大数据的统计学基础
数据科学与大数据教学大纲
数据科学与大数据教学大纲数据科学与大数据教学大纲数据科学是当今社会中越来越重要的领域，它涵盖了从数据收集和整理到数据分析和解释的全过程。
随着大数据时代的到来，数据科学的教学也变得愈发重要。
本文将探讨数据科学与大数据教学的一些重要内容和方法。
一、数据科学的基础知识数据科学的基础知识是学生在学习数据科学之前必须掌握的内容。
这包括统计学、计算机科学、数学和领域知识等。
统计学是数据科学的基石，它提供了数据收集和分析的方法。
计算机科学则提供了处理大规模数据的技术和工具。
数学是数据科学的理论基础，它提供了数据建模和推理的方法。
领域知识则是指在特定领域中应用数据科学的专业知识。
二、数据收集与整理数据收集与整理是数据科学中非常重要的环节。
学生需要学习如何从不同来源收集数据，并进行数据清洗和整理。
数据清洗包括处理缺失值、异常值和重复值等。
数据整理则包括数据转换、数据合并和数据重塑等。
学生需要了解各种数据收集和整理的方法和技术，并能够根据具体情况选择合适的方法。
三、数据分析与建模数据分析与建模是数据科学的核心内容。
学生需要学习如何对数据进行分析和建模，以从中提取有用的信息和知识。
数据分析包括描述性统计、推断统计和机器学习等方法。
学生需要了解这些方法的原理和应用，并能够使用相应的工具进行数据分析。
数据建模则是指根据数据构建数学模型，以预测和解释数据。
学生需要学习各种数据建模方法，如线性回归、决策树和神经网络等。
四、数据可视化与沟通数据可视化与沟通是数据科学中非常重要的技能。
学生需要学习如何将数据以可视化的方式呈现，以便更好地理解和传达数据。
学生需要学习使用各种数据可视化工具和技术，如图表、地图和交互式可视化等。
同时，学生还需要学习如何将数据分析的结果以清晰和简洁的方式进行沟通，以便与他人共享和讨论。
五、数据伦理与隐私保护数据科学的发展也带来了一系列的伦理和隐私问题。
学生需要学习如何在数据科学的实践中遵守伦理规范，并保护个人隐私。
以“数”驱动的《统计学基础》课程教学体系研究
Creative Education Studies 创新教育研究, 2023, 11(9), 2602-2608 Published Online September 2023 in Hans. https:///journal/ces https:///10.12677/ces.2023.119383以“数”驱动的《统计学基础》课程教学体系研究马小艳重庆对外经贸学院数学与计算机学院，重庆收稿日期：2023年7月24日；录用日期：2023年8月29日；发布日期：2023年9月8日摘要本文依托大数据时代背景下，完善课程教学内容；用“数”说中国之事，融入思政教育；结合“数字课程”，设计混合式教学模式；利用信息技术平台学生“数据行为”，动态化评价教学效果。
从而构建以“数”驱动、多层次分模块的《统计学基础》课程教学体系，以实现“德技并修”双主打的育人目标。
关键词统计学基础，教学体系，课程思政，课程设计A Study on the Teaching System of“Statistics Basics” Course Driven by “Data”Xiaoyan MaSchool of Mathematics and Computer Science, Chongqing College of International Business and Economics, ChongqingReceived: Jul. 24th , 2023; accepted: Aug. 29th , 2023; published: Sep. 8th, 2023AbstractBased on the background of big data era, this paper improves the course teaching content; Use “data” to say China’s affairs, integrate into ideological and political education; Combined with “digital course”, design mixed teaching mode; Using information technology platform students “data behavior”, dynamic evaluation of teaching effect. Therefore, the teaching system of “Statis-tics Basics” course driven by “data” and multi-level sub-modules is constructed to achieve the educational goal of “combining moral and skills cultivation”.