数据分析（进阶）VIP班
助教微信
udacity公众号
Nanodegree key: nd002-cn-advanced-career
Version: 7.0.0
Locale: zh-cn
深入学习数据清洗、探索性分析和可视化，成为被 Facebook 认可的顶尖数据分析师。
Content
Part 01 : 欢迎加入数据分析（进阶求职）VIP班
- Module 01: 新生训练营
- Lesson 01: 欢迎加入数据分析进阶求职课程
- Concept 01: 欢迎学习数据分析（进阶）
- Concept 02: 项目
- Concept 03: 新生营
- Concept 04: 项目和进度
- Concept 05: 诚信和决心
- Concept 06: 如何提交项目
- Concept 07: 我如何坚持学习？
- Concept 08: 本地化服务
- Concept 09: 寻求帮助和支持
- Concept 10: 数据分析（进阶）VIP晋升班先修条件
- Lesson 01: 欢迎加入数据分析进阶求职课程
- Module 02: Github个人资料的建立及完善
- Lesson 01: Github个人资料的建立及完善GitHub是目前全世界范围内最广泛使用的代码托管平台，且普及度也在不断提高。通过本节内容，你将了解：
1）GitHub的重要性；
2）为什么要使用GitHub？
3）如何创建及优化你的GitHub个人资料。- Concept 01: 简介
- Concept 02: Github个人资料的重要事项
- Concept 03: 出色的 GitHub 代码库
- Concept 04: 第一部分：用人经理如何看待GitHub
- Concept 05: 快速修改你的资料
- Concept 06: 快速修改你的资料
- Concept 07: 编写 README
- Concept 08: 第二部分：用人经理如何看待GitHub
- Concept 09: 提交 Commit 最佳做法
- Concept 10: 反思你的提交说明
- Concept 11: 参与开源项目之一
- Concept 12: 第三部分：用人经理如何看待GitHub
- Concept 13: 参与开源项目之二
- Concept 14: 关注代码库
- Concept 15: 结尾
- Lesson 01: Github个人资料的建立及完善GitHub是目前全世界范围内最广泛使用的代码托管平台，且普及度也在不断提高。通过本节内容，你将了解：
- Module 03: (可选) 使用Git和GitHub进行版本控制
- Lesson 01: 什么是版本控制？版本控制是专业程序员应该掌握的重要技能。在这节课，你将了解版本控制的优势，并学习如何安装版本控制工具 Git！
- Concept 01: 什么是版本控制
- Concept 02: 日常开发中的版本控制
- Concept 03: Git 和版本控制术语
- Concept 04: Mac/Linux 设置
- Concept 05: Windows 设置步骤
- Concept 06: 总结
- Lesson 02: 创建 Git 仓库你已经了解版本控制的优势并安装了 Git，现在该学习如何创建仓库了。
- Concept 01: 简介
- Concept 02: 从头创建仓库
- Concept 03: 克隆现有仓库
- Concept 04: 判断仓库的状态
- Concept 05: 总结
- Lesson 03: 查看仓库的历史记录了解如何查看现有 git 仓库的 commit 历史记录至关重要。你将在这节课学习如何查看历史记录。
- Concept 01: 简介
- Concept 02: 显示仓库的 commit
- Concept 03: 更改 git log 显示信息的方式
- Concept 04: 查看修改后的文件
- Concept 05: 查看文件更改
- Concept 06: 查看特定的 commit
- Concept 07: 总结
- Lesson 04: 向仓库中添加 commit没有 commit 的仓库就什么也不是。在这节课，你将学习如何提交 commit，编写具有描述性的提交说明，以及验证要保存到仓库中的更改。
- Concept 01: 简介
- Concept 02: git add
- Concept 03: git commit
- Concept 04: 提交说明
- Concept 05: git diff
- Concept 06: 让 git 忽略某些文件
- Concept 07: 总结
- Lesson 05: 标签、分支和合并能够在不受其他更改的影响的情况下处理项目，将大大提高工作效率。你将学习如何利用 git 的分支实现这种隔离开发过程。
- Concept 01: 简介
- Concept 02: 标签
- Concept 03: 分支
- Concept 04: 高效分支
- Concept 05: 合并
- Concept 06: 合并冲突
- Concept 07: 总结
- Lesson 06: 撤消更改救命啊！出现故障了！但是不用担心，因为项目已经处于版本控制下了！你将学习如何撤消和修改保存到仓库中的更改。
- Concept 01: 简介
- Concept 02: 更改最后一个 commit
- Concept 03: 还原 commit
- Concept 04: 重置 commit
- Concept 05: 总结
- Concept 06: 课程小结
- Lesson 07: 使用远程仓库你将学习如何在 GitHub 上创建远程仓库，以及如何获取和推送对远程仓库的更改。
- Concept 01: 简介
- Concept 02: 远程仓库
- Concept 03: 添加远程仓库
- Concept 04: 将更改推送到远程仓库
- Concept 05: 从远程仓库拉取修改
- Concept 06: Pull 与 Fetch
- Concept 07: 总结
- Lesson 08: 使用其他开发者的仓库在这节课中，你将学习如何 fork 另一位开发者的项目。与其他开发者合作是个复杂的过程，所以接下来你将学习如何为公共项目做贡献。
- Concept 01: 简介
- Concept 02: fork 仓库
- Concept 03: 查看现有工作
- Concept 04: 确定你的任务
- Lesson 09: 与远程仓库保持同步你将学习如何使用 Pull Request（拉取请求）向其他开发者发送建议的更改，以及如何使用强大的 git rebase 命令将 commit 压制（squash）在一起。
- Concept 01: 简介
- Concept 02: 创建 Pull Request
- Concept 03: 与源项目保持同步
- Concept 04: 管理活跃 PR
- Concept 05: 压制 commit
- Concept 06: 总结
- Lesson 01: 什么是版本控制？版本控制是专业程序员应该掌握的重要技能。在这节课，你将了解版本控制的优势，并学习如何安装版本控制工具 Git！
Module 04: 检验心理学现象
- Lesson 01: 统计学和编程练习这节课包含几个练习，旨在评估你的统计学和编程知识。这些练习既可以作为预热内容，又可以展示你是否已准备好学习这门课程。
- Concept 01: 简介
- Concept 02: 盒子里的袜子
- Concept 03: 糖果谜题
- Concept 04: 足球统计学
- Concept 05: 配对 T-test 练习
- Concept 06: 管理风格对员工速度的影响
- Concept 07: 出现次数最多的单词
- Concept 08: 返回特定时间
- Lesson 02: 检验心理学现象计算描述统计学结果，并根据心理现象“斯特鲁普效应”对数据集进行统计学检验。Project Description - 检验心理学现象Project Rubric - 检验心理学现象
- Lesson 01: 统计学和编程练习这节课包含几个练习，旨在评估你的统计学和编程知识。这些练习既可以作为预热内容，又可以展示你是否已准备好学习这门课程。
Module 01: 数据整理简介
- Lesson 01: 数据整理简介通过简单的练习来了解数据整理过程（收集、评估、清洗）的每个步骤。这节课的数据集是 Kaggle 的一个在线招聘信息数据集。
- Concept 01: 介绍
- Concept 02: 课程大纲
- Concept 03: 定义和类比
- Concept 04: 示例
- Concept 05: 练习和数据集
- Concept 06: 收集（简介）
- Concept 07: 模板和软件
- Concept 08: 练习：收集（下载）
- Concept 09: 练习：收集（打开 Jupyter Notebook）
- Concept 10: 练习：收集（解压压缩文件）
- Concept 11: 收集（CSV 文件）
- Concept 12: 练习：收集（导入）
- Concept 13: 收集（总结）
- Concept 14: 评估（简介）
- Concept 15: 练习：评估（可视）
- Concept 16: 练习：评估（编程）
- Concept 17: 练习：评估（整洁度）
- Concept 18: 评估（总结）
- Concept 19: 清洗（简介）
- Concept 20: 清洗（定义）
- Concept 21: 练习：清洗（代码 1）
- Concept 22: 练习： 清洗（代码 2）
- Concept 23: 练习：清洗（练习）
- Concept 24: 清洗（总结）
- Concept 25: 重新评估和迭代
- Concept 26: 整理与 EDA 与 ETL
- Concept 27: 分析与可视化
- Concept 28: 数据整理总结
- Concept 29: 还有一个问题
- Concept 30: 总结
- Lesson 01: 数据整理简介通过简单的练习来了解数据整理过程（收集、评估、清洗）的每个步骤。这节课的数据集是 Kaggle 的一个在线招聘信息数据集。
