课程介绍

【微职位】Python数据分析与机器学习实战课程配套视频课程是一套系统性强、理论与实践紧密结合的Python数据科学学习资源，旨在帮助学习者从零基础掌握数据分析与机器学习的核心技能，并通过真实项目案例提升实战能力。

课程内容结构清晰，覆盖从Python编程基础到高级算法应用的完整知识体系：

1. ‌Python与人工智能入门‌
   课程开篇介绍AI时代背景下Python为何成为首选语言，讲解学习路径建议与机器学习本质，帮助初学者建立整体认知框架。

2. ‌核心工具链掌握‌
   系统讲解数据科学三大件：

   • ‌NumPy‌：科学计算基础，支持高效数组操作
   • ‌Pandas‌：数据清洗、处理与分析的核心库
   • ‌Matplotlib/Seaborn‌：数据可视化，实现从数据到图表的转化

3. ‌机器学习算法全解析‌
   涵盖主流监督与无监督学习算法，包括：

   • 回归分析（线性回归、逻辑回归）
   • 分类算法（KNN、SVM、决策树、随机森林）
   • 聚类方法（K-means、DBSCAN）
   • 降维技术（PCA、线性判别分析）
     每个算法均配有原理推导与Python代码实现，强化理解深度

4. ‌项目实战强化应用能力‌
   通过多个真实场景项目巩固所学：

   • 泰坦尼克号生存预测（级联模型）
   • 信用卡欺诈检测（处理样本不平衡、交叉验证）
   • 手写字体识别（图像分类任务）
   • 股票时间序列预测（使用tsfresh等工具）
     项目贯穿数据预处理、特征工程、模型构建、评估优化全流程

5. ‌配套资源丰富，支持自主学习‌
   提供完整的课件、源码、数据集及教学视频，部分资源可通过百度网盘获取。课程设计适配高校教学与个人自学双重场景，配有详细教学大纲与案例解析

