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