商業和真實世界的資料科學、分析和人工智慧

Contents

運用資料科學和統計學解決商業問題，通過 35 個以上的案例研究洞察日常問題

從這 30.5 小時的課程，你會學到

Pandas，此將讓你成為資料分析和資料處理奇才
運用 Scikit-learn 的最有用的機器學習演算法
統計與機率
假設測試與 A/B 測試
建立美麗的圖表、圖形和視覺化，講述一個故事與資料
瞭解常見的業務問題以及如何應用資料科學解決這些問題
帶有 Google Data Studio 的資料儀表板
36 個真實世界的商業問題和案例研究
推薦引擎 – 協同過濾、 LiteFM 和深度學習方法
基於 NLTK 和深度學習的自然語言處理(Natural Language Processing，NLP)
用 Facebook 的 Prophet (先知)預測時間序列
市場行銷的資料科學(廣告互動與績效)
消費者分析和叢集
社交媒體情緒分析
瞭解深度學習(Keras、Tensorflow)以及如何在幾個現實世界的案例研究中運用
使用 Heroku 和 Flask (CI/CD)在生產中做機器學習模型的部署
執行運動、保健、餐飲與經濟學分析
基於 PySpark 的大數據分析與機器學習
如何運用資料科學於零售上(市場籃子分析、銷售分析和需求預測)
你將在 Google Colab 中使用預先配置的 Jupyter Notebooks (沒有麻煩或安裝，入門非常簡單)
所有的程式碼範例都在你的瀏覽器中執行，不管你的作業系統是 Windows、macOS、Linux 還是 Android

要求

不需要是一個程式設計或數學天才，基本的高中數學就足夠了
本課程教授所有程式設計，使其對初學者更加友好

課程說明

這是一門實踐性很強的課程，我希望我剛開始學習資料科學的時候就有這門課程。

它著重於理解資料科學家所需要的所有基本理論和程式設計技能，但最好的部分是，它以 35 + 實用案例研究為特色，涵蓋了資料科學家在現實世界中面臨的許多常見的商業問題。

現在，儘管 Covid-19 造成經濟萎縮，傳統企業還是成群結隊地僱用資料科學家！

他們希望新員工能夠運用資料科學解決方案來解決他們的問題。能夠做到這一點的資料科學家將被證明是未來幾十年商業中最有價值的資產之一！

“資料科學家已經連續4年成為美國的最頂尖的職位! ”根據 Harvard Business Review 和 Glassdoor.。

然而，資料科學有一個困難的學習曲線 – 如何才能在這個充斥著神祕、混亂、看似不可能的數學和程式碼的行業中開始呢？即使你剛剛涉足資料科學領域，將新發現的資料科學知識應用到現實世界中的問題上也會更加困惑。

本課程旨在補足所有那些嚇跑初學者的知識缺口，同時將資料科學和深度學習的知識應用於現實世界的商業問題。

本課程有一個全面的教學大綱，涉及資料科學知識的所有主要組成部分。

我們完整的 2020 年資料科學學習路徑包括:

利用資料科學解決常見商業問題
資料科學家的現代工具 – Python，Pandas，Scikit-learn，NumPy，Keras，prophet，statsmod，scipy 等等！
詳細資料科學統計 – 抽樣，分佈，常態分佈，描述統計學，相關係數和共變異數，機率顯著性測試，和假設測試。
使用 Seaborn、Matplotlib & Plotly (操作資料和建立資訊、迷人的視覺化和圖表)的資料科學和分析視覺化理論
使用 Google Data Studio 進行 Dashboard 設計
機器學習理論 – 線性迴歸，邏輯迴歸，決策樹，隨機森林，KNN，svm，模型評估，異常檢測，ROC 和 AUC 和正規化
深度學習理論和工具 – TensorFlow 2.0 和 Keras (神經網路，CNNs，RNNs 和 LSTMs)
運用預測建模、分類和深度學習來解決問題
資料分析和統計案例研究 – 解決和分析現實世界的問題和資料集。
市場行銷中的資料科學 – 建模互動率和執行 A/B 測試
零售中的資料科學 – 客戶細分，終身價值，和客戶/產品分析
非監督式學習 – K平均演算法，PCA，t-SNE，Agglomerative Hierarchical (凝聚層次結構)，Mean Shift (均值漂移)，DBSCAN 和 E-M GMM 叢集
推薦系統 – 協同過濾和基於內容的過濾 + 學習使用 LiteFM + 深度學習推薦系統
自然語言處理 – Bag of Words( 詞包 )、Lemmatizing ( 詞法分析 )/Stemming ( 詞幹分析)、 TF-IDF 向量器和 Word2Vec
大數據與 PySpark – 在大數據，Hadoop，MapReduce，Spark，PySpark，RDD，Transformations(轉換)，Actions(行動)，Lineage Graphs (沿襲圖)和 Jobs (工作)，資料清理和操作，在 PySpark 的機器學習(MLLib) 中的挑戰
使用 Heroku 建構機器學習 API 部署到雲端

