本课程适合那些希望直观、方便初学者了解机器学习和数据科学世界的普通人。 我们将使用简单、可视化的示例和基于 Excel 的模型来分解机器学习的基本概念，并帮助您建立对其工作原理的直观认识，而不是死记硬背复杂的数学知识或编写代码。 第 1 部分：质量保证和数据剖析 在第 1 部分中，我们将介绍机器学习工作流程以及用于清理和准备原始分析数据的常用技术。我们将探索使用频数表、直方图、核密度和剖析度量进行单变量分析，然后深入研究热图、小提琴图和箱形图、散点图和相关矩阵等多变量剖析工具。 第 2 部分：分类建模 在第 2 部分中，我们将介绍监督学习的情况，回顾分类工作流程，并讨论因变量与自变量、特征工程、数据分割和过度拟合等关键主题。接下来，我们将回顾常见的分类模型，如 K-Nearest Neighbors (KNN)、Naïve Bayes、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。 第 3 部分：回归与预测 在第 3 部分中，我们将介绍线性关系和最小平方误差等核心构建模块，并练习将它们应用到单变量、多变量和非线性回归模型中。我们将回顾 R 方、平均误差、F 显著性和 P 值等诊断指标，然后使用时间序列预测技术来识别季节性、预测非线性趋势，并使用干预分析来衡量关键业务决策的影响。 第 4 部分：无监督学习 在第 4 部分中，我们将探讨有监督和无监督机器学习之间的差异，并介绍几种常见的无监督技术，包括聚类分析、关联挖掘、离群点检测和降维。在整个课程中，我们将引入真实世界的场景，以巩固关键概念并模拟实际的数据科学用例。您将看到奥林匹克运动员的人口统计数据和交通事故率，使用回归估算房地产价格和预测产品销量，应用聚类模型识别客户群，甚至测量新网站设计的业务影响。 如果您是分析师或有抱负的数据专业人士，希望为在机器学习或数据科学领域取得成功打下基础，那么本课程就是您的理想选择！