机器学习和数据科学完全可视化指南

通过简单的逐步演示和用户友好的Excel模型探索数据科学和机器学习主题(无代码！)，这门课程是为日常生活中寻找直观的、初学者友好的机器学习和数据科学世界介绍的人开设的。通过有指导的逐步演示树立信心，并从头开始学习基本技能。我们不会记忆复杂的数学或学习一种新的编码语言，而是将分解并探索机器学习技术，以帮助您准确理解它们如何以及为什么工作。跟随简单、直观的示例，与用户友好的基于Excel的模型进行交互，学习线性和逻辑回归、决策树、KNN、朴素贝叶斯、层次聚类、情感分析等主题，而无需编写任何代码。The Complete Visual Guide To Machine Learning & Data Science

本课程将Maven Analytics的4门畅销课程合并为一门大师课:第1部分:单变量和多变量分析第2部分:分类建模第3部分:回归和预测第4部分:无监督学习第1部分:单变量和多变量分析在第1部分中，我们将介绍机器学习工作流以及清理和准备用于分析的原始数据的常用技术。我们将探索使用频率表、直方图、核密度和分析指标的单变量分析，然后深入研究多变量分析工具，如热图、violin & box图、散点图和相关性:第1部分:机器学习简介和景观机器学习过程、定义和景观第2部分:初步数据QA变量类型、空值、范围和计数计算、左/右审查等。第3部分:单变量分析直方图、频率表、平均值、中位数、众数、方差、偏斜度等。第4部分:多元分析，小提琴和盒图，核密度，热图，相关性等。

在整个课程中，我们将引入真实场景来巩固关键概念，并模拟实际的数据科学和商业智能案例。您将使用分析度量来清理当地杂货店的产品库存数据，使用直方图和核密度来探索奥运会运动员的人口统计数据，使用热图来可视化交通事故频率，等等。第2部分:分类建模在第2部分中，我们将介绍监督学习的前景，回顾分类工作流程，并解决关键问题，如因变量与自变量、特征工程、数据分割和过拟合。在这里，我们将回顾常见的分类模型，如K近邻(KNN)、朴素贝叶斯、决策树、随机森林、逻辑回归和情感分析，并分享模型评分、选择和优化的技巧

MP4 |视频:h264，1280×720 |音频:AAC，44.1 KHz
语言:英语|时长:8小时51分钟

你会学到什么
构建基本的机器学习和数据科学技能，无需编写复杂的代码
玩交互式、用户友好的Excel模型，了解机器学习技术实际上是如何工作的
使用一键式编码、缩放和离散化等特征工程技术丰富数据集
使用分类模型(如K近邻、朴素贝叶斯和决策树)预测分类结果
使用线性和非线性回归模型建立准确的预测和计划
应用强大的技术进行聚类、关联挖掘、离群点检测和降维
了解如何选择和调整模型以优化性能、减少偏差和最小化漂移
探索独特的实践案例研究，模拟机器学习如何应用于现实世界的案例

要求
这是一门初学者友好的课程(不需要任何先验知识或数学/统计背景)
我们将使用Microsoft Excel (Office 365)进行一些课程演示，但参与是可选的