- 第1章 数据科学家的武器库
- 数据科学的概念
- 以示例讲解数据建模和数学建模
- 数据科学的统计基础
- 面向应用的数据挖掘算法分类
- 各类算法的适用场景讲解
- 面向应用的分类模型评估
- 第2章 Python基础
- Python介绍
- Python基础数据类型和表达式
- Python原生态数据结构(上)
- Python原生态数据结构(下)
- Python控制流
- Python函数
- Python模块的使用
- 第3章 信用卡客户特征分析-产品客户画像初步
- 描述性统计与探索型数据分析（上）
- 描述性统计与探索型数据分析（下）
- 描述性方法大全与Python绘图（上）
- 描述性方法大全与Python绘图（下）
- 统计制图原理
- 数据库基础
- 数据整合和数据清洗
- 数据整理
- 课后答疑
- 信用卡客户画像 作业讲解1
- 信用卡客户画像 作业讲解2
- 第4章 二手房价格分析报告
- 两变量关系检验方法综述
- 参数估计简介及概念介绍(上）
- 参数估计简介及概念介绍(下）
- 假设检验与单样本T检验(上)
- 假设检验与单样本T检验(下)
- 两样本T检验
- 方差分析
- 相关分析
- 相关知识点答疑
- 简单线性回归(上)
- 简单线性回归(下)
- 多元线性回归
- 课后作业与课程答疑
- 二手房房价影响因素分析 讲解1背景介绍
- 描述性分析-1对被解释变量进行描述
- 描述性分析-2对解释变量进行描述1
- 描述性分析-3对解释变量进行描述2
- 建立预测模型-1单变量显著度检验
- 建立预测模型-2无交互项的线性模型
- 建立预测模型-3有交互项的线性模型和预测
- 第5章 汽车贷款信用评分卡制作
- 课程答疑
- 线性回归检验（上）
- 线性回归检验（中）
- 线性回归检验（下）
- 逻辑回归基础（上）
- 逻辑回归基础（下）
- 课程答疑2
- 电信客户流失预警 作业讲解1总体介绍
- 矩估计1
- 矩估计2
- 极大似然估计
- 线性回归的极大似然估计
- 逻辑回归的极大似然估计
- 模型调优
- 流失预警模型的调优
- 最近邻域法的参数调优
- 第6章 电信客户流失预警
- 课前答疑
- 决策树建模思路（上）
- 决策树建模思路（下）
- 决策树建模基本原理
- Quinlan系列决策树建模原理-ID3
- Quinlan系列决策树建模原理-C4.5
- CART决策树建模原理
- 模型修剪-以CART为例
- 案例讲解1
- 神经网络基本概念
- 人工神经网络结构
- 感知器
- 案例讲解2
- 神经网络
- 课后答疑
- 第7章 个人银行反欺诈模型
- 不平衡分类概述
- 欠采样
- 过采样
- 综合采样
- 案例讲解
- 集成学习概述
- 随机森林
- Adaboost算法_
- 提升树、GBDT和XGBoost
- 第8章 慈善机构精准营销案例
- 多元统计基础与变量约减的思路
- 主成分分析理论基础1
- 主成分分析理论基础2
- 主成分分析理论基础3
- 主成分分析案例1
- 主成分分析案例2
- 因子分析1.
- 因子分析2
- 稀疏主成分分析
- 变量聚类原理
- 变量聚类操作
- 答疑1
- 案例2：精准营销的两阶段预测模型1
- 案例2：精准营销的两阶段预测模型2
- 案例2：精准营销的两阶段预测模型3
- 精准营销的两阶段预测模型4
- 答疑2_
- 第9章 银行客户渠道使用偏好的客户洞察
- 凸优化基本概念
- 凸集的概念
- 凸函数
- 无约束凸优化计算_
- 有约束凸优化计算
- 朴素贝叶斯分类器
- 支持向量机引论
- 线性可分的支持向量机
- 线性不可分的支持向量机
- 支持向量机使用案例
- GBDT和分类模型评估(算法角度)
- GBDT和分类模型评估(算法角度)
- GBDT和分类模型评估(算法角度)
- GBDT和分类模型评估(算法角度)
- 客户画像与标签体系
- 客户细分
- 聚类的基本逻辑
- 系统聚类(上)
- 系统聚类(下)
- K-means聚类
- 使用决策树做聚类后客户分析
- 课后答疑
- 第10章 推荐系统设计与银行产品推荐
- 智能推荐（上）
- 智能推荐（下）
- 购物篮分析与运用
- 关联规则（上）
- 关联规则（中）
- 关联规则（下）
- 序贯模型
- 相关性在推荐中的运用
- 答疑