马小艳KeywordsStatistics Basics, Teaching System, Curriculum Ideological and Political, Course DesignCopyright © 2023 by author(s) and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY 4.0)./licenses/by/4.0/1. 引言《统计学基础》是一门研究收集、整理、分析和展示数据的课程，强调用“数据”说话，也是应用统计学专业的学科基础课，为后续专业课的学习提供数据统计分析基础。
统计学基础知识概述
统计学基础知识概述统计学是一门研究收集、整理、分析和解释数据的学科。
它在各个领域都有着广泛的应用，从经济学到医学，从环境科学到社会学，统计学都起着至关重要的作用。
本文将对统计学的基础知识进行概述，以帮助读者对这门学科有更清晰的认识。
一、统计学的定义与目标统计学是一门通过收集数据、进行数据分析，从中发现规律、做出推断并做出决策的学科。
其主要目标是通过搜集和整理数据来描述现象、解释现象，并用数据来支持我们的论断和决策。
二、数据类型与测量尺度在统计学中，数据可以分为两种基本类型：定性数据和定量数据。
定性数据是描述性的，无法以数字或数量的方式直接表示。
它通常是基于类别或属性的描述，如性别、种类、态度等。
而定量数据是以数字或数量的形式表示的，可以进行计算和比较，例如年龄、体重等。
定性数据又可以进一步分为名义数据和序数数据。
名义数据是分类的，没有任何顺序或等级的关系，如性别、国籍等。
而序数数据则呈现出一定的顺序或等级关系，如星级评分、教育程度等。
定量数据可以分为连续数据和离散数据。
连续数据是可以在一定范围内取无限个值的变量，如身高、温度等。
而离散数据则只能取特定的值，例如家庭人数、书籍数量等。
三、统计学中的描述性统计描述性统计是对数据进行整理、汇总和呈现的过程。
通过描述性统计，我们可以了解数据的分布、中心趋势和离散程度。
常见的描述性统计量包括均值、中位数、众数和标准差等。
在描述数据分布时，我们可以使用直方图、箱线图等图表来展示数据的特征。
直方图可以反映数据的频率分布情况，而箱线图则可以展示数据的中位数、四分位数和异常值。
四、统计学中的推断统计推断统计是通过利用样本数据对总体进行推断的过程。
它包括参数估计和假设检验。
参数估计是通过样本数据来估计总体参数的数值，如计算总体均值的置信区间。
假设检验则是通过样本数据来判断总体参数的差异是否显著，如判断两个总体均值是否相等。
在进行参数估计和假设检验时，我们需要选择适当的统计方法。
大数据与统计学课件
02
隐私保护算法
开发和应用隐私保护算法是解决数据安全与隐私保护问题的关键。这些
算法可以在不泄露个体数据的前提下进行数据分析，从而保护个人隐私
。
03
法律法规制定
政府应制定相关法律法规，明确数据安全和隐私保护的标准和要求，对
违反规定的行为进行严厉打击，为大数据和统计学的应用提供法律保证
。
数据质量与误差控制
数据清洗
在大数据应用中，数据清洗是一项重要的任务。通过数据清洗，可以去除重复、错误或不完整的数据，提高数据质量 ，为后续的数据分析提供准确的基础。
误差来源辨认
在数据分析过程中，误差来源的辨认和控制是至关重要的。通过对误差来源的深入分析，可以采取相应的措施来减小 或消除误差，提高数据分析的准确性和可靠性。
数据可视化
利用大数据可视化技术将预测结果以直观的方式呈现出来，例如图 表、外表板等，以帮助用户更好地理解和分析数据。
大数据在决策支持中的应用
决策支持系统
01
利用大数据构建决策支持系统，以帮助决策者进行科学决策和
制定战略计划。
数据驱动决策
02
通过大数据分析提供数据驱动的决策根据，以支持决策者做出
更加科学、公道和有效的决策。
大数据在医疗健康领域的应用
总结词：医疗健康领域通过大数据分析 可以改良医疗服务、提高疾病预防和治 疗效果。