- Module 02: 收集数据
- Lesson 01: 收集数据利用 Python 收集各种来源和各种文件格式的数据。 本课的数据集，包含烂番茄评分(Rotten Tomatoes)，罗杰·艾伯特评论 (Roger Ebert reviews) 和维基百科电影海报图片。
- Concept 01: 简介
- Concept 02: 课程大纲
- Concept 03: 数据集：寻找最好的电影
- Concept 04: 浏览工作目录和文件 I/O
- Concept 05: 资料来源：手头文件
- Concept 06: 平面文件结构
- Concept 07: Python 中的平面文件
- Concept 08: 资料来源：Web 数据抓取
- Concept 09: HTML 文件结构
- Concept 10: Python 中的 HTML 文件
- Concept 11: Flashforward 1
- Concept 12: 资料来源：从互联网下载文件
- Concept 13: 文本文件结构
- Concept 14: Python 中的文本文件
- Concept 15: 资料来源：API(应用程序编程接口)
- Concept 16: JSON 文件结构
- Concept 17: Python 中的 JSON 文件
- Concept 18: 混搭：API、以编程方式下载文件、JSON
- Concept 19: Flashforward 2
- Concept 20: 存储数据
- Concept 21: 关系数据库结构
- Concept 22: Python 中的关系数据库
- Concept 23: 其他文件格式
- Concept 24: 你可以迭代
- Concept 25: 收集：总结
- Concept 26: 总结
- Lesson 01: 收集数据利用 Python 收集各种来源和各种文件格式的数据。 本课的数据集，包含烂番茄评分(Rotten Tomatoes)，罗杰·艾伯特评论 (Roger Ebert reviews) 和维基百科电影海报图片。
- Module 03: 评估数据
- Lesson 01: 评估数据使用 pandas 从可视的角度以编程的方式评估数据的质量和整洁度。在这节课中，我们将使用的数据集是一种称为 Auralin 的新型口服胰岛素 II 期临床试验数据。
- Concept 01: 简介
- Concept 02: 课程大纲
- Concept 03: 数据集：口服胰岛素 II 期临床试验数据
- Concept 04: 未清理的数据：脏数据与杂乱数据 1
- Concept 05: 未清理的数据：脏数据与杂乱数据 2
- Concept 06: 评估：类型与步骤
- Concept 07: 目测评估
- Concept 08: 目测评估：认识自己
- Concept 09: 质量：目测评估 1
- Concept 10: 评估与探索
- Concept 11: 质量：目测评估 2
- Concept 12: 数据质量维度 1
- Concept 13: 数据质量维度 2
- Concept 14: 编程评估
- Concept 15: 质量：编程评估 1
- Concept 16: 质量：编程评估 2
- Concept 17: 整洁度：目测评估
- Concept 18: 整洁度：编程评估
- Concept 19: 预告
- Concept 20: 数据如何成为脏数据和杂乱数据
- Concept 21: 你可以迭代！
- Concept 22: 评估总结
- Concept 23: 小结
- Lesson 01: 评估数据使用 pandas 从可视的角度以编程的方式评估数据的质量和整洁度。在这节课中，我们将使用的数据集是一种称为 Auralin 的新型口服胰岛素 II 期临床试验数据。
- Module 04: 清理数据
- Lesson 01: 清理数据在该课中你会使用 Pandas，清除在“评估数据”课程中发现的数据质量和整洁度问题。 数据集是：模拟口服胰岛素 II 期临床试验数据。
- Concept 01: 简介
- Concept 02: 课程大纲
- Concept 03: 数据集：口服胰岛素 II 期临床试验数据
- Concept 04: 人工 Vs 程序清理
- Concept 05: 数据清理流程
- Concept 06: 清理步骤
- Concept 07: Notebook 解决方案说明
- Concept 08: 先处理数据缺失问题
- Concept 09: 练习：数据缺失
- Concept 10: 解决方案：数据缺失
- Concept 11: 清理之整洁度
- Concept 12: 练习：整洁度
- Concept 13: 解决方案：整洁度
- Concept 14: 清理之质量问题
- Concept 15: 练习：质量
- Concept 16: 解决方案：质量
- Concept 17: Flashforward
- Concept 18: 你可以迭代
- Concept 19: 清理总结
- Concept 20: 总结
- Lesson 01: 清理数据在该课中你会使用 Pandas，清除在“评估数据”课程中发现的数据质量和整洁度问题。 数据集是：模拟口服胰岛素 II 期临床试验数据。
Module 05: 实战项目
Module 01: 用 R 进行数据分析
- Lesson 01: 什么是 EDA？了解什么是探索性数据分析（EDA），以及为什么它很重要。
- Concept 01: 数据无处不在
- Concept 02: 开始探索
- Concept 03: 为何要学习 EDA？
- Concept 04: Aude 对数据的兴趣
- Concept 05: EDA 的目标
- Concept 06: 电视的增长
- Concept 07: 本课程的方法
- Concept 08: Aude 探索协调迁移
- Concept 09: 课程概述
- Lesson 02: R 基础安装 RStudio 和拓展包，学习 R 的基本命令，练习编写简单 R 脚本，以及开始检查数据集。
- Concept 01: 关于 R 的小示例
- Concept 02: 为什么使用 R
- Concept 03: 使用 Windows 系统？
- Concept 04: 在 Windows 上安装 RStudio
- Concept 05: 在 Mac 上安装 RStudio
- Concept 06: 准备好探索数据了吗？
- Concept 07: RStudio 布局
- Concept 08: 揭秘 R
- Concept 09: 获得帮助
- Concept 10: 阅读并将数据子集化
- Concept 11: R Markdown 文档
- Concept 12: 因子变量
- Concept 13: 有序因子
- Concept 14: 设置有序因子的水平
- Concept 15: 数据加工
- Concept 16: 给数据科学家的建议
- Concept 17: 恭喜
- Lesson 03: 探索单一变量学习如何使用直方图、箱线图和转换去量化和可视化一个数据集中的单一变量。
- Concept 01: 欢迎！
- Concept 02: 首先该做什么？
- Concept 03: 伪 Facebook 用户数据
- Concept 04: 用户生日直方图
- Concept 05: Moira 的调查
- Concept 06: 评估你的受众规模
- Concept 07: 设想的受众规模
- Concept 08: 分面
- Concept 09: 保持怀疑态度 异常值和异态
- Concept 10: Moira 的异常值
- Concept 11: 好友数量
- Concept 12: 限制轴
- Concept 13: 利用组宽进行探索
- Concept 14: 调整组宽
- Concept 15: 忽略 NA 观测值
- Concept 16: 按性别“划分”的统计学
- Concept 17: 使用时长
- Concept 18: 标记图形
- Concept 19: 用户年龄
- Concept 20: 模因的传播
- Concept 21: Lada 的钱袋模因
- Concept 22: 转换数据
- Concept 23: 添加定标层
- Concept 24: 频率多边形
- Concept 25: 网页端上的“点赞”数
- Concept 26: 箱线图
- Concept 27: 好友分析中的箱线图、四分位数
- Concept 28: 符合逻辑
- Concept 29: 分析单一变量
- Lesson 04: 习题集：探索单一变量使用你在上一节课中学到的技巧，练习探索数据集中的单一变量。
- Concept 01: 前言
- Concept 02: 钻石
- Concept 03: 价格直方图
- Concept 04: 价格直方图小结
- Concept 05: 钻石数量
- Concept 06: 廉价钻石
- Concept 07: 切工-价格直方图
- Concept 08: 切工-价格
- Concept 09: 标尺和多直方图
- Concept 10: 由切工决定的每克拉价格
- Concept 11: 价格箱线图
- Concept 12: 四分位数间距 — IQR
- Concept 13: 由颜色表示的每克拉价格箱线图
- Concept 14: 克拉频率多边形
- Concept 15: 用 R 进行数据整理
- Concept 16: Gapminder 数据
- Concept 17: 探索你的好友的生日
- Lesson 05: 探索两个变量学习散点图，线条图和相关性等技术，探索数据集中两个变量之间的关系。
- Concept 01: 欢迎！
- Concept 02: 散点图和设想的受众规模
- Concept 03: 散点图
- Concept 04: ggplot 语法
- Concept 05: 过度绘制
- Concept 06: coord_trans()
