请至PC端网页下载本课程代码课件及数据。
系统、多面的介绍方差分析模型、回归模型、logistic回归等各种经典统计模型,以及树模型、神经网络、支持向量机、最近邻方法等各种现代数据挖掘模型的算法原理,模型优缺点,适用条件及考查方式,并学习这些模型在sklearn和statsmodels中的具体实现方法。
本课程为统计原理与操作并重,在详细阐明各种模型算法特点的基础上,再对这些方法的python实现进行学习。
学习完本课程后,学员将能够独立使用sklearn和statsmodels拟合各种统计模型,满足实际研究工作或数据挖掘项目中的建模需求。
【更新记录】
2019.9:增加关联分析一章,1h+时长。
【课程大纲】
第1章:统计模型课程概述
第2章:方差分析模型
第3章:线性回归模型
第4章:线性回归的衍生模型
第5章:logitsic回归
第6章:决策树模型
第7章:神经网络
第8章:支持向量机
第9章:主成分分析与因子分析
第10章:聚类分析
第11章:最近邻分析
第12章:生存分析
第13章:关联分析
【课程长度】
总时长:20小时
【学员基础】
学员需要懂得Python语言的基本编程知识,有基本的程序查错能力。
学员事前应当学习统计分析的基本知识,建议完全没有统计基础的学员事先学习免费视频课程《统计分析轻松入门》和《统计模型轻松入门》。
本课程为python数据分析系列课程的高级内容,建议学员事先学习《玩转pandas》、《玩转统计分析》等基础课程。