课程目录

/15-076-【微职位】Python数据分析与机器学习实战课程配套视频课程/
│├─视频
│├─课件与代码
视频/
│├─第01章 人工智能入学指南
│├─第02章 Python快速入门
│├─第03章 科学计算库Numpy
│├─第04章 数据分析处理库Pandas
│├─第05章 可视化库Matplotlib
│├─第06章 Python可视化库Seaborn
│├─第07章 线性回归算法
│├─第08章 梯度下降算法
│├─第09章 逻辑回归算法
│├─第10章 案例实战：Python实现逻辑回归与梯度下降策略
│├─第11章 项目实战：案例实战信用卡欺诈检测
│├─第12章 决策树算法
│├─第13章 案例实战：决策树Sklearn实例
│├─第14章 集成算法与随机森林
│├─第15章 泰坦尼克船员获救
│├─第16 章贝叶斯算法
│├─第17章 Python文本数据分析
│├─第18章 支持向量机算法
│├─第19章 SVM调参实例
│├─第20章 机器学习处理实际问题常规套路
│├─第21章 降维算法：线性判别分析
│├─第22章 案例实战：Python实现线性判别分析
│├─第23章 降维算法：PCA主成分分析
│├─第24章 聚类算法-Kmeans
│├─第25章 聚类算法-DBSCAN
│├─第26章 聚类实践
│├─第27章 EM算法
│├─第28章 GMM聚类实践
│├─第29章 神经网络
│├─第30章 Tensorflow实战
│├─第31章 Mnist手写字体与验证码识别
│├─第32章 Xgboost集成算法
│├─第33章 推荐系统
│├─第34章 推荐系统实战
│├─第35章 词向量模型Word2Vec
│├─第36章 使用Gensim库构造词向量模型
│├─第37章 时间序列-ARIMA模型
│├─第38章 Python时间序列案例实战
│├─第39章 探索性数据分析：赛事数据集
│├─第40章 探索性数据分析：农粮组织数据集
│第01章 人工智能入学指南/
││├─001、AI时代首选Python.ts 34.9MB
││├─002、Python我该怎么学？.ts 19.7MB
││├─003、人工智能的核心-机器学习.ts 35.8MB
││├─004、机器学习怎么学？.ts 50.5MB
││├─005、算法推导与案例.ts 34.1MB
││├─006、系列课程环境配置.ts 23.9MB
│第02章 Python快速入门/
││├─007、快速入门，边学边用.ts 4MB
││├─008、变量类型.ts 30.6MB
││├─009、List基础模块.ts 42MB
││├─010、List索引.ts 48.4MB
││├─011、循环结构.ts 46.1MB
││├─012、判断结构.ts 23.3MB
││├─013、字典模块.ts 59.3MB
││├─014、文件处理.ts 65.4MB
││├─015、函数基础.ts 17.2MB
│第03章 科学计算库Numpy/
││├─016、Numpy数据结构.ts 65.2MB
││├─017、Numpy基本操作.ts 39.4MB
││├─018、Numpy矩阵属性.ts 36.6MB
││├─019、Numpy矩阵操作.ts 117.9MB
││├─020、Numpy常用函数.ts 164.2MB
│第04章 数据分析处理库Pandas/
││├─021、Pandas数据读取.ts 68.1MB
││├─022、Pandas索引与计算.ts 27.6MB
││├─023、Pandas数据预处理实例.mp4 55.4MB
││├─023、Pandas数据预处理实例.ts 30.5MB
││├─024、Pandas常用预处理方法.ts 23.6MB
││├─025、Pandas自定义函数.ts 21.6MB
││├─026、等待提取中.txt
│第05章 可视化库Matplotlib/
││├─027、折线图绘制.ts 50.1MB
││├─028、子图操作.ts 74.3MB
││├─029、条形图与散点图.ts 66.6MB
││├─030、柱形图与盒形.ts 58.1MB
││├─031、绘图细节设置.ts 35.4MB
│第06章 Python可视化库Seaborn/
││├─032、布局整体风格设置.ts 37.4MB
││├─033、风格细节设置.ts 32.9MB
││├─034、调色板.ts 44.2MB
││├─035、调色板颜色设置.ts 38MB
││├─036、单变量分析绘制.ts 47.1MB
││├─037、回归分析绘图.ts 43.7MB
││├─038、多变量分析绘图.ts 48.6MB
││├─039、分类属性绘图.ts 51MB
││├─040、热度图绘制.ts 65.8MB
│第07章 线性回归算法/
││├─041、线性回归算法概述.ts 50.9MB
││├─042、误差项分析.ts 45MB
