这门课解决什么问题
很多上班族学机器学习，最容易卡在“懂了理论却写不出代码”。看了一堆公式，遇到真实的业务数据，还是不知道从哪下手：缺失值怎么处理、异常点要不要删、多个模型怎么对比优劣。这门课不绕弯子，直接拿真实的数据分析流做骨架，从数据描述、预分析，一直走到构建模型和残差修正。它解决的是“从拿到数据到跑出可用模型”这条主线上的落地问题，而不是单纯讲某个算法的推导。如果你平时做运营、做产品，或者想转行做数据分析、算法岗，缺的就是这种把碎片知识串成完整工作流的训练。
适合什么基础，学完能独立做什么
它适合已经摸过 Python 基础语法、能跑通简单脚本，但对机器学习只停留在概念层的人。如果你连变量和函数都还不熟，建议先补基础再来。课程前几节会带 Anaconda 和第三方库的安装，但不会手把手教 Python 语法，默认你能看懂 Jupyter 里的基本操作。学完之后，你应该能独立完成一个完整的数据分析项目：拿到一份业务数据，先做描述性统计和预分析，识别缺失、异常、共线性问题，然后构建模型，看残差做修正，最后把多个模型集成起来对比效果。简单说，就是能独立交付一个“从数据到模型”的小项目，而不是只会调一个现成库跑结果。
建议先看哪几块，资料怎么配合练习
不用按顺序从头啃。建议先看“前言”里讲学习算法集汇和业务场景那两节，搞清楚统计学习、机器学习、深度学习在解决什么不同的问题，心里有个框架再往下走。第二步直接跳到“数据分析流”那几节，跟着视频里的业务逻辑和预分析步骤，拿自己的数据照着做一遍缺失值处理和异常检测。第三步再看构建模型和残差修正，这部分是核心，建议边看边在本地 Jupyter 里复现，不要只看不动手。资料包里的代码和笔记是用来对照的，不是用来收藏的。每学完一个环节，自己换个数据集重跑一遍，能跑通才算真学会。遇到报错先查官方文档，别急着找答案，这个过程本身就是训练。
你将对数据分析流程有个全面的了解，并掌握多个模型是如何集成在一起的。
课程目录
* 01 课程特点.mp4 (41.46 MB), 16:01
* 02 目录介绍（模型与应用、实战案例与统计功能）.mp4 (76.57 MB), 21:07
* 03 前言（小数据与大数据、学习与人工智能、应用场景）.mp4 (114.99 MB), 33:17
* 04 前言：学习算法集汇（统计学习、机器学习、深度学习）.mp4 (79.26 MB), 22:12
* 05 软件jupyter安装：anaconda安装、第三方库.mp4 (110.63 MB), 22:35
* 06 数据分析流：业务逻辑、描述性挖掘（业务逻辑、数据描述）.mp4 (75.51 MB), 25:01
* 07 数据分析流：预分析（缺失、异常、共线等）.mp4 (72.53 MB), 24:39
* 08 构建模型：残差与修正.mp4 (92.08 MB), 25:37
* 09 模型应用：模型评估、应用、可视化.mp4 (87.41 MB), 26:11
* 10 案例1：数据分析流——导入第三方库.mp4 (68.84 MB), 13:39
* 11 案例1：数据分析流——导入数据.mp4 (65.06 MB), 12:55
* 12 案例1：数据分析流——数据描述.mp4 (78.90 MB), 15:13
* 13 案例1：数据分析流——缺失值可视化.mp4 (87.24 MB), 15:43
* 14 案例1：数据分析流——缺失值填补.mp4 (86.22 MB), 16:39
* 15 案例1：数据分析流——缩尾异常值.mp4 (76.10 MB), 16:15
* 16 案例1：数据分析流——相关法特征筛选.mp4 (57.81 MB), 13:14
* 17 案例1：数据分析流——共线性.mp4 (77.66 MB), 15:16
* 18 案例1：数据分析流——y编码和变换.mp4 (60.67 MB), 14:28
* 19 案例1：数据分析流——构建大模型.mp4 (50.89 MB), 10:58
* 20 案例1：数据分析流——异常值处理（多变量）.mp4 (60.15 MB), 12:42
* 21 案例1：数据分析流——特征筛选（多变量）.mp4 (68.67 MB), 14:09
* 22 案例1：数据分析流——共线性（多变量）.mp4 (63.93 MB), 11:27
* 23 案例1：数据分析流——编码离散化（多变量）.mp4 (69.87 MB), 14:08
* 24 案例1：数据分析流——构建模型（线性与非线性）.mp4 (52.04 MB), 11:53
* 25 案例1：数据分析流——应用，可视化.mp4 (63.22 MB), 13:37
* 26 案例2：图像处理与车辆识别——ML粗线条识别.mp4 (58.68 MB), 13:39
* 27 案例2：图像处理与车辆识别——原始数据和分析流程解读.mp4 (64.26 MB), 14:08
* 28 案例2：图像处理与车辆识别——图片规范化处理.mp4 (75.47 MB), 14:41
* 29 案例2：图像处理与车辆识别——SVM模型选择与超参数调.mp4 (72.84 MB), 15:22
* 30 案例2：图像处理与车辆识别——加载模型与移动图片.mp4 (63.50 MB), 12:55
* 31 案例3：数据分析之前需要考虑的问题——数据和项目拆解.mp4 (54.71 MB), 14:27
* 32 案例3：数据不平衡的危害.mp4 (22.13 MB), 07:52
* 33 案例3：不平衡问题：第三方库imblearn.mp4 (28.94 MB), 09:04
* 34 案例3：数据分区——训练、测试、滚动.mp4 (51.54 MB), 14:39
* 35 案例3：分类模型的特征选择——业务与统计，单与多变量.mp4 (49.07 MB), 13:07
* 36 案例3：分类模型与回归模型——结合策略.mp4 (54.58 MB), 13:43
* 37 案例3：模型评估——准确性和稳定性.mp4 (57.53 MB), 15:25
* 38 案例3：问题困境总结——多阶段模型集成.mp4 (41.81 MB), 11:34
* 39 案例3：数据管理和数据清理.mp4 (76.28 MB), 15:38
* 40 案例3：特征工程——缺失值，特征筛选.mp4 (60.25 MB), 13:38
* 41 案例3：模型整合.mp4 (76.89 MB), 14:46
* 42 专题1：python IDE——spyder.mp4 (52.88 MB), 10:05
* 43 专题2：python IDE——jupyter.mp4 (48.19 MB), 07:46
* 44 专题3：python IDE——jupyterlab.mp4 (63.37 MB), 10:17
* 45 专题4：第三方库imblearn——随机森林平衡器.mp4 (37.56 MB), 09:06