- Concept 07: Alpha 和 Jitter
- Concept 08: 过度绘制和领域知识
- Concept 09: 条件均值
- Concept 10: 将摘要与原始数据叠加
- Concept 11: Moira：直方图摘要与散点图
- Concept 12: 相关性
- Concept 13: 子集相关性
- Concept 14: 相关分析法
- Concept 15: 创建散点图
- Concept 16: 强相关
- Concept 17: Moira 对于相关的研究
- Concept 18: 相关系数的更多注意事项
- Concept 19: 噪声散点图
- Concept 20: 理解数据
- Concept 21: 一个新的视角
- Concept 22: 了解噪声：年龄到月龄
- Concept 23: 带有月均值的年龄
- Concept 24: 条件均值中的噪声
- Concept 25: 平滑化条件均值
- Concept 26: 该选哪个图形？
- Concept 27: 分析两个变量
- Lesson 06: 习题集：探索两个变量使用从上一课中学到的技巧，练习探索两个变量之间的关系。
- Concept 01: 价格与 x
- Concept 02: 发现 - 价格与 x
- Concept 03: 相关性
- Concept 04: 价格与深度
- Concept 05: 调整 - 价格与深度
- Concept 06: 典型深度范围
- Concept 07: 相关性 - 价格与深度
- Concept 08: 价格与克拉
- Concept 09: 价格与体积
- Concept 10: 发现 - 价格与体积
- Concept 11: 子集相关性
- Concept 12: 调整 - 价格与体积
- Concept 13: 平均价格 - 净度
- Concept 14: 平均价格柱状图
- Concept 15: 平均价格的趋势
- Concept 16: 重访 Gapminder
- Lesson 07: 探索多个变量L学习探索多个变量之间的关系的方法，了解如何重塑你的数据。
- Concept 01: 多变量数据
- Concept 02: 设想的受众规模 - 年龄
- Concept 03: 第三个定性变量
- Concept 04: 绘制条件小结
- Concept 05: 用比率思考
- Concept 06: 宽和长格式
- Concept 07: 重塑数据
- Concept 08: 比率图
- Concept 09: 第三个定量变量
- Concept 10: 切割一个变量
- Concept 11: 绘制在一起
- Concept 12: 绘制总均值
- Concept 13: 好友率
- Concept 14: 申请好友数
- Concept 15: 偏差方差折衷
- Concept 16: Sean 的 NFL 球迷情绪研究
- Concept 17: 酸奶数据集简介
- Concept 18: 重访直方图
- Concept 19: 购买数量
- Concept 20: 随时间变化的价格
- Concept 21: 采样观测值
- Concept 22: 查看家庭样本
- Concept 23: 截面数据的限制
- Concept 24: 多个变量
- Concept 25: 散点图矩阵
- Concept 26: 更多变量
- Concept 27: 热图
- Concept 28: 分析三个或更多变量
- Lesson 08: 习题集：探索多个变量使用在上一课中学到的技巧，练习探索多个变量之间的关系。
- Concept 01: 带有分面和颜色的价格直方图
- Concept 02: 价格与按切工填色的表格
- Concept 03: 典型表值
- Concept 04: 价格与体积和钻石净度
- Concept 05: 新建友谊的比例
- Concept 06: prop_initiated 与使用时长
- Concept 07: 平滑化 prop_initiated 与使用时长
- Concept 08: 最大的 prop_initiated 组
- Concept 09: 最大的组均值 prop_initiated
- Concept 10: 经过分组、分面和填色的价格/克拉
- Concept 11: Gapminder 多变量分析
- Lesson 09: 钻石与价格预测与 Facebook 数据科学家 Solomon Messing 一起探索钻石数据集。
- Concept 01: 欢迎！
- Concept 02: 线性回归模型
- Concept 03: 散点图回顾
- Concept 04: 价格与克拉的关系
- Concept 05: Frances Gerety
- Concept 06: 钻石的崛起
- Concept 07: ggpairs 函数
- Concept 08: 对钻石的需求
- Concept 09: 将需求与价格分布联系起来
- Concept 10: 散点图转换
- Concept 11: 复习过度绘制
- Concept 12: 定性因子的绘制颜色
- Concept 13: 价格与克拉和净度
- Concept 14: 净度与价格
- Concept 15: 价格与克拉和切工
- Concept 16: 切工与价格
- Concept 17: 价格与克拉和颜色
- Concept 18: 颜色与价格
- Concept 19: R 中的线性模型
- Concept 20: 构建线性模型
- Concept 21: 模型问题
- Concept 22: 更大、更好的数据集
- Concept 23: 预测
- Concept 24: 最终想法
- Concept 25: 恭喜和下一步
- Lesson 01: 什么是 EDA？了解什么是探索性数据分析（EDA），以及为什么它很重要。
Module 02: 实战项目
Module 01: GitHub个人资料实战项目
Module 01: 数据可视化
- Lesson 01: 【可选】数据可视化基础知识这部分不是你完成挑战的必修，但如果你感兴趣，你可以了解使用数据可视化的优势以及构建可视化基础原则！
- Concept 01: 数据可视化简介
- Concept 02: 为何使用数据可视化？
- Concept 03: 数据类型
- Concept 04: 视觉编码
- Concept 05: 练习：视觉编码
- Concept 06: 视觉编码的排序
- Concept 07: 探索与解释
- Concept 08: 数据可视化工具
- Concept 09: 可视化设计
- Lesson 02: 设计原则了解如何设计可视化图表，以带来最大的影响。
- Concept 01: 课程概述
- Concept 02: 常见图表类型
- Concept 03: 基本图表
- Concept 04: 可视化分布
- Concept 05: 选择合适的图表
- Concept 06: 其他很棒的图表
- Concept 07: 使用颜色
- Concept 08: 小心颜色的使用
- Concept 09: 冗余编码
- Concept 10: 形状、大小和其他工具
- Concept 11: 少即是多
- Concept 12: 诚实设计
- Concept 13: 一般设计技巧
- Concept 14: 继续学习！
- Lesson 03: 用Tableau创建可视化
- Concept 01: 什么是 Tableau？
- Concept 02: 安装 Tableau
- Concept 03: 连接数据
- Concept 04: 合并数据
- Concept 05: 工作表界面
- Concept 06: 汇总和粒度
- Concept 07: Show Me 功能
- Concept 08: 层级
- Concept 09: 标记选项
- Concept 10: 标记练习
- Concept 11: 小多组图
- Concept 12: 双坐标轴
- Concept 13: 过滤器
- Concept 14: 散点图和小多组图结合
- Concept 15: 组和集合
- Concept 16: 为世界杯数据绘制可视化地图
- Concept 17: 计算字段
- Concept 18: 表格计算
- Concept 19: 更多Tableau数据
- Concept 20: 可视化练习：最热技能
- Concept 21: 可视化练习：最热技能箱线图
- Concept 22: 可视化练习：最热技能分布图
- Concept 23: 小结
- Lesson 04: 通过 Tableau 讲故事在本课程中，你将向Tableau专家学习，并开始整理你自己的仪表板和故事。
- Concept 01: 用数据表达观点
- Concept 02: 探索数据
- Concept 03: 与 Trina 一起深入了解 Tableau
- Concept 04: 构建显示面板
- Concept 05: 显示面板交互性
- Concept 06: 设定格式
- Concept 07: 故事
- Concept 08: 深入学习
- Lesson 05: 创建一个 Tableau 故事使用数据集创建 Tableau 数据可视化，以讲述有关数据的故事或突出显示数据的趋势或模式。你的工作是反映数据可视化的理论和实践。Project Description - 创建一个 Tableau 故事Project Rubric - 创建一个 Tableau 故事
- Lesson 01: 【可选】数据可视化基础知识这部分不是你完成挑战的必修，但如果你感兴趣，你可以了解使用数据可视化的优势以及构建可视化基础原则！
Module 01: 找工作策略
- Lesson 01: 寻找工作机会了解如何有效地搜索心仪职位，减少自身压力和无效搜索耗费的时间。了解研究目标公司的重要性，以便你能够针对具体职位优化你的申请。
- Concept 01: 简介
- Concept 02: 找工作的心态
- Concept 03: 针对招聘者优化你的申请
- Concept 04: 乐于迎接机遇和改变
