线上免费|数据科学视角下，基于R与Python的数据分析系列直播

在大数据背景下，基于数据发现价值，基于数据做出科学预测与决策越来越重要。发现数据价值离不开软件工具的支持。R和Python 都是开源软件，使用排名非常靠前的程序语言。各自都有众多的拥护者和强大的社区支持，在网络爬虫、数据加工、数据可视化、统计分析、机器学习、深度学习等领域都有丰富第三方包提供调用。人大社从2014年以来，从数据科学视角切入，用R与Python编程来实现的数据分析丛书。一经出版就受到广大教师和读者的欢迎。今年5月人大社联合统计之都、狗熊会、经管之家等平台，开展“数据科学视角下，R与Python数据分析”系列直播活动。本次系列直播将邀请主讲嘉宾与大家共同分享，心得与感悟！期待您持续的关注！

首场讲座

First lecture

主题：数据科学视角下，Python编程训练入门

时间：5月10日 19：00

主讲者：吴喜之

讲座内容：学习任何语言编程的捷径就是在使用中学习。几乎毫无例外，所有的编程高手都是靠兴趣自学成才的。现在的程序比底层程序要容易得多，有大量现成而又方便的函数可用。对于被任务驱使的人们，使用快捷的现成函数是完成任务的需要。但那些能够只用基本语法而不用现成函数来完成既定任务的，才是编程高手！世界上存在大量编程语言，它们的基本语法类似，但固有函数的形式和语法各不相同。如果能够理解各种语言的基本语法编程逻辑，则能够很快从一个语言转换到另一个语言。这就是所谓的泛型编程能力，有了这个能力，驾驭各种语言包括各异的函数会轻而易举。这也是《Python 编程训练入门》一书的宗旨。

点击图片可下载配套资源

作者：吴喜之张敏

出版时间：2022-02

ISBN：978-7-300-30237-9

定价：￥49 元

第2讲

主题：数据科学视角下，可视化分析

时间：5月17日 19：00

主讲者：贾俊平

讲座内容：数据可视化是数据分析的基础，也是数据分析的重要组成部分。可视化本身既是对数据的展示过程，也是对数据信息的再提取过程。它不仅可以帮助我们理解数据，探索数据的特征和模式，还可以提供数据本身难以发现的额外信息。本讲座以《数据可视化分析—基于R语言（第3版）》为基础，从数据分析视角介绍数据可视化的必要性、可视化的不同视角、可视化的三个基本主题、应用视角的图形分类以及可视化的注意事项。

作者：贾俊平

预计出版时间：2023-05

ISBN：978-7-300-31533-1

定价：￥69 元

第3讲

主题：数据科学视角下，机器学习

时间： 5月19日 19：00

主讲者：吕晓玲

讲座介绍：机器学习模型在各种数据分析任务、业务应用场景中被广泛使用，包括有监督的学习（回归、分类问题）以及无监督的学习（聚类、降维、关联等）。各种方法的原理是什么？区别和联系是什么？使用中有什么注意事项？英国统计学家George E. P. Box有句名言：“所有模型都是错的,但其中有一些是有用的 (All models are wrong, but some are useful)。”我们如何在众多的统计方法中选取最合适的？本讲座在数据科学的视角下，带你走进机器学习的方方面面，寻找上述问题的答案。

点击图片可下载配套资源

作者：吕晓玲宋捷

出版时间：2019-01

ISBN：978-7-300-26406-6

定价：￥42元

第4讲

主题：数据科学视角下，深度学习入门

时间： 5月24日 19：00

主讲者：吴喜之

讲座内容：深度学习就是有监督学习中简单神经网络的复杂化和大型化的进化结果。其目的是为了处理诸如图像识别和自然语言处理等各种涉及非结构化数据的复杂任务。数据量大而结构复杂，任务和目标也必须满足需要，因此神经网络拥有大量的层数 (深度) 并具有非常灵活的连接结构。通过案例来理解深度学习是最好的方式，不可能也没有必要去了解所有存在的著名深度学习模型。在实践中，根据感兴趣的目标，着手深入研究一两个模型，并试图改进它们, 就会有很大的收获。这次讲座将带领你进行一场深度学习之旅。

点击图片可下载配套资源

作者：吴喜之张敏

出版时间：2021-03

ISBN：978-7-300-29078-2

定价：￥45 元

第5讲

主题：数据科学视角下，强化学习入门

时间： 5月26日 19：00

主讲者：吴喜之

讲座内容：强化学习并不神秘, 其原理一说就懂。人们从生下来，就从零开始走上了延续一生的学习道路。在不同环境的成长过程中，人们在体力、智力和心理上受到各种挑战，在经过无数挫折和启发之后，逐渐能够在不同程度上应付挑战，并具有不同训练环境影响的特性。强化学习与人类学习没有区别，只不过学习者是计算机而已。人工智能就是这样训练出来的。机器下棋、电子游戏、自动驾驶等都是最常见的强化学习例子。强化学习的原理并不难，原则上差不多，但对于不同的具体目标及精度要求的模型则很不相同。我们没有必要，也不可能熟悉强化学习的所有方面，但通过实例来理解若干案例就能够理解强化学习的原理，并有可能举一反三去面对不熟悉的新课题。本讲座试图在有限的时间里给读者以一个学习引导。