鑽石舞台

本項目以用戶銀行數據信息為例，帶領學員應用多種監督學習模型(例如邏輯回歸，隨機森林)對銀行用戶流失進行預測和分析。

同時，進一步分析影響流失的關鍵因素，為提高用戶留存做出更好的商業決策。

通過本項目，您將學到如何使用Pandas做數據探索、數據分析、數據預處理，以及如何通過Sklearn使用機器學習模型。

隨着互聯網的興起，用戶也越來越願意表達自己的想法。

在本項目中，我們會使用機器學習的方法來分析某知名電商的用戶評價數據，從文本中發現一些隱含信息和內在聯繫，進而在未來使用這些信息來幫助我們解決一些商業問題，如提高轉化率。

通過本項目，您可以掌握TFIDF、PCA、Python、K-means聚類算法、自然語言處理等知識。

本項目以舊金山地區犯罪數據為例，帶領學員建立從數據採集、清洗、存儲、分析的一整套數據分析的工作流。

通過對於不同地區犯罪數據，天氣數據的分析和建模，建立可能的犯罪事件預測機制。

通過本項目，您能了解到Spark RDD、Spark SQL、OLAP、回歸分析、Data Pipeline等數據科學家常用知識與工具。

推薦系統是互聯網公司的現金奶牛。Google、Netflix、Uber、Airbnb、Pinterest等公司都需要擁有推薦系統的設計與開發能力的人才。

本項目以Netflix電影數據為訓練數據，帶領學員掌握主流的推薦系統的算法。

通過本項目，您能並熟練使用Spark Machine Learning Pipeline建立自己的協同過濾算法，並部署推薦系統到生產型環境。

Kaggle比賽是每一個DS/DA的煉金石，能夠在Kaggle比賽中取得好的排名，是自我能力的最佳體現，也是公司判斷人才非常重要的標準。

在本期課程中，我們以Google Gstore銷售預測為範例，帶領同學們熟練運用業界常用的LGBM, PyTorch DeepModel來實現自己的算法，幫助同學們熟悉Kaggle比賽中常用的打法，並且在Kaggle比賽中取得好的名次。

隨着深度學習技術的飛速發展，越來越多的互聯網公司開始在推薦系統中使用深度學習。

本項目以深度學習模型Auto-Encoder-Decoder網絡為基礎，以IMDB電影數據為訓練數據，使用TensorFlow建立Auto-Encoder-Decoder模型。通過模型提取用戶及電影特徵，最終實現電影的自動推薦。

時間序列（Time Series）是我們在日常生活和社會工作中十分常見的一種數據，它是通過將一系列時間點上的觀測值按等時間間隔測量來獲取的數據集合。

本項目以LSTM為基礎，以股票數據作為訓練數據，帶您通過TensorFlow，建立時間序列數據分析的深度學習模型。最終實現個股的伴隨時間的未來變化趨勢，以及對應的大盤指數的變化預測和分析。

隨着計算機技術的提高，我們現在很容易從不相關的數據中挖掘出隱藏的信息。這裡，我們將遵循相同的思路，分析研究紐約出租車和股市的關係。看似紛繁複雜的紐約交通是否隱藏着有趣的信息呢？

在大作業的實戰中，同學們將會運用之前學習過的所有知識來合理探索數據，包括商業問題的數據化，提出合理問題，並對數據進行歸納整理，選擇合理統計模型，驗證猜想。

電子商務的發展已經如日中天。早在2017年，全球零售電子商務營業額達到了2.290萬億美元，約占零售總額的10.1%。

在本項目中，同學會通過分析某知名電商網站銷量和產品信息，系統化的學習個性化設計，新顧客吸引與鼓勵顧客再購物方法，商業推銷途徑優化，然後建立一個網頁產品銷量預測模型。

「一圖勝千言」。如何利用可視化來理解和溝通數據已經成為現代數據分析不可或缺的能力。

在本項目中， 我們將一起學習可視化的基本原理和最佳實踐，用Tableau對其經典數據集Global Superstore Retail Data做探索性數據分析和匯報總結。

同時還會使用Matplotlib, Seaborn and Pandas實現Python數據可視化分析。

電商業、Fintech業在疫情期間蓬勃發展，也伴隨着越來越多的欺詐風險和金錢損失。

因此如何在海量數據中有效的鑑別少量欺詐交易，降低損失，而維持較好的客戶體驗，是各大公司艱巨的挑戰。

在本項目中，我們將一起分析處理某知名電商交易數據，通過系統的洞察數據中關聯/模式，建立完整機器學習解決方案，基於數據給出切實可行的商業建議，最小化企業欺詐損失。

數據挖掘和數據分析是互聯網金融風險控制中最重要的一環。在國外，P2P的鼻祖Lending Club，在國內，阿里金融都能夠做到較好地控制小貸風險。

這些公司通過海量龐雜的數據，建立完善的風險評估系統，對用戶做好信用評級來降低自身風險。

本項目將利用LendingClub的實際案例，幫助同學學習互聯網金融公司及傳統銀行怎樣通過分析，建模來融合多維，多來源的數據，區分正常用戶和欺詐用戶，降低貸款風險。

成立9年！7000+留學生已上岸！