- Lesson 02: 拓展你的职业人脉在本章节中，我们将分享如何建立高质量职业人脉网络，扩大自身行业影响力，并从中脱颖而出。
- Concept 01: 为何要拓展人脉？
- Concept 02: 什么是电梯演讲？
- Concept 03: 个人品牌
- Concept 04: 情景模拟
- Concept 05: 电梯演讲示例
- Concept 06: 主动与招聘者对话
- Concept 07: 实践你的电梯演讲
- Lesson 01: 寻找工作机会了解如何有效地搜索心仪职位，减少自身压力和无效搜索耗费的时间。了解研究目标公司的重要性，以便你能够针对具体职位优化你的申请。
Module 02: 优化你的个人品牌
- Lesson 01: 个人简历的创建和优化个人简历不仅是对自身经历的概括，更是进入心仪领域的敲门砖。在本章节中，你将学习到：
1）简历的主要内容；
2）如何描述过往经验；
3）注重简历的细节。Project Description - 简历审阅Project Rubric - 简历审阅- Concept 01: 简介
- Concept 02: 优秀简历的组成部分
- Concept 03: 简历的主要内容
- Concept 04: 如何描述工作经验？
- Concept 05: 简历的共性和特性
- Concept 06: 注重简历的细节
- Concept 07: 选择与你的情况最相符的项目
- Concept 08: 开始准备你的简历
- Lesson 02: 领英档案的创建和优化我们鼓励你创建或定期更新你的领英个人资料，以便潜在雇主能够在线上找到你，并就潜在职位与你联系。Project Description - 领英个人资料审阅Project Rubric - 领英个人资料审阅
- Lesson 01: 个人简历的创建和优化个人简历不仅是对自身经历的概括，更是进入心仪领域的敲门砖。在本章节中，你将学习到：
Module 01: 行为导向模拟面试
- Lesson 01: 如何积极准备面试恭喜你成功进入面试环节啦！那么在这最重要的环节中，需要掌握哪些通用技巧，又需要在哪些细节上注意呢？
- Concept 01: 简介
- Concept 02: 面试是一场对话
- Concept 03: STAR 方法
- Concept 04: 面试中的注意事项
- Lesson 02: 行为面试让我们通过一些行为面试小练习和模拟面试项目帮助你巩固“STAR”方法的掌握和运用！
- Concept 01: 行为面试案例分析
- Concept 02: 练习：你对公司有什么了解？
- Concept 03: 练习：分享一个能展示你积极性的案例
- Concept 04: 练习：分享一个失败的例子，以及你是如何应对的
- Concept 05: 练习：在工作中，你以什么作为自己的动力？
- Concept 06: 自身实践：行为面试资源
- Lesson 03: 如何正确应对面试失败这里有一些面试失败的真实例子 ——不要担心，面试失败是件非常常见的事！千万不要气馁！
- Concept 01: 简介
- Concept 02: 面试失败示例1：Siya Raj Purohit
- Concept 03: 面试失败示例2：Lyla Fujiwara
- Lesson 04: 行为导向面试实战项目恭喜你进入行为导向模拟面试！回顾一下之前的知识点，放轻松，祝你好运！Project Description - 行为导向模拟面试Project Rubric - 行为导向模拟面试
- Concept 01: 行为面试的注意事项
- Lesson 01: 如何积极准备面试恭喜你成功进入面试环节啦！那么在这最重要的环节中，需要掌握哪些通用技巧，又需要在哪些细节上注意呢？
- Module 02: 数据分析模拟面试
- Lesson 01: 数据分析模拟面试在完成行为导向面试课程之后，接下来就是你最关心的技术面试内容啦！同样，你将会在该章节课程中通过一些面试练习和一对一的模拟面试项目来为将来的求职备战！
- Concept 01: 练习：描述你最近的一个数据项目
- Concept 02: 练习分析：描述你最近的一个数据项目
- Concept 03: 练习：投掷概率
- Concept 04: 练习分析：投掷概率
- Concept 05: 练习：查询 SQL 数据库
- Concept 06: 练习：整数数组的最大差
- Concept 07: 练习分析：查询SQL数据库和整数数组的最大差
- Concept 08: 练习：设计一个垃圾邮件分类器
- Concept 09: 练习分析：设计一个垃圾邮件分类器
- Concept 10: 对面试的整体点评
- Concept 11: 坚持练习！
- Lesson 02: 数据分析模拟面试实战项目恭喜你来到数据分析模拟面试！放轻松，祝你好运！Project Description - 数据分析模拟面试实战项目Project Rubric - 数据分析模拟面试实战项目
- Concept 01: 数据分析模拟面试注意事项
- Lesson 01: 数据分析模拟面试在完成行为导向面试课程之后，接下来就是你最关心的技术面试内容啦！同样，你将会在该章节课程中通过一些面试练习和一对一的模拟面试项目来为将来的求职备战！
Module 03: 成功获得工作机会
Module 01: Anaconda 和 Jupyter Notebook
- Lesson 01: 配置 Anaconda如果你需要在本地配置编程环境并遇到问题，可以再针对性学习如何使用 Anaconda 管理包和开发环境。
- Concept 01: 欢迎！
- Concept 02: Anaconda 是什么？
- Concept 03: 安装 Anaconda
- Concept 04: 管理包
- Concept 05: 管理环境
- Concept 06: 更多环境操作
- Concept 07: 最佳做法
- Lesson 02: 配置 Jupyter notebook你可以针对性学习如何使用 Jupyter notebook 来创建包含代码、文本和图像的叙述性文档。
- Lesson 01: 配置 Anaconda如果你需要在本地配置编程环境并遇到问题，可以再针对性学习如何使用 Anaconda 管理包和开发环境。
Module 01: 机器学习基础 1
- Lesson 01: 欢迎学习机器学习认识 Sebastian 和 Katie，和他们一起讨论机器学习。
- Concept 01: 简介
- Concept 02: 简介 - 第 2 部分
- Concept 03: 简介 - 第 3 部分
- Concept 04: 简介 - 先修要求
- Lesson 02: 朴素贝叶斯学习分类、训练和测试，并使用 Scikit 学习运行一个朴素贝叶斯分类器。
- Concept 01: Google 无人驾驶汽车中的机器学习
- Concept 02: acerous 还是 non-acerous？
- Concept 03: 监督分类示例
- Concept 04: 特征和标签音乐示例
- Concept 05: 特征可视化
- Concept 06: 肉眼分类
- Concept 07: Stanley 地形分类简介
- Concept 08: 散点图：坡度和颠簸度
- Concept 09: 散点图 2
- Concept 10: 散点图 3
- Concept 11: 从散点图到预测
- Concept 12: 从散点图到预测 2
- Concept 13: 从散点图到决策面
- Concept 14: 良好的线性决策面
- Concept 15: 开始学习朴素贝叶斯
- Concept 16: 代码获取决策边界演示
- Concept 17: sklearn 使用入门
- Concept 18: GaussianNB使用示例
- Concept 19: 有关地形数据的GaussianNB 部署
- Concept 20: 计算 GaussianNB 准确性
- Concept 21: 训练数据和测试数据
- Concept 22: 贝叶斯规则 —- 深入解析朴素贝叶斯算法
- Concept 23: 贝叶斯规则
- Concept 24: 癌症测试
- Concept 25: 先验和后验
- Concept 26: 规范化 1
- Concept 27: 规范化 2
- Concept 28: 规范化 3
- Concept 29: 全概率
- Concept 30: 贝叶斯规则图
- Concept 31: 用于分类的贝叶斯规则
- Concept 32: Chris 或 Sara
- Concept 33: 后验概率
- Concept 34: 你独自得出的贝叶斯概率
- Concept 35: 为何朴素贝叶斯很朴素
- Concept 36: 朴素贝叶斯的优势和劣势
- Concept 37: 恭喜你学完了朴素贝叶斯
- Concept 38: 朴素贝叶斯迷你项目
- Concept 39: 迷你项目简介
- Concept 40: 针对作者身份的机器学习
- Concept 41: 设置代码
- Concept 42: 作者身份准确率
- Concept 43: 对 NB 分类器计时
- Lesson 03: 支持向量机（SVM）了解支持向量机（SVM）的原理，并使用 Scikit 学习编写一个 SVM。
- Concept 01: 欢迎学习 SVM
- Concept 02: 分隔线
- Concept 03: 选择分隔线
- Concept 04: 好的分隔线有何特点
- Concept 05: 间隔练习
- Concept 06: SVMs 和棘手的数据分布
- Concept 07: SVM 对异常值的响应
- Concept 08: SVM 异常值练习
- Concept 09: 移交给 Katie
- Concept 10: SKlearn 中的 SVM
- Concept 11: SVM 决策边界
- Concept 12: SVM 编码
- Concept 13: 非线性 SVM
- Concept 14: 非线性数据
- Concept 15: 新特征