健康管理：通过收集和分析个人健康数 据，大数据可以帮助个人更好地管理自 己的健康状况，提高生活质量。
流行病预测：通过对历史病例数据和流 行病趋势的分析，大数据可以帮助公共 卫生机构预测和预防流行病的爆发。
实时监测与调整
03
利用大数据对决策执行过程进行实时监测和调整，以确保决策
大数据专业人才培养方案
大数据专业人才培养方案随着信息技术的迅猛发展，大数据已经成为当今社会的关键词之一。
大数据技术的广泛应用对于企业和组织来说具有重要意义，因此需要大数据专业人才的培养。
本文将提出一份大数据专业人才培养方案，旨在为培养具备综合技术素养和专业实践能力的大数据专业人才提供指导。
一、培养目标1.综合素质培养：培养学生具备扎实的数学、统计学基础，掌握数据分析和挖掘方法，具备良好的逻辑思维和问题解决能力。
2.专业知识培养：培养学生熟悉大数据相关的技术和工具，包括数据存储、分布式计算、机器学习等，掌握数据采集、清洗、分析和可视化的能力。
3.实践能力培养：通过课程设计、实验项目和实习等方式，培养学生具备大数据项目的实际操作和解决实际问题的能力。
二、课程设置1.基础课程（1）数学基础：包括高等数学、概率论与数理统计等，为后续专业课程打下坚实基础。
（2）计算机基础：包括计算机组成原理、数据结构与算法、数据库原理等，为后续的大数据技术课程做好铺垫。
2.专业核心课程（1）大数据技术与工具：包括Hadoop、Spark、NoSQL数据库等，学生通过实际操作和案例分析来掌握大数据相关的技术和工具。
（2）数据挖掘与机器学习：学生学习数据挖掘和机器学习的基本理论和算法，并通过实际项目来应用这些技术解决实际问题。
3.实践项目与实习（1）实践项目：学生通过参与实际的大数据项目，进行数据采集、清洗、处理、分析和可视化等工作，提升实际操作能力和团队协作能力。
（2）实习：学生通过参与企业的大数据项目实践，了解实际工作环境，提高解决实际问题的能力和综合素质。
三、培养模式1.理论与实践相结合：注重培养学生的实际动手能力，通过案例分析、实验项目和实践探究等方式，将理论知识与实际应用相结合。
2.团队合作培养：鼓励学生参与团队项目，提升团队协作和沟通能力，培养学生在团队中发挥领导和协调作用的能力。
3.导师指导和评估：每位学生配备专业导师，定期进行学术指导和个人成长评估，帮助学生规划学习和职业发展路径。
数据科学与大数据技术专业培养方案
数据科学与大数据技术专业培养方案引言概述：随着信息技术的不断发展，数据科学与大数据技术成为了当今社会中备受关注的热门领域。
为了培养更多具备数据科学与大数据技术专业知识和技能的人材，各大学纷纷推出相应的专业培养方案。
本文将探讨数据科学与大数据技术专业的培养方案。
一、课程设置1.1 基础课程：包括数据结构、数据库原理、统计学基础等，为学生打下坚实的理论基础。
1.2 专业课程：涵盖数据挖掘、机器学习、大数据处理技术等，培养学生具备实际操作能力。
1.3 实践课程：包括实习、项目实践等，让学生在实际项目中应用所学知识，提升实际操作能力。
二、教学方法2.1 理论与实践相结合：注重理论知识的传授同时，也要注重实践操作的训练。
2.2 项目驱动教学：通过项目驱动教学，让学生在实际项目中学习和应用知识。
2.3 导师制度：为学生配备导师，指导学生的学习和研究，提供个性化的学术指导。
三、实习与实训3.1 实习机会：为学生提供实习机会，让学生在真实工作环境中学习和实践。
3.2 实训项目：组织学生参预实际项目，锻炼学生的团队合作能力和解决问题的能力。
3.3 实践能力培养：通过实习和实训，培养学生的实际操作能力和解决实际问题的能力。
四、实验室建设4.1 大数据实验室：建设配备先进设备和软件的大数据实验室，为学生提供实验平台。
4.2 数据分析实验室：建设数据分析实验室，提供数据处理和分析的实验环境。
4.3 软件开辟实验室：建设软件开辟实验室，让学生学习和实践软件开辟技术。
五、学术交流与合作5.1 学术交流会议：组织学生参加学术交流会议，拓展学术视野，与同行学者交流。
5.2 产学合作项目：与企业合作开展产学合作项目，让学生参预实际项目，提升实践能力。
5.3 国际合作交流：开展国际合作交流，与国外院校合作开展项目，促进国际学术交流。
结语：通过以上内容的探讨，数据科学与大数据技术专业的培养方案应该是全面的，包括课程设置、教学方法、实习与实训、实验室建设和学术交流与合作等方面。
统计学基础调研分析报告