我們有趣而又引人入勝的案例研究包括:

14 個統計與資料分析案例研究:

利用多個民意調查資料集預測 2020 年美國大選
根據健康資料預測糖尿病病例
使用先驗演算法( Apriori Algorithm ) 的市場籃子分析( Market Basket Analysis )
預測美式足球/英式足球世界盃
Covid 分析和創造驚人的蒸蒸日上的視覺化(條形圖競賽)
分析奧運資料
主場優勢在足球和籃球中真的存在嗎？
IPL 板球資料分析
串流媒體服務 ( Netflix、 Hulu、 Disney Plus 和 Amazon Prime) – 電影分析
披薩餐廳分析 – 全美最受歡迎的披薩
微釀啤酒與酒吧分析
供應鏈分析
印度選舉分析
非洲經濟危機分析

6 個預測建模與分類器案例研究:

弄清楚哪些員工可能會辭職(人力保留分析)
弄清楚哪些客戶可能離開(客戶流失分析)
我們要瞄準誰募捐？
預測保險費用
預測 Airbnb 的價格
偵測信用卡詐騙

4 個市場行銷的資料科學案例研究:

行銷活動的轉化率分析
預測參與度 – 是什麼推動了廣告的表現？
A/B 測試(優化廣告)
誰是你最好的客戶? 客戶終身價值觀(CLV，Customer Lifetime Values )

4 個零售資料科學個案研究:

產品分析( 探索性資料分析技術 )
旅行社客戶資料的叢集分析
產品推薦系統 – 電子商務店家買賣的項目
運用 LiteFM 的電影推薦系統

2 個時間序列預測個案研究:

一家商店的銷售預測
運用 Re-Enforcement Learning (重複強化學習) 的股票交易
布倫特( Brent )原油價格預測

３個自然語言處理(NLP)個案研究:

總結評論
檢測文字中的情感
垃圾郵件檢測

1 個 PySpark 大數據案例研究:

新聞標題分類

1 各部署專案:

使用 Flask 和 Heroku 將你的機器學習模型部署到雲端

目標受眾

資料科學初學者
希望利用自己的資料做更多事情的商業分析師
缺乏現實世界經驗的大學畢業生
以商業為導向、喜歡使用資料來增強他們的業務的人(管理或工商管理碩士)
希望開始學習資料科學的軟體開發人員或工程師
任何希望成為一名更受歡迎的資料科學家的人
任何對利用資料解決現實世界問題感興趣的人

講師簡介

Rajeev D. Ratan 資料科學家、計算機視覺專家和電機工程師 ( 更多講師主講課程介紹 )

大家好，我是 Rajeev，資料科學家與電腦視覺工程師。

我在愛丁堡大學獲得了計算機與電子工程學士學位以及 AI 碩士學位，在那裡我獲得了機器學習、電腦視覺和智慧機器人的廣泛知識。

我曾經發表過關於使用資料驅動的方法進行公共交通機率隨機建模的研究，甚至還參加了一個在愛丁堡大學機器人技術競賽中獲勝的小組。

我創辦了自己的電腦視覺新創公司，這是基於基於深度學習運用於教育的基礎上，從那時起，我也服務兩家電腦視覺領域新創公司和一家資料科學的跨國公司。

此前，我在加勒比最大的兩家電信運營商工作了8年，在那裡獲得了管理技術人員和部署複雜電信專案的經驗。

Nidia Sahjara 自然語言處理( NLP )工程師和研究員 ( 更多講師主講課程介紹 )

Nidia 有著多樣化的背景，她的本科學習包括英格蘭德比( Derby )大學的電腦科學，西印度群島大學的土木與環境工程。她目前的研究包括使用 NLP 來分析社會科學中的開源資料和意見探勘解決方案。目前，她正在倫敦國王學院( Kings College )繼續她的 2021年研究生學業。

英文字幕：有

想要了解如何將英文字幕自動翻譯成中文? 請參考這篇 How-To

點選這個✨優惠連結✨ ( NT390 起特價中 ) | Udemy 永久擁有課程 ( 在電腦瀏覽器登入，點選“優惠連結”後再回想要的課程介紹中點選“報名參加課程”即可取得）
Udemy 現在越來越多課程有中文字幕，請參考 Soft & Share 中文線上課程
手機上點選優惠連結看到的價格比電腦上看到的貴
＄代表當地貨幣, 如在台灣為 NT
點選”報名參加課程”有可能因瀏覽器 cookies 轉久一點或回報錯誤而無法連上，請稍等刷新或重新點選就會出現