课程介绍：
数据科学与人工智能必备数学基础课程旨在帮助同学们快速打下数学基础，通俗讲解其中每一个知识点。课程内容涉及高等数学，线性代数，概率论与统计学，同学们在学习过程中应当以理解为出发点并不需要死记每一个公式，快速掌握核心知识点。
章节目录：
高等数学基础
可试听
8小节
0:58:32
1.1 课程简介
预览
04:00
1.2 函数
预览
05:27
1.3 极限
预览
06:43
1.4 无穷小与无穷大
预览
06:33
1.5 连续性与导数
08:58
1.6 偏导数
07:01
1.7 方向导数
08:24
1.8 梯度
11:26
微积分
5小节
0:39:43
2.1 微积分基本想法
06:06
2.2 微积分的解释
08:01
2.3 定积分
08:32
2.4 定积分性质
05:28
2.5 牛顿.莱布尼茨公式
11:36
泰勒公式与拉格朗日
6小节
0:50:10
3.1 泰勒公式出发点
06:13
3.2 一点一世界
09:58
3.3 阶数的作用
08:07
3.4 阶乘的作用
05:54
3.5 拉格朗日乘子法
09:53
3.6 求解拉格朗日乘子法
10:05
线性代数基础
6小节
0:56:56
4.1 行列式概述
05:43
4.2 矩阵与数据的关系
09:25
4.3 矩阵基本操作
12:11
4.4 矩阵的几种变换
05:30
4.5 矩阵的秩
12:40
4.6 内积与正交
11:27
特征值与矩阵分解
5小节
0:36:50
5.1 特征值与特征向量
07:25
5.2 特征空间与应用
04:31
5.3 SVD要解决的问题
07:17
5.4 特征值分解
05:45
5.5 SVD矩阵分解
11:52
随机变量
5小节
0:37:41
6.1 离散型随机变量
07:49
6.2 连续型随机变量
09:32
6.3 简单随机抽样
02:30
6.4 似然函数
07:34
6.5 极大似然估计
10:16
概率论基础
15小节
2:06:30
7.1 概率与频率
06:50
7.2 古典概型
06:23
7.3 条件概率
08:33
7.4 条件概率小例子
05:35
7.5 独立性
07:15
7.6 二维离散型随机变量
08:03
7.7 二维连续型随机变量
05:29
7.8 边缘分布
09:36
7.9 期望
04:20
7.10 期望求解
08:38
7.11 马尔科夫不等式
08:35
7.12 切比雪夫不等式
11:14
7.13 后验概率估计
10:04
7.14 贝叶斯拼写纠错实例
11:46
7.15 垃圾邮件过滤实例
14:09
数据科学你得知道的几种分布
6小节
1:10:11
8.1 正太分布
19:23
8.2 二项式分布
11:02
8.3 泊松分布
15:55
8.4 均匀分布
03:22
8.5 卡方分布
05:35
8.6 beta分布
14:54
核函数变换
6小节
0:41:14
9.1 核函数的目的
06:37
9.2 线性核函数
05:43
9.3 多项式核函数
04:34
9.4 核函数实例
06:53
9.5 高斯核函数
08:51
9.6 参数的影响
08:36
熵与激活函数
4小节
0:33:28
10.1 熵的概念
04:50
10.2 熵的大小意味着什么
12:09
10.3 激活函数
06:30
10.4 激活函数的问题
09:59
回归分析
15小节
2:22:23
11.1 回归分析概述
07:11
11.2 回归方程定义
04:42
11.3 误差项的定义
07:48
11.4 最小二乘法推导与求解
12:41
11.5 回归方程求解小例子
06:32
11.6 回归直线拟合优度
11:08
11.7 多元与曲线回归问题
08:26
11.8 Python工具包介绍
05:01
11.9 statsmodels回归分析
09:38
11.10 高阶与分类变量实例
12:06
11.11 案例：汽车价格预测任务概述
09:19
11.12 案例：缺失值填充
13:36
11.13 案例：特征相关性
13:47
11.14 案例：预处理问题
07:05
11.15 案例：回归求解
13:23
假设检验
11小节
1:57:01
12.1 假设检验基本思想
12:28
12.2 左右侧检验与双侧检验
14:20
12.3 Z检验基本原理
07:03
12.4 Z检验实例
14:06
12.5 T检验基本原理
13:02
12.6 T检验实例
06:17
12.7 T检验应用条件
07:43
12.8 卡方检验
11:28
12.9 假设检验中的两类错误
10:01
12.10 Python假设检验实例
12:34
12.11 Python卡方检验实例
07:59
相关分析
7小节
1:12:25
13.1 相关分析概述
09:03
13.2 皮尔森相关系数
08:16
13.3 计算与检验
13:05
13.4 斯皮尔曼等级相关
14:06
13.5 肯德尔系数
06:48
13.6 质量相关分析
13:33
13.7 偏相关与复相关
07:34
方差分析
6小节
0:58:52
14.1 方差分析概述
06:48
14.2 方差的比较
11:50
14.3 方差分析计算方法
14:00
14.4 方差分析中的多重比较
08:15
14.5 多因素方差分析
09:25
14.6 Python方差分析实例
08:34
聚类分析
11小节
1:54:49
15.1 层次聚类概述
04:41
15.2 层次聚类流程
12:10
15.3 层次聚类实例
11:33
15.4 KMEANS算法概述
11:33
15.5 KMEANS工作流程
09:42
15.6 KMEANS迭代可视化展示
08:19
15.7 DBSCAN聚类算法
11:03
15.8 DBSCAN工作流程
15:03
15.9 DBSCAN可视化展示
08:52
15.10 多种聚类算法概述
04:34
15.11 聚类案例实战
17:19
贝叶斯分析
13小节
1:56:17
16.1 贝叶斯分析概述
07:22
16.2 概率的解释
06:06
16.3 贝叶斯学派与经典统计学派的争论
05:49
16.4 贝叶斯算法概述
06:58
16.5 贝叶斯推导实例
07:37
16.6 贝叶斯拼写纠错实例
11:46
16.7 垃圾邮件过滤实例
14:09
16.8 贝叶斯解释
10:50
16.9 经典求解思路
08:16
16.10 MCMC概述
11:03
16.11 PYMC3概述
05:40
16.12 模型诊断
09:53
16.13 模型决策
10:48
评论0+