统计学基础调研分析报告统计学基础调研分析报告一、调研目的和背景近年来，随着大数据和人工智能技术的发展，统计学作为一门数据分析的基础学科，逐渐受到了广泛关注和应用。
本调研旨在了解统计学的基础知识和应用情况，探讨统计学对于数据分析与决策的重要性。
二、调研方法本次调研采用问卷调查的方式，通过网络和实地访谈两种形式进行，共收集到了100份有效问卷和10份访谈记录。
问卷主要包括基本信息、对统计学的认知程度、统计学应用情况等内容。
三、调研结果分析1. 统计学知识认知通过对问卷数据的分析，结果显示，参与调研者对统计学的普遍认知程度较低，只有30%的受访者能正确解释统计学的定义。
还有55%的受访者对统计学的应用范围认知不全面，容易将统计学与数学混淆。
2. 统计学应用情况调研结果显示，统计学在现实生活和工作中的应用广泛而深入。
受访者中65%的人表示在日常生活中使用统计学的情况，主要包括调查问卷数据的收集和分析，以及市场调研和消费者行为的统计分析。
在工作中，85%的受访者表示需要运用统计学知识进行数据分析，以支持公司的决策。
3. 统计学对数据分析与决策的重要性通过访谈记录的整理和分析，我们发现统计学在数据分析与决策中的重要性不可低估。
在访谈中，多数受访者认为统计学可以帮助他们理解数据的真实含义、发现规律和趋势，并基于统计模型进行预测和决策。
一位受访者表示：“统计学是数据分析的基石，没有统计学的支持，我们无法准确地分析数据和做出科学的决策。
”四、调研结论和建议1. 提高统计学知识的普及度针对统计学知识普及度较低的问题，应加强相关教育和培训，提高公众对统计学的认知和理解程度。
可以通过举办统计学公开课、组织统计学知识竞赛等方式，激发群众的学习兴趣。
2. 加强统计学在教育和职业培训中的应用统计学在教育和职业培训中的应用应得到更多的关注和重视。
加强统计学课程的设置，提高学生的数据分析和决策能力，使其具备在实际工作中应用统计学知识的能力。
统计与大数据基础思维方法导论总结
一、概述在当今信息爆炸的时代，数据已经成为了我们生活和工作中不可或缺的一部分。
而数据统计和大数据分析作为数据科学领域的两个重要支柱，已经成为了不少行业发展和决策制定的基石。
本文旨在对统计与大数据的基础思维方法进行导论总结，帮助读者更好地理解和应用统计与大数据分析方法。
二、统计基础思维方法1. 理解数据在进行统计分析之前，首先需要对数据进行充分的理解。
这包括数据的来源、数据的类型、数据的质量等方面。
只有理解了数据的基本情况，才能更好地选择合适的统计方法进行分析。
2. 数据清洗在实际的工作中，我们往往会遇到各种各样的脏数据，比如缺失值、异常值等。
数据清洗是统计分析过程中不可或缺的一步。
只有通过数据清洗，才能确保统计分析的结果准确可靠。
3. 描述性统计描述性统计是对数据进行统计描述的方法，包括均值、标准差、频数分布等。
通过描述性统计，可以更加直观地了解数据的分布情况，为后续的分析提供基础。
4. 探索性数据分析探索性数据分析是在描述性统计的基础上，对数据进行更深入的分析。
通过绘制散点图、箱线图等可视化图表，可以更好地发现数据之间的关系和规律。
5. 统计推断统计推断是在样本统计结果的基础上，对总体进行推断的方法。
通过统计推断，可以从样本的角度去判断总体的情况，并给出相应的置信区间和假设检验结果。
6. 因果推断因果推断是统计分析中的一个重要问题，但也是一个较为复杂的问题。
因果推断需要通过实验或者自然实验的方法，从统计学的角度来推断出因果关系。
三、大数据基础思维方法1. 大数据的特点大数据与传统数据相比，具有数据量大、数据类型多样、数据速度快等特点。
在进行大数据分析时，需要充分考虑这些特点，并选择合适的工具和方法。
2. 数据预处理由于大数据的规模较大，数据预处理变得尤为重要。
在数据预处理阶段，需要考虑数据的压缩、分区、去重等问题，以便为后续的分析做好准备。
3. 大数据存储在进行大数据分析时，存储是一个非常重要的问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
直方图
1. 找出最大值与最小值，确定数据的范围
将成绩排序后很容易得到最大值是95，最小值是53 53 53 61 61 63 65 67 67 69 69 69 70 70 71 74 75 75 76 77 78 79 80 81 81 81 81
众数
小明，处于班 级上游水平