- Concept 16: 可视化新特征
- Concept 17: 与新特征分隔
- Concept 18: 练习创建新特征
- Concept 19: 核技巧
- Concept 20: 尝试选择各种核
- Concept 21: 核和伽玛
- Concept 22: SVM C 参数
- Concept 23: 过拟合
- Concept 24: SVM 的优缺点
- Concept 25: SVM 迷你项目简介
- Concept 26: SVM 迷你项目
- Concept 27: SVM 作者 ID 准确率
- Concept 28: SVM 作者 ID 时间
- Concept 29: 更小的训练集
- Concept 30: 权衡速度与准确率
- Concept 31: 部署 RBF 内核
- Concept 32: 优化 C 参数
- Concept 33: 优化 C 后的准确率
- Concept 34: 优化后的 RBF 与线性 SVM：准确率
- Concept 35: 从 SVM 提取预测
- Concept 36: 预测有多少 Chris 的邮件？
- Concept 37: 部署 SVM 最后提醒
- Lesson 01: 欢迎学习机器学习认识 Sebastian 和 Katie，和他们一起讨论机器学习。
- Module 02: 机器学习基础 2
- Lesson 01: 决策树学习决策树，包括墒和信息增益。
- Concept 01: 欢迎学习决策树
- Concept 02: 可线性分离的数据
- Concept 03: 多元线性问题
- Concept 04: 构建决策树/第一次分割
- Concept 05: 构建决策树/第二次分割
- Concept 06: 第二次分割后的类标签
- Concept 07: 构建决策树/第三次分割
- Concept 08: 决策树编码
- Concept 09: 决策树准确性
- Concept 10: 决策树参数
- Concept 11: 最小样本分割
- Concept 12: 决策树准确性
- Concept 13: 数据杂质与熵
- Concept 14: 在分割中尽可能减少杂质
- Concept 15: 熵公式
- Concept 16: 熵计算（第 1 部分）
- Concept 17: 熵计算（第 2 部分）
- Concept 18: 熵计算（第 3 部分）
- Concept 19: 熵计算（第 4 部分）
- Concept 20: 熵计算（第 5 部分）
- Concept 21: 信息增益
- Concept 22: 信息增益计算（第 1 部分）
- Concept 23: 信息增益计算（第 2 部分）
- Concept 24: 信息增益计算（第 3 部分）
- Concept 25: 信息增益计算（第 4 部分）
- Concept 26: 信息增益计算（第 5 部分）
- Concept 27: 信息增益计算（第 6 部分）
- Concept 28: 信息增益计算（第 7 部分）
- Concept 29: 信息增益计算（第 8 部分）
- Concept 30: 信息增益计算（第 9 部分）
- Concept 31: 信息增益计算（第 10 部分）
- Concept 32: 调整标准参数
- Concept 33: 偏差-方差困境
- Concept 34: DT 的优缺点
- Concept 35: 决策树迷你项目简介
- Concept 36: 决策树迷你项目
- Concept 37: 第一个邮件 DT：准确率
- Concept 38: 通过特征选择加速
- Concept 39: 更改特征数量
- Concept 40: SelectPercentile 和复杂度
- Concept 41: 1% 特征下的准确率
- Lesson 02: 选择你自己的算法在这个迷你项目中，你会选择你自己的算法来为地形数据分类。
- Concept 01: 选择你自己的算法
- Concept 02: 为何要独自学习新算法？
- Concept 03: 选择你的冒险
- Concept 04: 可选算法
- Concept 05: 调查过程
- Concept 06: 选择你自己的算法检查表
- Concept 07: 你的算法如何比较
- Concept 08: 你可以打败我们的高分吗？
- Concept 09: L4 迷你项目
- Concept 10: 结尾
- Lesson 03: 数据集与问题开始了解安然数据集，提出有趣的问题。
- Concept 01: 简介
- Concept 02: 列出所有与安然丑闻相关的人 (POI)
- Concept 03: 准确率与训练集大小
- Concept 04: 下载安然数据
- Concept 05: 数据类型测验 1
- Concept 06: 数据类型测验 2
- Concept 07: 数据类型测验 3
- Concept 08: 数据类型测验 4
- Concept 09: 数据类型测验 5
- Concept 10: 数据类型测验 6
- Concept 11: 安然数据集迷你项目简介
- Concept 12: 数据集和问题迷你项目
- Concept 13: 安然数据集的大小
- Concept 14: 安然数据集中的特征
- Concept 15: 在安然数据中查找 POI
- Concept 16: 存在多少 POI？
- Concept 17: 不完整数据的问题
- Concept 18: 查询数据集 1
- Concept 19: 查询数据集 2
- Concept 20: 查询数据集 3
- Concept 21: 研究安然欺诈案
- Concept 22: 安然 CEO
- Concept 23: 安然主席
- Concept 24: 安然 CFO
- Concept 25: 跟着钱走
- Concept 26: 未填充的特征
- Concept 27: 处理未填充的特征
- Concept 28: 字典到数组的转换
- Concept 29: 缺少的 POI 1（可选）
- Concept 30: 缺少的 POI 2（可选）
- Concept 31: 缺少的 POI 3（可选）
- Concept 32: 缺少的 POI 4（可选）
- Concept 33: 缺少的 POI 5（可选）
- Concept 34: 缺少的 POI 6（可选）
- Concept 35: 混合数据源（可选）
- Lesson 01: 决策树学习决策树，包括墒和信息增益。
- Module 03: 机器学习基础 3
- Lesson 01: 回归使用线性回归为连续数据建模。
- Concept 01: 连续输出
- Concept 02: 连续
- Concept 03: 年龄：连续还是离散？
- Concept 04: 天气：连续还是离散？
- Concept 05: 电子邮件作者：连续还是离散？
- Concept 06: 电话号码：连续还是离散？
- Concept 07: 收入：连续还是离散？
- Concept 08: 连续特征
- Concept 09: 具有连续输出的监督学习
- Concept 10: 回归线性方程
- Concept 11: 斜率和截距
- Concept 12: 斜率
- Concept 13: 截距
- Concept 14: 使用回归的预测
- Concept 15: 添加截距
- Concept 16: 移交给 Katie
- Concept 17: 编码
- Concept 18: sklearn 中的年龄/净值回归
- Concept 19: 通过 sklearn 提取信息
- Concept 20: 通过 sklearn 提取分数数据
- Concept 21: 现在你练习提取信息
- Concept 22: 线性回归误差
- Concept 23: 误差
- Concept 24: 误差和拟合质量
- Concept 25: 最小化误差平方和
- Concept 26: 最小化误差平方和的算法
- Concept 27: 为何最小化 SSE
- Concept 28: 最小化绝对误差的问题
- Concept 29: 肉眼评估回归
- Concept 30: SSE 的问题
- Concept 31: 回归的 R 平方指标
- Concept 32: SKlearn 中的 R 平方
- Concept 33: 可视化回归
- Concept 34: 什么数据适用于线性回归
- Concept 35: 比较分类与回归
- Concept 36: 多元回归
- Concept 37: 多元回归 2
- Concept 38: 回归迷你项目简介
- Concept 39: 回归迷你项目
- Concept 40: 奖金目标和特征
- Concept 41: 可视化回归数据
- Concept 42: 提取斜率和截距
- Concept 43: 回归分数：训练数据
- Concept 44: 回归分数：测试数据
- Concept 45: 根据 LTI 回归奖金
- Concept 46: 工资与预测奖金的 LTI
- Concept 47: 异常值破坏回归
- Lesson 02: 异常值Sebastian 讨论如何选择和移除异常值。
- Concept 01: 回归中的异常值
- Concept 02: 产生异常值的原因
- Concept 03: 选择异常值
- Concept 04: 异常值检测/删除算法
- Concept 05: 使用残差的异常值检测
- Concept 06: 删除异常值对回归的影响
- Concept 07: 异常值删除策略的小结
- Concept 08: 异常值迷你项目简介
- Concept 09: 异常值迷你项目
- Concept 10: 带有异常值的回归斜率
- Concept 11: 带有异常值的回归分数
- Concept 12: 清理后的斜率
- Concept 13: 清理后的分数
- Concept 14: 安然异常值
- Concept 15: 识别最大的安然异常值
- Concept 16: 移除安然异常值？
- Concept 17: 还有更多异常值吗？