││├─043、似然函数求解.ts 31.4MB
││├─044、目标函数推导.ts 32.4MB
││├─045、线性回归求解.ts 38.1MB
│第08章 梯度下降算法/
││├─046、梯度下降原理.ts 48MB
││├─047、梯度下降方法对比.ts 27.9MB
││├─048、学习率对结果的影响.ts 23.3MB
│第09章 逻辑回归算法/
││├─049、逻辑回归算法原理推导.ts 39.8MB
││├─050、逻辑回归求解.ts 58MB
│第10章 案例实战：Python实现逻辑回归与梯度下降策略/
││├─051、Python实现逻辑回归任务概述.ts 47.6MB
││├─052、完成梯度下降模块.ts 83.8MB
││├─053、停止策略与梯度下降策略对比.ts 68.1MB
││├─054、实验对比效果.ts 67MB
│第11章 项目实战：案例实战信用卡欺诈检测/
││├─055、案例背景和目标.ts 46MB
││├─056、样本不平衡解决方案.ts 56.3MB
││├─057、下采样策略.ts 40.7MB
││├─058、交叉验证.ts 55.3MB
││├─059、模型评估方法.ts 52.9MB
││├─060、正则化惩罚项.ts 32.9MB
││├─061、逻辑回归模型.ts 41.7MB
││├─062、混淆矩阵.ts 48.3MB
││├─063、逻辑回归阈值对结果的影响.ts 55.8MB
││├─064、SMOTE样本生成策略.ts 87.8MB
│第12章 决策树算法/
││├─065、决策树原理概述.ts 45.4MB
││├─066、衡量标准-熵.ts 46.1MB
││├─067、决策树构造实例.ts 40.1MB
││├─068、信息增益率.ts 22MB
││├─069、决策树剪枝策略.ts 67MB
│第13章 案例实战：决策树Sklearn实例/
││├─070、决策树复习.ts 40.1MB
││├─071、决策树涉及参数.ts 67.5MB
││├─072、树可视化与Sklearn实例.ts 109.5MB
││├─073、Sklearn参数选择模块.ts 71MB
│第14章 集成算法与随机森林/
││├─074、集成算法-随机森林.ts 51.7MB
││├─075、特征重要性衡量.ts 49.1MB
││├─076、提升模型.ts 48.8MB
││├─077、堆叠模型.ts 28.5MB
│第15章 泰坦尼克船员获救/
││├─078、数据介绍.ts 36.9MB
││├─079、数据预处理.ts 72.1MB
││├─080、回归模型进行预测.ts 75.3MB
││├─081、随机森林模型.ts 68.4MB
││├─082、特征选择.ts 54MB
│第16 章贝叶斯算法/
││├─083、贝叶斯算法概述.ts 18.9MB
││├─084、贝叶斯推导实例.ts 20.2MB
││├─085、贝叶斯拼写纠错实例.ts 30.7MB
││├─086、垃圾邮件过滤实例.ts 38.3MB
││├─087、贝叶斯实现拼写检查器.ts 59.7MB
│第17章 Python文本数据分析/
││├─088、文本分析与关键词提取.ts 32.6MB
││├─089、相似度计算.ts 34.1MB
││├─090、新闻数据与任务简介.ts 48.9MB
││├─091、TF-IDF关键词提取.ts 66.5MB
││├─092、LDA建模.ts 43.4MB
││├─093、基于贝叶斯算法的新闻分类.ts 70.8MB
│第18章 支持向量机算法/
││├─094、支持向量机要解决的问题.ts 36.7MB
││├─095、距离与数据的定义.ts 36MB
││├─096、目标函数.ts 34.3MB
││├─097、目标函数求解.ts 38.3MB
││├─098、SVM求解实例.ts 48.4MB
││├─099、支持向量的作用.ts 41.5MB
││├─100、软间隔问题.ts 22.6MB
││├─101、SVM核变换.ts 85.5MB
│第19章 SVM调参实例/
││├─102、Sklearn求解支持向量机.ts 69.7MB
││├─103、SVM参数调节.ts 87.3MB
│第20章 机器学习处理实际问题常规套路/
││├─104、HTTP检测任务与数据挖掘的核心.ts 68.5MB
││├─105、论文的重要程度.ts 62.7MB
││├─106、BenchMark概述.ts 41.6MB
││├─107、BenchMark的作用.ts 83.8MB
│第21章 降维算法：线性判别分析/
││├─108、线性判别分析要解决的问题.ts 46.8MB
││├─109、线性判别分析要优化的目标.ts 42.7MB
││├─110、线性判别分析求解.ts 45.2MB
│第22章 案例实战：Python实现线性判别分析/
││├─111、Python实现线性判别分析.ts 56.7MB
