摩根大通/黑石热招数据金工岗! 年薪已达$20万+! 年末暴富靠这波了......

银行用户预测与分析

电商平台用户评价分析

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。

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。

如果选择BA/DA track，你将学习：

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。

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，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。

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。

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。

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。

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。

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。