【广而告之】UIUC这个专业的学子, 成秋招幸运儿!

本项目以用户银行数据信息为例，带领学员应用多种监督学习模型(例如逻辑回归，随机森林)对银行用户流失进行预测和分析。

同时，进一步分析影响流失的关键因素，为提高用户留存做出更好的商业决策。

通过本项目，您将学到如何使用Pandas做数据探索、数据分析、数据预处理，以及如何通过Sklearn使用机器学习模型。

随着互联网的兴起，用户也越来越愿意表达自己的想法。

在本项目中，我们会使用机器学习的方法来分析某知名电商的用户评价数据，从文本中发现一些隐含信息和内在联系，进而在未来使用这些信息来帮助我们解决一些商业问题，如提高转化率。

通过本项目，您可以掌握TFIDF、PCA、Python、K-means聚类算法、自然语言处理等知识。

本项目以旧金山地区犯罪数据为例，带领学员建立从数据采集、清洗、存储、分析的一整套数据分析的工作流。

通过对于不同地区犯罪数据，天气数据的分析和建模，建立可能的犯罪事件预测机制。

通过本项目，您能了解到Spark RDD、Spark SQL、OLAP、回归分析、Data Pipeline等数据科学家常用知识与工具。

推荐系统是互联网公司的现金奶牛。Google、Netflix、Uber、Airbnb、Pinterest等公司都需要拥有推荐系统的设计与开发能力的人才。

本项目以Netflix电影数据为训练数据，带领学员掌握主流的推荐系统的算法。

通过本项目，您能并熟练使用Spark Machine Learning Pipeline建立自己的协同过滤算法，并部署推荐系统到生产型环境。

Kaggle比赛是每一个DS/DA的炼金石，能够在Kaggle比赛中取得好的排名，是自我能力的最佳体现，也是公司判断人才非常重要的标准。

在本期课程中，我们以Google Gstore销售预测为范例，带领同学们熟练运用业界常用的LGBM, PyTorch DeepModel来实现自己的算法，帮助同学们熟悉Kaggle比赛中常用的打法，并且在Kaggle比赛中取得好的名次。

随着深度学习技术的飞速发展，越来越多的互联网公司开始在推荐系统中使用深度学习。

本项目以深度学习模型Auto-Encoder-Decoder网络为基础，以IMDB电影数据为训练数据，使用TensorFlow建立Auto-Encoder-Decoder模型。通过模型提取用户及电影特征，最终实现电影的自动推荐。

时间序列（Time Series）是我们在日常生活和社会工作中十分常见的一种数据，它是通过将一系列时间点上的观测值按等时间间隔测量来获取的数据集合。

本项目以LSTM为基础，以股票数据作为训练数据，带您通过TensorFlow，建立时间序列数据分析的深度学习模型。最终实现个股的伴随时间的未来变化趋势，以及对应的大盘指数的变化预测和分析。

随着计算机技术的提高，我们现在很容易从不相关的数据中挖掘出隐藏的信息。这里，我们将遵循相同的思路，分析研究纽约出租车和股市的关系。看似纷繁复杂的纽约交通是否隐藏着有趣的信息呢？

在大作业的实战中，同学们将会运用之前学习过的所有知识来合理探索数据，包括商业问题的数据化，提出合理问题，并对数据进行归纳整理，选择合理统计模型，验证猜想。

电子商务的发展已经如日中天。早在2017年，全球零售电子商务营业额达到了2.290万亿美元，约占零售总额的10.1%。

在本项目中，同学会通过分析某知名电商网站销量和产品信息，系统化的学习个性化设计，新顾客吸引与鼓励顾客再购物方法，商业推销途径优化，然后建立一个网页产品销量预测模型。

“一图胜千言”。如何利用可视化来理解和沟通数据已经成为现代数据分析不可或缺的能力。

在本项目中， 我们将一起学习可视化的基本原理和最佳实践，用Tableau对其经典数据集Global Superstore Retail Data做探索性数据分析和汇报总结。

同时还会使用Matplotlib, Seaborn and Pandas实现Python数据可视化分析。

电商业、Fintech业在疫情期间蓬勃发展，也伴随着越来越多的欺诈风险和金钱损失。

因此如何在海量数据中有效的鉴别少量欺诈交易，降低损失，而维持较好的客户体验，是各大公司艰巨的挑战。

在本项目中，我们将一起分析处理某知名电商交易数据，通过系统的洞察数据中关联/模式，建立完整机器学习解决方案，基于数据给出切实可行的商业建议，最小化企业欺诈损失。

数据挖掘和数据分析是互联网金融风险控制中最重要的一环。在国外，P2P的鼻祖Lending Club，在国内，阿里金融都能够做到较好地控制小贷风险。

这些公司通过海量庞杂的数据，建立完善的风险评估系统，对用户做好信用评级来降低自身风险。

本项目将利用LendingClub的实际案例，帮助同学学习互联网金融公司及传统银行怎样通过分析，建模来融合多维，多来源的数据，区分正常用户和欺诈用户，降低贷款风险。