││├─112、求解得出降维结果.ts 50.7MB
│第23章 降维算法：PCA主成分分析/
││├─113、PCA降维概述.ts 27.3MB
││├─114、PCA要优化的目标.ts 47.3MB
││├─115、PCA求解.ts 40MB
││├─116、PCA降维实例.ts 112MB
│第24章 聚类算法-Kmeans/
││├─117、Kmeans算法概述.ts 40.5MB
││├─118、Kmeans工作流程.ts 29.7MB
││├─119、迭代效果可视化展示.ts 49.5MB
│第25章 聚类算法-DBSCAN/
││├─120、DBSCAN聚类算法.ts 69.5MB
││├─121、DBSCAN工作流程.ts 65.7MB
││├─122、DBSCAN迭代可视化展示.ts 50MB
│第26章 聚类实践/
││├─123、多种聚类算法概述.ts 15MB
││├─124、聚类案例实战.ts 94.2MB
│第27章 EM算法/
││├─125、EM算法要解决的问题.ts 36.3MB
││├─126、隐变量问题.ts 21MB
││├─127、EM算法求解实例.ts 68.3MB
││├─128、Jensen不等式.ts 37.6MB
││├─129、GMM模型.ts 32MB
│第28章 GMM聚类实践/
││├─130、GMM实例.ts 68.1MB
││├─131、GMM聚类.ts 53.2MB
│第29章 神经网络/
││├─132、计算机视觉常规挑战.ts 70.6MB
││├─133、得分函数.ts 17.7MB
││├─134、损失函数.ts 22MB
││├─135、softmax分类器.ts 33.1MB
││├─136、反向传播.ts 30MB
││├─137、神经网络整体架构.ts 19.2MB
││├─138、神经网络实例.ts 34.1MB
││├─139、激活函数.ts 31.7MB
│第30章 Tensorflow实战/
││├─140、Tensorflow基础操作.ts 27.6MB
││├─141、Tensorflow常用函数.ts 34.5MB
││├─142、Tensorflow回归实例.ts 44.4MB
││├─143、Tensorflow神经网络实例.ts 72.7MB
││├─144、Tensorflow神经网络迭代.ts 70.8MB
││├─145、神经网络dropout.ts 38.3MB
││├─146、卷积神经网络基本结构.ts 45.7MB
│第31章 Mnist手写字体与验证码识别/
││├─147、Tensorflow构造卷积神经网络参数.ts 50.2MB
││├─148、Pooling层原理与参数.ts 40.2MB
││├─149、卷积网络参数配置.ts 41MB
││├─150、卷积神经网络计算流程.ts 47.2MB
││├─151、CNN在mnist数据集上的效果.ts 56.3MB
││├─152、验证码识别任务概述.ts 52.9MB
││├─153、完成验证码识别任务.ts 67.7MB
│第32章 Xgboost集成算法/
││├─154、集成算法思想.ts 14.2MB
││├─155、Xgboost基本原理.ts 26.5MB
││├─156、Xgboost目标函数推导.ts 32.5MB
││├─157、Xgboost求解实例.ts 40.3MB
││├─158、Xgboost安装.ts 18.4MB
││├─159、Xgboost实例演示.ts 70.7MB
││├─160、Adaboost算法概述.ts 42.2MB
│第33章 推荐系统/
││├─161、推荐系统应用.ts 40.9MB
││├─162、推荐系统要完成的任务.ts 17MB
││├─163、相似度计算.ts 27MB
││├─164、基于用户的协同过滤.ts 21.6MB
││├─165、基于物品的协同过滤.ts 35.4MB
││├─166、隐语义模型.ts 19.7MB
││├─167、隐语义模型求解.ts 26.2MB
││├─168、模型评估标准.ts 15.8MB
│第34章 推荐系统实战/
││├─169、Surprise库与数据简介.ts 31.5MB
││├─170、Surprise库使用方法.ts 46.4MB
││├─171、得出商品推荐结果.ts 50.3MB
││├─172、使用Tensorflow构建隐语义模型.ts 46.3MB
││├─173、模型架构.ts 52.9MB
││├─174、损失函数定义.ts 43.3MB
││├─175、训练网络模型.ts 47.1MB
│第35章 词向量模型Word2Vec/
││├─176、自然语言处理与深度学习.ts 33.5MB
││├─177、语言模型.ts 13.1MB
││├─178、N-gram模型.ts 23.4MB
││├─179、词向量.ts 23.3MB
