课时1:课程特点课时2:目录介绍（模型与应用、实战案例与统计功能）课时3:前言（小数据与大数据、学习与人工智能、应用场景）课时4:前言：学习算法集汇（统计学习、机器学习、深度学习）课时5:软件jupyter安装：anaconda安装、第三方库课时6:数据分析流：业务逻辑、描述性挖掘（业务逻辑、数据描述）课时7:数据分析流：预分析（缺失、异常、共线等）课时8:构建模型：残差与修正课时9:模型应用：模型评估、应用、可视化课时10:案例1：数据分析流——导入第三方库课时11:案例1：数据分析流——数据描述课时12:案例1：数据分析流——缺失值可视化课时13:案例1：数据分析流——导入数据课时14:案例1：数据分析流——相关法特征筛选课时15:案例1：数据分析流——缩尾异常值课时16:案例1：数据分析流——缺失值填补课时17:案例1：数据分析流——y编码和变换课时18:案例1：数据分析流——共线性课时19:案例1：数据分析流——构建大模型课时20:案例1：数据分析流——异常值处理（多变量）课时21:案例1：数据分析流——编码离散化（多变量）课时22:案例1：数据分析流——特征筛选（多变量）课时23:案例1：数据分析流——共线性（多变量）课时24:案例1：数据分析流——构建模型（线性与非线性）课时25:案例1：数据分析流——应用，可视化课时26:案例2：图像处理与车辆识别——ML粗线条识别课时27:案例2：图像处理与车辆识别——原始数据和分析流程解读课时28:案例2：图像处理与车辆识别——图片规范化处理课时29:案例2：图像处理与车辆识别——SVM模型选择与超参数调整课时30:案例3：数据不平衡的危害课时31:案例3：数据分析之前需要考虑的问题——数据和项目拆解课时32:案例2：图像处理与车辆识别——加载模型与移动图片课时33:案例3：不平衡问题：第三方库imblearn课时34:案例3：数据分区——训练、测试、滚动课时35:案例3：分类模型的特征选择——业务与统计，单与多变量课时36:案例3：分类模型与回归模型——结合策略课时37:案例3：问题困境总结——多阶段模型集成课时38:案例3：模型评估——准确性和稳定性课时39:案例3：特征工程——缺失值，特征筛选课时40:案例3：数据管理和数据清理课时41:案例3：模型整合课时42:专题1：python IDE——spyder课时43:专题2：python IDE——jupyter notebook课时44:专题3：python IDE——jupyterlab课时45:专题4：第三方库imblearn——随机森林平衡器