「零」课程导论 - 讲师介绍 - 课程介绍 「第一周」数据科学是什么 - 什么是数据科学（上） - 什么是数据科学（下） - 数据科学职位介绍（1） - 数据科学职位介绍（2） - 数据科学职位介绍（3） - 数据科学职位介绍（4） - CRISP-DM简介（上） - CRISP-DM简介（下） 「第二周」数据分析工具Python（上） - 安装Python - 「案例」用Python分析员工离职原因 - Python语言简介 - Python中的报错和异常 - Python基本语法知识 - 基本数据类型和数据结构 - 基本运算符 - 控制流 - 自定义函数和Python脚本 - 类的概念 - 手把手教你为HR建立一个智能信息表 - Python自学资源 「第三周」数据分析工具Python（下） - 课前导读 - 开始安装Jupyter Notebook！ - 完成数据整理任务 - 数据整理常用库：Numpy & Pandas - Numpy & Pandas中的数据结构 - 手把手带你完成数据整理任务 - 数据整理思路 & 基本操作 - 完成数据可视化任务 - 数据可视化库：Matplotlib & Seaborn - 手把手带你完成数据可视化任务 - 用Python分析离职原因完整代码 「第四周」数据理解与准备 - 相关性系数 - 卡方检验 - 方差分析 - 特征选取引入 - 过滤法 - 包装法 - 嵌入法 - 特征选取总结 - 练习 员工留存分析 「第五周」机器学习初步建模 - 为什么需要机器学习 - 机器学习是什么 - 三种主要的机器学习算法 - Scikit-learn算法库介绍 - 机器学习模型的评估和选择（上） - 机器学习模型的评估和选择（下） - 机器学习模型三个组成部分 - 逻辑回归直观理解 - 逻辑回归三个组成部分 - 目标函数 - 逻辑回归应用 - 多项式逻辑回归模型 - SVM直观理解（上） - SVM直观理解（下） - SVM三个组成部分（1） - SVM三个组成部分（2） - SVM三个组成部分（3） - SVM三个组成部分（4） - SVM核方法（1） - SVM核方法（2） - SVM核方法（3） - SVM和逻辑回归的比较 - 练习 购买转化率预测 「第六周」模型调试与评估 - 模型调试与评估（上） - 模型调试与评估（下） - 交叉验证机制 - 通过测试集评估模型 - 通过验证集选择模型 - 验证集选择模型方法 - K-fold交叉验证 - 模型的过拟合和欠拟合 - 学习曲线 - 如何继续调整模型 - 正则化方法提升模型表现（上） - 正则化方法提升模型表现（下） - 模型效果评估指标（1） - ROC曲线和AUC值-召回率和误检率的关系 - 回归模型的效果评估 - 练习 皮马印第安人糖尿病分类问题 「第七周」机器学习建模进阶I - 课程导言 - 集成方法 - 模型的偏差和方差 - 随机森林 - 自适应提升 - 梯度提升 - 神经网络（1） - 神经网络（2） - 神经网络（3） - 反向传播 - 时间序列算法 - 时间序列分解法 - ARIMA - ARIMA建模操作步骤 - 练习 购买转化率预测（进阶） 「第八周」机器学习建模进阶II - 课程导言 - 层次聚类 - 不同层次聚类算法类型 - 层次聚类的应用 - 基于密度的聚类（DBSCAN） - 算法实现步骤 - 主成分分析（1） - 主成分分析（2） - 主成分分析（3） - 主成分分析（4） - 练习 热门视频分析 「第九周」A/B测试 - A/B测试能解决的问题 - 严谨的A/B测试流程 - A/B测试：确立目标 - A/B测试：实验设计 - A/B测试中的样本量 - A/B测试：运行实验到结论 - A/B测试实验设计案例 - A/B测试之数据分析 - A/B测试失效时的分析方法 - A/B测试分析方法 「第十周」毕业设计 - CRISP-DM项目引入 - CRISP-DM详解1--商业理解 - CRISP-DM详解2--数据理解 - CRISP-DM详解3--数据准备（第一次） - CRISP-DM详解4--建模 - CRISP-DM详解5--数据准备（监督学习建模前的准备） - CRISP-DM详解6--建模（监督学习） - CRISP-DM详解7--评估 - CRISP-DM详解8--发布 - CRISP-DM详解9--总结 - 毕设 OTA平台酒店预定量的预测 - 毕设 OTA平台客户流失预测