- Concept 18: 再识别两个异常值
- Concept 19: 移除这些异常值？
- Lesson 03: 聚类讨论非监督学习，了解如何使用 Scikit 学习的 K-均值算法。
- Concept 01: 非监督学习
- Concept 02: 聚类电影
- Concept 03: 多少个聚类？
- Concept 04: 将点与聚类匹配
- Concept 05: 优化中心（橡皮筋）
- Concept 06: 移动中心 2
- Concept 07: 匹配点（再次）
- Concept 08: 移交给 Katie
- Concept 09: K-均值聚类可视化
- Concept 10: K-均值聚类可视化 2
- Concept 11: K-均值聚类可视化 3
- Concept 12: Sklearn
- Concept 13: K-均值的挑战
- Concept 14: K-均值的局限
- Concept 15: 反直觉的聚类
- Concept 16: 反直觉的聚类 2
- Concept 17: 聚类迷你项目视频
- Concept 18: K-均值聚类迷你项目
- Concept 19: 聚类特征
- Concept 20: 部署聚类
- Concept 21: 使用 3 个特征聚类
- Concept 22: 股票期权范围
- Concept 23: 薪酬范围
- Concept 24: 聚类更改
- Lesson 01: 回归使用线性回归为连续数据建模。
- Module 04: 机器学习基础 4
- Lesson 01: 特征缩放学习特征缩放，了解有哪些算法在使用前需要首先进行特征缩放。
- Concept 01: Chris 的 T 恤尺寸
- Concept 02: 针对 Chris 的度量
- Concept 03: Cameron 的身高 + 体重
- Concept 04: Sarah 的身高 + 体重
- Concept 05: 由我们的度量确定的 Chris T恤尺寸
- Concept 06: 利用不同的尺度来比较特征
- Concept 07: 特征缩放公式练习 1
- Concept 08: 特征缩放公式练习 2
- Concept 09: 特征缩放公式练习 3
- Concept 10: 最小值/最大值重缩放器编码练习
- Concept 11: sklearn 中的最小值/最大值缩放器
- Concept 12: 需要重缩放的算法练习
- Concept 13: 特征缩放迷你项目简介
- Concept 14: 特征缩放迷你项目
- Concept 15: 缩放类型
- Concept 16: 计算重缩放特征
- Concept 17: 何时部署特征缩放
- Lesson 02: 文本学习学习如何在你的机器学习算法中使用文本数据。
- Concept 01: 学习文本时的维度
- Concept 02: 词袋
- Concept 03: 美好的一天
- Concept 04: Day 先生热爱美好的一天
- Concept 05: 词袋属性
- Concept 06: Sklearn 中的词袋
- Concept 07: 低信息的单词
- Concept 08: 停止词
- Concept 09: 从 NLTK 中获取停止词
- Concept 10: 词干化以合并词汇
- Concept 11: 使用 NLTK 进行词干化
- Concept 12: 文本处理中的运算符顺序
- Concept 13: 由词频确定的权重
- Concept 14: 为何要向上加权少见单词
- Concept 15: 文本学习迷你项目简介
- Concept 16: 文本学习迷你项目
- Concept 17: parseOutText() 热身
- Concept 18: 部署词干化
- Concept 19: 清除“签名文字”
- Concept 20: 进行 TfIdf
- Concept 21: 访问 TfIdf 特征
- Lesson 03: 特征选择Katie 讨论在什么时候以及为什么使用特征选择，并教给你一些使用特征选择的技巧。
- Concept 01: 为何使用特征选择？
- Concept 02: 一个新的安然特征
- Concept 03: 一个新的安然特征练习
- Concept 04: 可视化新特征
- Concept 05: 警惕特征漏洞！
- Concept 06: 示例：有漏洞的特征
- Concept 07: 去除特征
- Concept 08: 特征不等于信息
- Concept 09: 单变量特征选择
- Concept 10: TfIdf 向量器中的特征选择
- Concept 11: 偏差、方差和特征数量
- Concept 12: 偏差、方差和特征数量 2
- Concept 13: 肉眼过拟合
- Concept 14: 带有特征数量的平衡误差
- Concept 15: 正则化
- Concept 16: 套索回归
- Concept 17: 套索回归练习
- Concept 18: 使用 Sklearn 进行套索预测练习
- Concept 19: Sklearn 中的套索系数练习
- Concept 20: 在 Sklearn 中使用套索练习
- Concept 21: 特征选择迷你项目简介
- Concept 22: 特征选择迷你项目
- Concept 23: 过拟合决策树 1
- Concept 24: 过拟合决策树 2
- Concept 25: 特征数量和过拟合
- Concept 26: 过拟合决策树的准确率
- Concept 27: 识别最强大特征
- Concept 28: 使用 TfIdf 获得最重要的单词
- Concept 29: 删除、重复
- Concept 30: 再次检查重要特征
- Concept 31: 过拟合树的准确率
- Lesson 04: 主成分分析（PCA）学习数据为度，使用主成分分析（PCA）减少维度数量。
- Concept 01: 数据维度
- Concept 02: 较棘手的数据维度
- Concept 03: 一维或二维？
- Concept 04: 略微不完美的数据
- Concept 05: 最棘手的数据维度
- Concept 06: 用于数据转换的 PCA
- Concept 07: 新坐标系的中心
- Concept 08: 新坐标系的主轴
- Concept 09: 新系统的第二主成分
- Concept 10: 练习：查找中心
- Concept 11: 练习：查找新轴
- Concept 12: 哪些数据可用于 PCA
- Concept 13: 轴何时占主导地位
- Concept 14: 可测量的特征与潜在的特征练习
- Concept 15: 从四个特征到两个
- Concept 16: 在保留信息的同时压缩
- Concept 17: 复合特征
- Concept 18: 最大方差
- Concept 19: 最大方差的优点
- Concept 20: 最大方差与信息损失
- Concept 21: 信息损失和主成分
- Concept 22: 相邻复合特征
- Concept 23: 用于特征转换的 PCA
- Concept 24: 最大主成分数量
- Concept 25: PCA 的回顾/定义
- Concept 26: 将 PCA 应用到实际数据
- Concept 27: 安然财务数据的 PCA
- Concept 28: sklearn 中的 PCA
- Concept 29: 何时使用 PCA
- Concept 30: 用于人脸识别的 PCA
- Concept 31: 特征脸方法代码
- Concept 32: PCA 迷你项目简介
- Concept 33: PCA 迷你项目
- Concept 34: 每个主成分的可释方差
- Concept 35: 要使用多少个主成分？
- Concept 36: F1 分数与使用的主成分数
- Concept 37: 维度降低与过拟合
- Concept 38: 选择主成分
- Lesson 01: 特征缩放学习特征缩放，了解有哪些算法在使用前需要首先进行特征缩放。
Module 05: 机器学习基础 5
- Lesson 01: 交叉验证在这节课中继续了解测试、训练、交叉验证和参数网格搜索。
- Concept 01: 既有趣、又有益的交叉验证
- Concept 02: 测试的好处
- Concept 03: 在 Sklearn 中训练/测试分离
- Concept 04: 何处使用训练与测试数据 1
- Concept 05: 何处使用训练与测试数据 2
- Concept 06: 何处使用训练与测试数据 3
- Concept 07: 何处使用训练与测试数据 4
- Concept 08: K 折交叉验证
- Concept 09: Sklearn 中的 K 折 CV
- Concept 10: 针对 Sklearn 中的 K 折的实用建议
- Concept 11: 为调整参数而进行的交叉验证
- Concept 12: Sklearn 中的 GridSearchCV
- Concept 13: Sklearn 中的 GridSearchCV
- Concept 14: 开始验证迷你项目
- Concept 15: 验证迷你项目简介
- Concept 16: 验证迷你项目
- Concept 17: 第一个（过拟合）POI 识别符
- Concept 18: 部署训练/测试机制
- Lesson 02: 整体回顾花点时间和 Sebastian、Katie 一起回顾一下我们在这节课中都学到了什么！
- Lesson 01: 交叉验证在这节课中继续了解测试、训练、交叉验证和参数网格搜索。
Module 01: 关系数据库入门
- Lesson 01: 数据和表格你将学习关系型数据库如何让你将数据整理为表格的结构。你将学习唯一键和连接不同表格的重要性。
- Concept 01: 关系型数据库简介
- Concept 02: 什么是数据库
- Concept 03: 了解表格
- Concept 04: 数据类型和意义
- Concept 05: 数据意义
- Concept 06: 动物园