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
直方图
某班40个学生某次数学测验成绩如下：
63，84，91，53，69，81，61，69，91，78，75，81，80，67，76，81，79， 94，61，69，89，70，70，87，81，86，90，88，85，67，71，82，87，75，
请比较两家公司的薪资水平。若只考虑薪资，你会选择哪一家公司？ 均值：A （100000+15*10000+20*7500）/36=11111.1 B （20000+20*11000+15*9000）/36=10416.67 B 11000 B 11000
中位数：A 7500 众数：A 7500
− ������)2 =
1 [ ������
������1 − ������
2
+ ������2 − ������
2
+ ⋯ …+ ������������ − ������ 2 ]
(������1 2 −2������1 ������ + ������ 2 + (������2 2 −2������2 ������ + ������ 2 ) + ⋯ … + (������������ 2 −2������������ ������ + ������ 2 )]
离散程度的描述
比较下面两组数据：
A——1 2 5 8 9 B——3 4 5 6 7
两组数据的均值都是5，但是可以看出B组的数据与5更加接近。但是有描述集中趋势B
A B
A B B
A
A B
极差：最大值-最小值，简单地描述数据的范围大小 A：9-1=8； B：7-3=4 从图中看出A的数据比 B的数据分散地多
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
集中趋势
例：对于1 2 3 4 5这组数据，你会使用哪个数字作为代表？？——3
对于一组数据，如果只容许使用一个数字去代表这组数据，那么这个数字应该如何选 择？？——选择数据的中心，即反映数据集中趋势的统计量
均值——算术平均数，描述平均水平
（1）求A班的平均分，以及成绩的中位数与众数
（2）若小明的成绩是86，则小明的数学成绩怎么样？ （3）求A班成绩的标准差
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
例子
一次数学考试中，A班同学的成绩如下：
98 83 65 72 79 76 75 94 91 77 63 83 89 69 64 78 63 86 91 72 71 72 70 80 65 70 62 74 71 76
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
标准差
对于数据1 2 5 8 9 ，前面求得这一组数据的方差是10。将10与原数据作比较，可以看
出10比原数据都大，是否说明这一组数据十分离散呢？？——但是方差与原数据的单 位是不一样的，这样的比较是无意义的。如果原数据的单位是m的话，那么方差的单 位就是m^2. 为了保持单位的一致性，我们引入一个新的统计量——标准差 标准差：������ = ������ 2 ，有效地避免了因单位平方而引起的度量问题 A——1 2 5 8 9 ������������ = 10������������ = 2 与方差一样，标准差的值越大，表示数据越分散 B——3 4 5 6 7
在着众数——橙
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
均值、中位数、众数
优点 均值 中位数 众数 充分利用所有数据，适用 性强 不受极端值影响 当数据具有明显的集中趋 势时，代表性好；不受极 端值影响 缺点 容易受到极端值影响 缺乏敏感性 缺乏唯一性：可能有一个， 可能有两个，可能一个都 没有
1 5
B——1 4 5 6 9 的方差
1−5
2
+ 4−5
2
+ 5−5
2
+ 6−5
2
+ 9−5
2
= 6.8
A B
A B
A B B
A
A
B
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
方差
������ 2 =
=
1 ������
1 ������ 1 ������
������ ������=1(������������
2
+ 5−5 + 5−5
2
+ 8−5 + 6−5
2
+ 9−5 + 7−5