││├─180、神经网络模型.ts 28MB
││├─181、Hierarchical.ts 25.4MB
││├─182、CBOW模型实例.ts 34.5MB
││├─183、CBOW求解目标.ts 16.1MB
││├─184、梯度上升求解.ts 29.6MB
││├─185、负采样模型.ts 16.9MB
│第36章 使用Gensim库构造词向量模型/
││├─186、使用Gensim库构造词向量.ts 32.9MB
││├─187、维基百科中文数据处理.ts 51.6MB
││├─188、Gensim构造word2vec.ts 45.3MB
││├─189、测试相似度结果.ts 38.6MB
│第37章 时间序列-ARIMA模型/
││├─190、数据平稳性与差分法.ts 40.2MB
││├─191、ARIMA模型.ts 26.2MB
││├─192、相关函数评估方法.ts 41.3MB
││├─193、建立AIRMA模型.ts 32.4MB
││├─194、参数选择.ts 60.8MB
│第38章 Python时间序列案例实战/
││├─195、股票预测案例.ts 48MB
││├─196、使用tsfresh库进行分类任务.ts 57.8MB
││├─197、维基百科词条EDA.ts 69.1MB
││├─198、Pandas生成时间序列.ts 55MB
││├─199、Pandas数据重采样.ts 44.7MB
││├─200、Pandas滑动窗口.ts 28.3MB
│第39章 探索性数据分析：赛事数据集/
││├─201、数据背景介绍.ts 55.9MB
││├─202、数据读取与预处理.ts 64.3MB
││├─203、数据切分模块.ts 86.2MB
││├─204、缺失值可视化分析.ts 67.2MB
││├─205、特征可视化展示.ts 65.1MB
││├─206、多特征之间关系分析.ts 64.3MB
││├─207、报表可视化分析.ts 54.8MB
││├─208、红牌和肤色的关系.ts 83.9MB
│第40章 探索性数据分析：农粮组织数据集/
││├─209、数据背景简介.ts 76.4MB
││├─210、数据切片分析.ts 113.4MB
││├─211、单变量分析.ts 99.9MB
││├─212、峰度与偏度.ts 80.5MB
││├─213、数据对数变换.ts 68.7MB
││├─214、数据分析维度.ts 48.3MB
││├─215、变量关系可视化展示.mp4 72.9MB
课件与代码/
│├─10Python文本分析
│├─11泰坦尼克号-级联模型
│├─12手写字体识别
│├─13tensorflow代码
│├─14xgboost
│├─15推荐系统
│├─16word2vec——空
│├─17Python时间序列
│├─1机器学习算法PPT
│├─2numpy
│├─3Pandas
│├─4欺诈检测
│├─5梯度下降实例
│├─6Matplotlib
│├─7可视化库Seaborn
│├─8决策树鸢尾花
│├─9贝叶斯
│├─唐宇迪-机器学习课程代码-新整理.zip 5.1GB
│├─梯度下降求解逻辑回归.zip 681.7KB
│10Python文本分析/
││├─Python文本分析.zip 70.6MB
││├─课程数据-代码.txt 99byte
│11泰坦尼克号-级联模型/
││├─泰坦尼克号-级联模型.zip 1.3MB
│12手写字体识别/
││├─手写字体识别.zip 9.3MB
│13tensorflow代码/
││├─tensorflow代码.zip 2.1MB
│14xgboost/
││├─xgboost.zip 28.8KB
│15推荐系统/
││├─推荐系统.zip 38.9MB
││├─推荐系统.pdf 2.1MB
││├─课程数据-代码.txt 99byte
│16word2vec——空/
││├─word2vec.zip 603.3MB
││├─课程数据-代码.txt 98byte
│17Python时间序列/
││├─Python时间序列.zip 110.7MB
││├─课程数据-代码.txt 99byte
│1机器学习算法PPT/
││├─机器学习算法PPT.pdf 9.9MB
│2numpy/
││├─numpy.zip 18.5KB
│3Pandas/
││├─Pandas.zip 776.4KB
│4欺诈检测/
││├─欺诈检测.zip 66.1MB
│5梯度下降实例/
││├─梯度下降实例.zip 156KB
│6Matplotlib/
││├─Matplotlib.zip 935.2KB
│7可视化库Seaborn/
││├─可视化库Seaborn.rar 3.8MB
││├─课程数据-代码.txt 34byte
│8决策树鸢尾花/
││├─决策树鸢尾花.zip 633KB
│9贝叶斯/
││├─课程数据-代码.txt 99byte
││├─贝叶斯.rar 2.3MB