Contents
使用 Python 進行資料分析,資料科學在市場行銷和零售,推薦系統,預測,客戶分類和自然語言處理方面的應用
從這 20 小時的課程,你會學到
- 瞭解資料對企業的價值
- 學習使用 Python,Pandas,Matplotlib & Seaborn,SkLearn,Keras,Tensorflow,NLTK,Prophet,PySpark,MLLib 等技術
- 在行銷中應用資料科學提高轉換率,預測忠誠度和客戶生命週期價值
- 線性迴歸(多項式和多元) ,K- 神經網路(K-NNs),邏輯迴歸,支援向量機(SVMs),決策樹和隨機森林的機器學習技術
- 使用 K 均值( K-Means )、均值漂移( Mean-Shift )、 DBSCAN、 GMMs、 PCA 和 t-SNE 的電磁的非監督式學習
- 使用協作 & 專案 / 內容為基礎建立一個產品推薦工具
- Hypothesis Testing and A/B Testing – Understand t-tests and p values
- 假設測試和 A / B 測試-理解 t-tests 和 p values
- 自然語言處理-總結評論,在 Airline Tweets 中做情緒分析和垃圾郵件檢測
- 使用 Google Colab 的 iPython 筆記本進行快速可靠基於雲端的資料科學工作
- 使用 AWS 在雲端上部署機器學習模型
- 從向量化到並行處理的進階 Pandas 技術
- 統計理論,概率理論,分佈,探索性資料分析
- 預測員工流失、保險費、 Airbnb 價格、信用卡欺詐以及捐贈給誰
- Big Data skills using PySpark for Data Manipulation and Machine Learning
- 利用 PySpark 實現大數據處理和機器學習
- 基於探索性資料分析的客戶分類,然後使用 K-Means 檢測做客戶細分
- 利用強化學習建構股票交易機器人
- 應用資料科學和分析到零售業,執行細分,分析趨勢,確定有價值的客戶和更多應用
要求
- 熟悉基本的程式設計概念
- 高中數學知識
- 寬頻網際網路連線
課程說明
歡迎來到資料科學與深度學習在商業上的應用 – 20 個案例研究課程!
本課程以機器學習和統計學理論為基礎,教你如何運用機器學習解決20個實際的商業問題。
資料科學家成為21世紀的熱門職業是有充分理由的! 技術革命才剛剛開始,資料科學處於前端。
因此,“資料科學家已經連續4年成為美國需求最高的職位! ” 根據哈佛商業評論和Glassdoor 調查。
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真實世界中的問題上也會更加困惑。
本課程目的在填補所有那些嚇跑初學者的知識空白,同時將資料科學和深度學習的知識應用於真實世界的商業問題。
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。
我們的學習路徑包括:
- 資料科學如何解決許多常見的商業問題
- 資料科學家最新的工具-Python,Pandas,Scikit-learn,Seaborn,Matplotlib & Plotly (處理資料和建立資訊,迷人的視覺化和繪圖)。
- 詳細資料科學統計-抽樣,分佈,正態分佈,描述統計學,相關性和 Covariance,機率顯著性檢驗和假設檢驗。
- 機器學習理論-線性迴歸,邏輯迴歸,決策樹,隨機森林,KNN,SVMs,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)
- 使用預測建模、分類和深度學習解決問題
- 市場行銷中的資料科學-建模任務率和執行 A/B 測試
- 零售業中的資料科學-客戶細分,終身價值,和客戶 / 產品分析
- 非監督式學習-K平均( K-Means )演算法,PCA,t-SNE,凝聚層次結構( Agglomerative Hierarchical ),均值漂移,DBSCAN 和 E-M GMM 聚類
- 推薦系統-協同過濾和基於內容的過濾 + 學會使用 LiteFM
- 自然語言處理-單字包、詞法分析 / 詞幹分析、 TF-IDF 向量器和 Word2Vec
- 大數據與 PySpark-大數據,Hadoop,MapReduce,Spark,PySpark,RDD,轉換( Transformations ),行動,沿襲圖和工作,資料清理和操作,使用 ySpark (MLLib) 的機器學習等主題的挑戰
- 使用 AWS 建構機器學習 API 部署到雲端
我們的20個有趣又吸引人的案例研究包括:
六個預測建模與分類器案例研究:
- 找出哪些員工可能會辭職(保留率分析)
- 弄清楚哪些客戶可能離開(流失分析)
- 我們的捐贈對象是誰?
- 預測保險費用
- 預測 Airbnb 的價格
- 偵測信用卡詐騙
4 個市場行銷中的資料科學案例研究:
- 行銷活動的轉換率分析
- 預測參與度-是什麼推動了廣告的表現?
- A/B 測試(廣告最佳化)
- 誰是你最好的客戶? 客戶終身價值(CLV)
四個零售資料科學個案研究:
- 產品分析探索性資料分析
- 旅行社客戶資料的聚類分析
- 產品推薦系統-電子商店的產品
- 基於 LiteFM 的電影推薦系統
兩個時間序列預測個案研究:
- 一個商店的銷售預測
- 基於強化學習的股票交易
三個自然語言處理(NLP)個案研究:
- 總結評論
- 檢測文字中的情感
- 垃圾郵件過濾器
一個 PySpark 大數據案例研究:
- 新聞標題分類
“大數據是正在發生的所有大趨勢的基礎。”
企業比以往任何時候都需要資料科學家。 那些忽視這種趨勢的人將被他們的競爭對手甩在後面。 事實上,大多數新的資料科學工作崗位並不是由傳統的科技公司(谷歌、 Facebook、微軟、亞馬遜等等)創造的,而是由傳統的非科技行業創造的。 大型零售商、銀行、行銷公司、政府機構、保險、房地產等等。
“未來兩三年,消費者資料將是最大的差異。 無論是誰,只要能夠解鎖大量資料並有策略地加以利用,都將取得勝利。”
隨著資料科學家的薪水越來越高,這門課程試圖把你從一個初學者變成一個能夠解決真實世界中具有挑戰性問題的資料科學家。
目標受眾
- 資料科學的初學者
- 希望利用自己的資料做更多事情的商業分析師
- 缺乏實際工作經驗的大學畢業生
- 以商業為導向的人(管理或工商管理碩士) ,他們想要使用資料來增強他們的業務
- 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有競爭力的資料科學家的人
講師簡介
Rajeev Ratan 電腦視覺專家,資料科學家和電子工程師( 更多講師主講課程介紹 )
大家好,我是 Rajeev,我喜歡資料科學和電腦視覺。
我在愛丁堡大學獲得了電腦與電子工程學士學位和人工智慧碩士學位,在那裡我獲得了廣泛的知識,機器學習,電腦視覺和智慧機器人學。
我已經發表了關於使用資料驅動的方法進行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競賽中獲勝的小組。
我嘗試過以深度學習為基礎的電腦視覺創業。 我已經為兩個電腦視覺領域的創業公司做出了貢獻。
之前,我曾在加勒比地區兩家最大的電信運營商工作,在那裡,我獲得了管理技術人員和部署複雜電信專案的經驗。
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
報名參加課程 | 更新 coupon code
也許你會有興趣
- 商業人工智慧 (Artificial Intelligence for Business) ( 附有中文字幕 )
- 使用 TensorFlow 實做機器學習 + 商業實戰案例
- ★英語學習地圖 – 練好英文是最大的學習槓桿
- 如何找工作學習地圖 – 找工作不要靠運氣!
- 課程討論專區
★ 歡迎使用 App / Email | Telegram 訂閱 網站更新★