- Concept 07: 表格的结构
- Concept 08: 回答表格的问题
- Concept 09: 聚合
- Concept 10: 查询和结果
- Concept 11: 如何查询
- Concept 12: 最喜欢的动物
- Concept 13: 相关表格
- Concept 14: 唯一性和键
- Concept 15: 主键
- Concept 16: 合并表格
- Concept 17: 数据库概念
- Concept 18: 总结
- Lesson 02: SQL 的元素你将开始学习大多数关系数据库用到的结构化查询语言（SQL）。
- Concept 01: SQL 与大象
- Concept 02: 与动物园数据库通信
- Concept 03: SQL 中的数据类型
- Concept 04: 几种 SQL 类型
- Concept 05: Select Where
- Concept 06: 比较运算符
- Concept 07: SQL 的一个缺点
- Concept 08: 实验页面
- Concept 09: Select 子句
- Concept 10: 数据库的优势
- Concept 11: 计算所有物种
- Concept 12: 插入：添加行
- Concept 13: 寻找吃鱼的动物
- Concept 14: 汇总后
- Concept 15: 更多连接练习
- Concept 16: 总结
- Concept 17: 安装虚拟机
- Lesson 03: Python DB-API用 Python 连接一个后端数据库，查找和修复后端工程师经常会遇到的 bug。
- Concept 01: 欢迎学习数据库
- Concept 02: 什么是 DB-API
- Concept 03: 使用 DB-API 编写代码
- Concept 04: 试用 DB-API
- Concept 05: DB-API 中的插入操作
- Concept 06: 运行 forum
- Concept 07: Hello PostgreSQL
- Concept 08: 为应用添加后端数据库
- Concept 09: 帖子破坏者 Bobby Tables
- Concept 10: 修复 Bobby Tables
- Concept 11: 垃圾表格
- Concept 12: 阻止垃圾内容出现
- Concept 13: 通过更新删除垃圾内容
- Concept 14: 删除垃圾内容
- Concept 15: 结论
- Lesson 04: 深入学习 SQL探索 SQL 高级功能，例如创建你自己的表格和合并。
- Concept 01: 创建表格过程简介
- Concept 02: 规范化设计（第一部分）
- Concept 03: 规范化设计（第二部分）
- Concept 04: 哪些被规范化
- Concept 05: 创建表格和类型
- Concept 06: 创建和删除
- Concept 07: 声明主键
- Concept 08: 声明关系
- Concept 09: 外键
- Concept 10: 自连接
- Concept 11: 计算不符合条件的行
- Concept 12: 子查询
- Concept 13: 一个查询，而不是两个
- Concept 14: 视图
- Concept 15: 总结
Part 11 (Elective)__ : （可选）用d3进行可视化
- Lesson 01: 数据和表格你将学习关系型数据库如何让你将数据整理为表格的结构。你将学习唯一键和连接不同表格的重要性。
Module 01: 用d3进行可视化
- Lesson 01: 可视化基础研究探索性和解释性数据可视化，确定数据类型，学习展现你的数据的有效方式。
- Concept 01: 什么是数据可视化？
- Concept 02: 定义数据可视化
- Concept 03: 优秀的数据可视化
- Concept 04: 功能化艺术 - 肥胖与教育
- Concept 05: 斜率图
- Concept 06: Zipfian 学院的至理名言
- Concept 07: 设计代码传达的信息
- Concept 08: 数据可视化与你
- Concept 09: 数据科学过程
- Concept 10: 数据科学过程细节
- Concept 11: 数据科学中的数据可视化
- Concept 12: 不断改进可视化图形
- Concept 13: 解释性与探索性
- Concept 14: Anscombe 四重奏
- Concept 15: 为何要创建图形？
- Concept 16: 数据类型
- Concept 17: 识别数据类型
- Concept 18: 视觉编码
- Concept 19: 世界杯射手榜
- Concept 20: 胜、负或平
- Concept 21: 视觉编码的排序
- Concept 22: 分解可视化图形
- Concept 23: Facebook 募股
- Concept 24: Facebook 募股动画
- Concept 25: 过渡到技术部分
- Concept 26: 在可视化光谱中穿梭
- Concept 27: D3 网页技术
- Concept 28: D3：将姓名拆包
- Concept 29: 为什么用 D3？
- Lesson 02: D3 基础构件开始使用 html, javascript, css 和 d3.js 创建网页可视化。
- Concept 01: D3 版本说明
- Concept 02: 成为技术传播者
- Concept 03: 开发者工具和控制台
- Concept 04: 加载 D3
- Concept 05: D3 入门
- Concept 06: 检查元素
- Concept 07: 在 JavaScript 控制台操作
- Concept 08: 文档选择器和查询
- Concept 09: CSS 类选择器
- Concept 10: D3 类选择器
- Concept 11: D3 链语法和更改导航栏
- Concept 12: 类选择应注意的方面
- Concept 13: 操纵 DOM 节点
- Concept 14: 更改标题
- Concept 15: 嵌套选择器
- Concept 16: D3 链语法
- Concept 17: 运用 D3 删除元素
- Concept 18: 重建中国的红点
- Concept 19: D3 刻度
- Concept 20: 刻度的原理
- Concept 21: 添加 SVG 元素
- Concept 22: D3 刻度语法
- Concept 23: 继续信任和画圆
- Concept 24: 画圆
- Concept 25: 创建半径刻度
- Concept 26: 添加和格式化中国的红圈
- Concept 27: D3 回顾
- Concept 28: 服务器请求和 D3
- Concept 29: 一起来制作柱状图
- Concept 30: 代码结构和 JavaScript
- Concept 31: 布局和刻度
- Concept 32: 绑定数据
- Concept 33: 添加柱和文本
- Concept 34: 从源代码到图形
- Concept 35: 可视化和 D3 基础知识
- Lesson 03: 习题集：可视化基础检验你对可视化原则与网页可视化工具的掌握程度。
- Concept 01: 数据可视化资源
- Concept 02: 问题 1
- Concept 03: 问题 2
- Concept 04: 问题 3
- Concept 05: 问题 4
- Concept 06: 问题 5
- Concept 07: 问题 6
- Concept 08: 问题 7
- Concept 09: 问题 8
- Concept 10: 问题 9
- Concept 11: 问题 10
- Concept 12: 问题 11
- Concept 13: 问题 12
- Concept 14: 什么是 plot.ly？
- Concept 15: 迷你项目 1：RAW 可视化
- Lesson 04: 设计原则深入了解图标类型，学习人类大脑处理信息的方式，并了解如何利用它。
- Concept 01: 课程概述
- Concept 02: 视觉编码回顾
- Concept 03: 用词类类比数据可视化
- Concept 04: 图表类型
- Concept 05: 数据科学中的可视化
- Concept 06: 常见图表类型
- Concept 07: 小型多组图
- Concept 08: 失业率线条图
- Concept 09: 图表建议
- Concept 10: 图表类型
- Concept 11: 图表关系 1
- Concept 12: 图表关系 2
- Concept 13: 其他图表类型
- Concept 14: plot.ly 上的常见和不常见图表
- Concept 15: 更多神奇的图表类型
- Concept 16: 图表类型和设计元素
- Concept 17: 前注意加工
- Concept 18: 快速思考
- Concept 19: 前注意属性
- Concept 20: 负空间
- Concept 21: 负空间和霍乱
- Concept 22: 无处可编
- Concept 23: 小心颜色的使用
- Concept 24: 冗余编码
- Concept 25: 使用颜色进行沟通
- Concept 26: 颜色使用实用规则
- Concept 27: 彩虹调色板的替代方案
- Concept 28: 可视化如何能够拯救生命
- Concept 29: 纠正颜色
- Concept 30: 色盲
- Concept 31: 红绿色盲
- Concept 32: 不要带来伤害
- Concept 33: 认知的格式塔原理
- Concept 34: 确定图形有效性
- Concept 35: 图表垃圾
- Concept 36: 少即是多
- Concept 37: 图表垃圾的特性
- Concept 38: 数据墨水比率
- Concept 39: 垃圾场
- Concept 40: 失真系数
