1，课程内容全面，涵盖回归分析的基本内容，并与机器学习方法有机结合，体现了与时俱进的特点，主要内容包括：一元与多元线性回归的基本理论、回归模型的诊断与矫正、非线性与定性变量回归、求解分类问题的Logistic回归、变量选择、过拟合与正则化技术；

2，课程以Python为教学语言，详细讲解对实际数据进行回归建模与分析的基本步骤与注意事项，具有很强的可操作性；

3，注重案例实践。学生需上机完成一系列案例分析作业，并根据分析结果回答相应问题，才能得到案例实践部分的成绩；

4，在线平台提供单元测试、互动讨论、期终考试等一系列功能，帮助同学更好地掌握回归分析的基本理论和应用方法。

要求同学们在学完这门课以后，掌握回归分析的基本理论包括线性的和初步的非线性，能够再收集到数据以后判断是否可以由回归的方法解决，并且能够用SPSS软件和Python软件实现回归问题的求解。

本课程成绩由三部分组成：

      1，单元测试，满分30分。要求在每章内容学完后，完成章后的测试题，主要考察对理论知识的掌握。每章测试题可以提交三次，无时间限制，取最高分为该章测试成绩。

      2，案例作业，本部分为上机实践环节，满分30分。从第四章开始，我们会发布与与教学板块相应的实践案例。同学们需仔细阅读题目要求，下载相应的数据文件，并完成上机操作，并根据分析结果回答相应问题。

      3，期末考试，将在课程结束时发布，满分为40分。

三部分总分为本课程总成绩。

1、本课程以概率论与数理统计为先修课程，同时应有较好的微积分与线性代数基础。

2、有过学习一门高级编程语言（如C、R、Matlab等）的经历即可，如有关于Python的基础知识更佳。

主要参考资料：

回归理论部分：   

1、何晓群，刘文卿：《应用回归分析》，中国人民大学出版社，2015年4月第4版。

2. 唐年胜、李会琼：《应用回归分析》，科学出版社，2014年1月第1版。

Python实践部分：

1．埃里克·马瑟斯（Eric Matthes）：《Python编程——从入门到实践》，人民邮电出版社，2016年7月第1版。

2. 韦斯·麦金尼（Wes McKinney）：《利用Python进行数据分析》，2018年8月，第2版。