- 章节1： 机器学习方法论
- 课时1：数据分析与数据挖掘 免费 18:21
- 课时2：机器学习、深度学习与人工智能 免费 04:42
- 课时3：机器学习的核心任务 免费 04:01
- 课时4：机器学习的核心要义 免费 04:04
- 课时5：机器学习项目实战全流程 免费 05:11
- 课时6：Python编程工具 01:41
- 课时7：Jupyter Notebook与PyCharm 04:09
- 课时8：机器学习具体学习方法指导 14:30
- 章节2： 机器学习需求分析
- 课时9：需求分析 20:18
- 课时10：项目技术、产品和应用调研 06:20
- 课时11：实例：数据科学岗位需求分析 09:01
- 章节3： 数据采集与爬虫
- 课时12：数据采集概述 10:04
- 课时13：Python爬虫技术 12:08
- 课时14：请求库：urllib 04:50
- 课时15：请求库：requests 07:08
- 课时16：解析库：BeautifulSoup 06:53
- 课时17：解析库：lxml 04:02
- 课时18：信息提取：css选择器和xpath表达式 04:05
- 课时19：实例1：招聘网站静态数据采集 18:46
- 课时20：实例2：招聘网站动态数据采集 18:22
- 章节4： 数据清洗
- 课时21：脏数据 12:51
- 课时22：数据预处理的基本方向 03:25
- 课时23：缺失值处理 03:36
- 课时24：小文本和字符串处理 05:32
- 课时25：实例：招聘数据预处理（一） 19:09
- 课时26：实例：招聘数据预处理（二） 02:49
- 章节5： 数据分析与可视化
- 课时27：探索性数据分析（EDA） 10:37
- 课时28：统计绘图与数据可视化 07:25
- 课时29：Python绘图之matplotlib 08:14
- 课时30：Python绘图之seaborn 02:49
- 课时31：实例：招聘数据的EDA与可视化（一） 15:04
- 课时32：实例：招聘数据的EDA与可视化（二） 04:18
- 章节6： 特征工程
- 课时33：特征工程概述 12:29
- 课时34：特征选择 10:41
- 课时35：特征变换与特征提取 09:20
- 课时36：特征组合与降维 03:58
- 课时37：招聘数据的特征工程探索 18:05
- 章节7： 机器学习建模与调优
- 课时38：机器学习模型概述 08:40
- 课时39：传统机器学习模型（单模型） 11:46
- 课时40：集成与提升模型 03:31
- 课时41：sklearn 04:14
- 课时42：机器学习调参方法简介 06:47
- 课时43：GBDT XGBoost lightGBM用法 09:59
- 课时44：招聘数据的建模：GBDT 05:23
- 课时45：招聘数据的建模：XGBoost 03:48
- 课时46：招聘数据的建模：lightGBM 03:17
- 章节8： 机器学习模型结果与报告输出
- 课时47：R语言与RStudio安装与简介 06:58
- 课时48：Rmarkdown的安装与基本用法 08:05
- 课时49：技术文档之Rmd与Jupyter对比 06:54
- 课时50：机器学习分析报告的写作方法 08:49
- 课时51：实例：数据相关岗位薪资水平影响因素研究分析报告（简要框架） 06:05