- Concept 41: 数据效应值
- Concept 42: 图形中的效应值
- Concept 43: 计算失真系数
- Concept 44: Leland Wilkinson
- Concept 45: 图形语法
- Concept 46: 表格数据与线条图
- Concept 47: 发现与展示
- Concept 48: 图形语法总结
- Concept 49: 图形语法优点
- Concept 50: 图形语法和 D3 函数
- Concept 51: D3 函数
- Concept 52: 图形语法的目的
- Concept 53: 图形语法管线和 D3
- Concept 54: 数据可视化中的技术光谱
- Lesson 05: Dimple.js使用 dimple.js 创建可视化图型，使用控制台调试和检查你的作品。
- Concept 01: Dimple 插曲
- Concept 02: 世界杯数据
- Concept 03: 世界杯草图
- Concept 04: Dimple.js 代码文件
- Concept 05: 简单的 HTTP 服务器
- Concept 06: Dimple 柱状图代码概述
- Concept 07: Javascript 调试器
- Concept 08: 加载柱状图
- Concept 09: 检查变量和数据
- Concept 10: Dimple 轴、序列和字段
- Concept 11: 图表布局和组标记
- Concept 12: 创建和绘制图表
- Concept 13: 使用 Dimple 添加轴
- Concept 14: 使用 Dimple 添加序列
- Concept 15: Dimple 的优势
- Concept 16: 调试和检查图表对象
- Concept 17: 检查 X 轴
- Concept 18: 添加 Y 轴
- Concept 19: 添加序列和绘制图表
- Concept 20: 面向对象的设计和图表
- Concept 21: 两个完全一样的图表
- Concept 22: Dimple 让交互性变得简单
- Concept 23: 更改日期格式
- Concept 24: 更改 X 轴间隔
- Concept 25: 柱状图问题
- Concept 26: 柱状图：优点
- Concept 27: 柱状图：缺点
- Concept 28: 更改图表类型
- Concept 29: 从柱状图到圆饼图到线形图
- Concept 30: EDA 与素描数据可视化
- Concept 31: 定制 Dimple 图表
- Concept 32: 使用 D3 添加标题
- Concept 33: CSS 的优势
- Concept 34: Dimple 和图表类型小结
- Concept 35: 下一步是什么？
- Lesson 06: 习题集：图标类型和轴检验你对图标类型和轴的原理的掌握程度。
- Concept 01: 问题 1
- Concept 02: 问题 2
- Concept 03: 问题 3
- Concept 04: 问题 4
- Concept 05: 问题 5
- Concept 06: 问题 6
- Concept 07: 问题 7
- Concept 08: 问题 8
- Concept 09: 问题 9
- Concept 10: 问题 10
- Concept 11: 问题 11
- Concept 12: 问题 12
- Concept 13: Scott 的数据可视化攻破建议
- Concept 14: 迷你项目：第二个任务
- Concept 15: 四象限的故事
- Concept 16: 清楚和美观诀窍
- Lesson 07: 叙事结构学习如何整理你的“数据故事”，用 dimple 和 d3.js 制作你自己的可视图！
- Concept 01: 发现故事
- Concept 02: 新闻方法
- Concept 03: 相关性与因果关系
- Concept 04: 新新闻主义
- Concept 05: 数据可视化的难点所在
- Concept 06: 获取数据
- Concept 07: 如何用柱状图撒谎
- Concept 08: 如何用饼图撒谎
- Concept 09: 如何用线形图撒谎
- Concept 10: 偏差类型
- Concept 11: 个人数据可视化
- Concept 12: 数据偏差
- Concept 13: 数据收集中的错误
- Concept 14: 个人数据可视化
- Concept 15: 一个人类的心跳
- Concept 16: 读者偏差
- Concept 17: 叙事结构的不同类型
- Concept 18: 作者驱动示例
- Concept 19: 读者驱动示例
- Concept 20: 马提尼酒杯
- Concept 21: 无人机空袭和枪击死亡
- Concept 22: 叙事总结
- Concept 23: 分析叙事结构
- Concept 24: 注释和世界杯参赛人数图表
- Concept 25: 解密 D3
- Concept 26: 运用联接来思考
- Concept 27: 定义联接
- Concept 28: D3 中的联接
- Concept 29: 运行数据绑定代码
- Concept 30: 使用维恩图思考
- Concept 31: enter() 和 exit()
- Concept 32: 从 Dimple 到 D3
- Concept 33: 数据绑定过程步骤
- Concept 34: 更新的世界杯数据集
- Concept 35: 数据绑定过程中的返回
- Concept 36: 含绑定数据的圆圈
- Concept 37: 可视化世界杯的每场比赛
- Concept 38: 传达你的信息
- Concept 39: 在刻度中使用 extent()
- Concept 40: 创建时间和参赛人数刻度
- Concept 41: 在绘图函数前解析数据
- Concept 42: 我爱数据可视化
- Concept 43: D3 解析日期和时间
- Concept 44: 解析概述和解析观赛人数
- Concept 45: 解析观赛人数
- Concept 46: 使用函数检查数据
- Concept 47: 创建轴
- Concept 48: 在页面上添加轴
- Concept 49: 定位和绘制轴
- Concept 50: 匿名访问器函数
- Concept 51: 圆圈在哪里？
- Concept 52: D3 隐藏了复杂性
- Concept 53: 检查访问器函数
- Concept 54: 明智地使用变量
- Concept 55: 每届世界杯比赛观赛人数
- Concept 56: 回顾和数据依赖
- Concept 57: 使用 D3 代码设置主场比赛样式
- Concept 58: 并置和比较
- Concept 59: 图形中的新数据故事
- Concept 60: 为读者提供的背景信息
- Concept 61: 我是“传奇”
- Concept 62: 在图例上添加圆圈
- Concept 63: 在图例上添加文本
- Concept 64: 所有世界杯比赛回顾
- Concept 65: 第 3 课回顾
- Lesson 08: 动画与互动创建一个地图可视化，学习数据处理的高级技巧，使用 d3.js 增加动画效果。
- Concept 01: 动画与互动
- Concept 02: 案例研究：美国失业率
- Concept 03: 交互性的好处
- Concept 04: 迭代过程
- Concept 05: 让我们制作地图
- Concept 06: GeoJSON 与 Shapefile
- Concept 07: 什么是投影？
- Concept 08: 地图变形
- Concept 09: D3 中的地图
- Concept 10: 检查 GeoJSON
- Concept 11: 从 SVG 路径绘制地图
- Concept 12: 绘制并更改地图
- Concept 13: 专题地图
- Concept 14: 使用嵌套函数加载数据
- Concept 15: 嵌套函数
- Concept 16: 聚合数据
- Concept 17: 采集体育馆的地理位置
- Concept 18: 平均化位置
- Concept 19: 检查嵌套返回
- Concept 20: 向地图添加圆圈
- Concept 21: 确定观赛人数圆圈的大小
- Concept 22: 如何用圆圈撒谎
- Concept 23: 半径标尺
- Concept 24: 调整地图设计
- Concept 25: 就绘图顺序对数据进行排序
- Concept 26: 我们在哪儿？
- Concept 27: 更新函数
- Concept 28: 概述更新函数
- Concept 29: 采集参赛国
- Concept 30: 过滤
- Concept 31: 用一个关键函数连接数据
- Concept 32: 进入更新退出
- Concept 33: 突出显示的国家
- Concept 34: 完成更新函数
- Concept 35: 更新函数小结
- Concept 36: 为每一年添加动画效果
- Concept 37: setInterval 和 clearInterval
- Concept 38: 世界杯参赛动画效果
- Concept 39: 更新标题
- Concept 40: 使用过渡来平滑化动画
- Concept 41: 世界杯故事
- Concept 42: 增加交互性
- Concept 43: 延迟显示按钮
- Concept 44: 向按钮添加事件
- Concept 45: 修复按钮
- Concept 46: 世界杯代码和故事小结
- Concept 47: 开始创建
- Concept 48: Matt 关于制作地图的提示
- Concept 49: 数据可视化的未来
- Concept 50: 再见，继续学习吧
- Lesson 01: 可视化基础研究探索性和解释性数据可视化，确定数据类型，学习展现你的数据的有效方式。
【点击购买】
若有收获，就点个赞吧
0 人点赞
