课程包捆绑:学习更多，储蓄更多

这是一个为那些没有编程背景但希望学习基本Python编程的人开设的课程. 这门课程的目标是那些想要学习“数据争论”的人——操纵下载的文件，使它们易于分析. 我们专注于基本的语言，如列表和字符串操作, 控制结构, 简单的数据分析包, 并介绍了从web下载数据的模块.

本课程是用Python编程语言全面介绍数据科学. 这门课程的目标是那些有一些基本的编程知识，并想把它带到下一个层次的人. 它介绍了如何在Python中使用不同的数据结构，并涵盖了最流行的数据分析和可视化模块, 包括numpy, scipy, 熊猫, matplotlib, 和seaborn. 我们使用Ipython笔记本来演示代码的结果，并在整个课程中交互式地更改代码.

本课程是一个35小时的课程，旨在提供R的全面介绍. 你将学习如何加载, 保存, 以及如何转换数据以及如何编写函数, 生成图表, 并将基本的统计模型与数据相匹配. 除了一个理论框架，在其中你将学习数据分析的过程, 本课程着重于数据分析和可视化所需的实用工具. 在课程结束时, 你将掌握加工的基本技能, 操作和分析各种类型的数据, 创建先进的可视化, 生成报告, 记录你的代码.

这是一个为那些没有编程背景但希望学习基本Python编程的人开设的课程. 这门课程的目标是那些想要学习“数据争论”的人——操纵下载的文件，使它们易于分析. 我们专注于基本的语言，如列表和字符串操作, 控制结构, 简单的数据分析包, 并介绍了从web下载数据的模块.

本课程是用Python编程语言全面介绍数据科学. 这门课程的目标是那些有一些基本的编程知识，并想把它带到下一个层次的人. 它介绍了如何在Python中使用不同的数据结构，并涵盖了最流行的数据分析和可视化模块, 包括numpy, scipy, 熊猫, matplotlib, 和seaborn. 我们使用Ipython笔记本来演示代码的结果，并在整个课程中交互式地更改代码.

这个20小时的机器学习与Python课程涵盖了所有基本的机器学习方法和Python模块(尤其是Scikit-Learn)来实现它们. The five sessions cover: simple 和 multiple Linear regressions; classification methods including logistic regression, 判别分析和朴素贝叶斯, support vector machines (SVMs) 和 tree based methods; cross-validation 和 feature selection; regularization; principal component analysis (PCA) 和 clustering algorithms. 顺利完成本课程后, 你将能够解释机器学习算法的原理，并实现这些方法来分析复杂的数据集，并在Python中做出预测.

本课程是一个35小时的课程，旨在提供R的全面介绍. 你将学习如何加载, 保存, 以及如何转换数据以及如何编写函数, 生成图表, 并将基本的统计模型与数据相匹配. 除了一个理论框架，在其中你将学习数据分析的过程, 本课程着重于数据分析和可视化所需的实用工具. 在课程结束时, 你将掌握加工的基本技能, 操作和分析各种类型的数据, 创建先进的可视化, 生成报告, 记录你的代码.

这门35小时的Machine Learning with R课程介绍了机器学习算法的理论基础以及它们在R中的实际应用. 它将向您介绍数据挖掘, 性能度量和尺寸缩减, 回归模型, 线性和广义的, KNN和Naïve贝叶斯模型, 树模型, 支持向量机以及关联规则进行分析. 顺利完成本课程后, 你将能够分解主要机器学习算法背后的数学, 解释机器学习算法的原理, 并实现这些方法来解决现实世界的问题.

这门35小时的Machine Learning with R课程介绍了机器学习算法的理论基础以及它们在R中的实际应用. 它将向您介绍数据挖掘, 性能度量和尺寸缩减, 回归模型, 线性和广义的, KNN和Naïve贝叶斯模型, 树模型, 支持向量机以及关联规则进行分析. 顺利完成本课程后, 你将能够分解主要机器学习算法背后的数学, 解释机器学习算法的原理, 并实现这些方法来解决现实世界的问题.

这个20小时的机器学习与Python课程涵盖了所有基本的机器学习方法和Python模块(尤其是Scikit-Learn)来实现它们. The five sessions cover: simple 和 multiple Linear regressions; classification methods including logistic regression, 判别分析和朴素贝叶斯, support vector machines (SVMs) 和 tree based methods; cross-validation 和 feature selection; regularization; principal component analysis (PCA) 和 clustering algorithms. 顺利完成本课程后, 你将能够解释机器学习算法的原理，并实现这些方法来分析复杂的数据集，并在Python中做出预测.

这是一个为期6周的晚间课程，为大数据技术的Hadoop和Spark生态系统提供实践介绍. 本课程将涵盖Apache Hadoop: HDFS的这些关键组件, MapReduce和流, 蜂巢, 和火花. 编程将在Python中完成. 本课程将以回顾我们的示例所需的Python概念开始. 课程形式是互动的. 学生需要带笔记本电脑来上课.