2
= 10 =2
2
2
2
2
2
A
A B B
A B B B
A
A
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
方差
再对比数据A——1 2 5 8 9
������ 2������ =10 ������ 2 ������ =
1 ������ 1 ������
������
= =
1 ������ 1 ������ 2 ������ ������=1 ������������ 2 ������ ������=1 ������������
− 2������ 2 + ������ 2 − ������ 2
使用这条经过变形的方差公式在很多时候可以简化运算
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
中位数
顾名思义，中位数就是将数据按大小顺序（从大到小或是从小到大都可以）排列后处
于中间位置的数。 例： 58,32,46,92,73,88,23
1. 先排序：23,32,46,58,73,88,92
2. 找出处于中间位置的数：23,32,46,58,73,88,92。三个数字比58小，三个数字比58 大 例：58,32,46,92,73,88,23,63——多加了一个数字，情况有何改变？ 1. 先排序：23,32,46,58,63,73,88,92 2.找出处于中间位置的数：23,32,46,58,63,73,88,92 3. 若处于中间位置的数据有两个（也就是数据的总个数为偶数时），中位数为中间两 个数的算术平均数：（58+63）/2=60.5——原数据中，四个数字比60.5小，四个数 字比60.5大。
参考书
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
俄罗斯数学教材选译
/?key=%B6%ED%C2%DE%CB%B9%CA%FD%D1%
A7%BD%CC%B2%C4%D1%A1%D2%EB&act=click
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
87，95，53，65，74，77
对于这一组数字，你能看出什么呢？？或许先算一算，均值是77.05，标准差是 10.8414。在对了这两个数字后，你对这组数字又有了怎样的认识，对于该班这次的数 学测验成绩如何评价呢？？ 原数据太杂乱无章，难以看出规律性；只依赖数字来描述集中趋势与离散程度，让人 难以对数据产生直观地印象，这时就需要用到图表！
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
例子
一次数学考试中，A班同学的成绩如下：
98 83 65 72 79 76 75 94 91 77 63 83 89 69 64 78 63 86 91 72 71 72 70 80 65 70 62 74 71 76
+ ������2 + ⋯ … + ������������ )
例：某次数学考试中，小组A与小组B的成员的成绩分别如下： A：70,85,62,98,92 B：82,87,95,80,83
分别求出两组的平均分，并比较两组的成绩。 组A：（70+85+62+98+92）/5=81.4 组B：（82+87+95+80+83）/5=85.4 组B的平均分比组A的高，就是组B的总体成绩比组A高
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
例子
两个公司的员工及薪资构成如下：
A：经理1名，月薪100000；高级员工，15名，月薪10000；普通员工20名，月薪 7500
B：经理1名，月薪20000；高级员工，20名，月薪11000；普通员工15名，月薪9000
同样的5个数，A的极差比B的极差要大，所以也比B的要分散 但是只用极差这个衡量离散程度也存在不足 如：A——1 2 5 8 9 B——1 4 5 6 9
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪
方差
在统计学上，更常地是使用方差������ 2 =
离中心越远越离散 其中，������������ 表示数据集中第i个数据的值，������ 表示数据集的均值
大数据的统计学基础 第1课
DATAGURU专业数据分析社区 大数据的统计学基础 讲师 黄志洪 何翠仪