)
第4章 多因子探索分析 上了手，然后呢？这一章，我们介绍探索分析的另一部分—多因子复合探索分析。我们同样以基础的统计知识为切入点，学习多因子间互相影响与配合的分析方法，如交叉分析、分组分析、相关分析、成分分析等。同时，以HR人力资源分析表为例，进行进一步的探索。…4-1 假设检验 (08:05)
4-2 卡方检验 (02:21)
4-3 方差检验 (03:43)
4-4 相关系数 (03:33)
4-5 线性回归 (02:48)
4-6 主成分分析 (05:20)
4-7 编码实现 (19:21)
4-8 交叉分析方法与实现 (13:48)
4-9 分组分析方法与实现 (08:45)
4-10 相关分析与实现 (22:42)
4-11 因子分析与实现 (06:42)
4-12 本章小结 (02:02)
第5章 预处理理论 数据已了解，用起来！不着急，先加工。这一章，我们会介绍特征工程的主要内容，重点会介绍数据清洗和数据特征预处理的主要内容，包括数据清洗、特征获取、特征处理（内含对指化、归一化、标准化等）、特征降维、特征衍生。预处理的好坏，直接影响着接下来模型的效果。…5-1 特征工程概述 (09:59)
5-2 数据样本采集 (02:42)
5-3 异常值处理 (12:45)
5-4 标注 (02:58)
5-5 特征选择 (17:18)
5-6 特征变换-对指化 (04:23)
5-7 特征变换-离散化 (07:13)
5-8 特征变换-归一化与标准化 (07:06)
5-9 特征变换-数值化 (10:09)
5-10 特征变换-正规化 (04:49)
5-11 特征降维-LDA (11:32)
5-12 特征衍生 (03:04)
5-13 HR表的特征预处理-1 (15:29)
5-14 HR表的特征预处理-2 (08:35)
5-15 本章小结 (02:53)
第6章 挖掘建模 把数据用起来！这一章，我们会介绍数据挖掘与建模的主要内容。主要包含五类模型的建立与实践，分别为：分类模型（KNN、朴素贝叶斯、决策树、SVM、集成方法、GBDT……），回归模型与回归思想分类（线性回归、逻辑斯特回归【也叫罗吉回归，逻辑回归。音译区别】、神经网络、回归树），聚类模型（K-means、DBSCAN、层次聚类、…6-1 机器学习与数据建模 (05:17)
6-2 训练集、验证集、测试集 (07:02)
6-3 分类-KNN (21:43)
6-4 分类-朴素贝叶斯 (19:57)
6-5 分类-决策树 (23:42)
6-6 分类-支持向量机 (20:41)
6-7 分类-集成-随机森林 (19:24)
6-8 分类-集成-Adaboost (10:47)
6-9 回归-线性回归 (23:36)
6-10 回归-分类-逻辑回归 (11:12)
6-11 回归-分类-人工神经网络-1 (16:26)
6-12 回归-分类-人工神经网络-2 (15:47)
6-13 回归-回归树与提升树 (09:59)
6-14 聚类-Kmeans-1 (10:37)
6-15 聚类-Kmeans-2 (10:54)
6-16 聚类-DBSCAN (10:33)
6-17 聚类-层次聚类 (04:40)
6-18 聚类-图分裂 (03:54)
6-19 关联-关联规则-1 (13:56)
6-20 关联-关联规则-2 (13:39)
6-21 半监督-标签传播算法 (17:18)
6-22 本章小结 (05:50)
第7章 模型评估 哪个模型好？上一章，我们学习了很多模型，一个数据集，可能用多种模型都可以进行建模，那么哪种模型好，就需要有些指标化的东西帮我们决策。这一章，我们会介绍使用混淆矩阵和相应的指标、ROC曲线与AUC值来评估分类模型；用MAE、MSE、R2来评估回归模型；用RMS、轮廓系数来评估聚类模型。…7-1 分类评估-混淆矩阵 (14:51)
7-2 分类评估-ROC、AUC、提升图与KS图 (15:12)
7-3 回归评估 (05:02)
7-4 非监督评估 (07:49)
第8章 总结与展望 这一章，我们将回顾本课程的全部内容，并从多个角度，重新看待我们的数据分析工作。最后，我们会了解到，学习了这门课程以后，还可以在哪些方面进行发展。8-1 课程回顾与多角度看数据分析 (05:22)
8-2 大数据与学习这门课后还能干什么？.mp4 (07:12)
下载地址
