【Udemy中英字幕】Data Science & Deep Learning for Business™ 20 Case Studies

商业数据科学与深度学习™ 20 个案例研究

使用 Python 解决零售、营销、产品推荐、客户聚类、NLP、预测等问题！

讲师：Rajeev D. Ratan

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 了解数据对企业的价值
• 解决营销、销售、客户群、银行、房地产、保险、旅游等领域的常见业务问题！
• Python、Pandas、Matplotlib 和 Seaborn、SkLearn、Keras、Tensorflow、NLTK、Prophet、PySpark、MLLib 等等！
• 从线性回归（多项式和多元）、K-NN、逻辑回归、SVM、决策树和随机森林进行机器学习
• 使用 K-Means、Mean-Shift、DBSCAN、EM 与 GMM、PCA 和 t-SNE 进行无监督机器学习
• 使用协作和基于项目/内容构建产品推荐工具
• 假设检验和 A/B 检验 – 了解 t 检验和 p 值
• 自然语言处理 – 总结评论、航空公司推文情绪分析和垃圾邮件检测
• 使用 Google Colab 的 iPython 笔记本进行快速、可靠的基于云的数据科学工作
• 使用 AWS 在云上部署您的机器学习模型
• 从矢量化到并行处理的高级 Pandas 技术
• 统计理论、概率论、分布、探索性数据分析
• 预测员工流失、保险费、Airbnb 价格、信用卡欺诈以及捐赠目标
• 使用 PySpark 进行数据处理和机器学习的大数据技能
• 根据探索性数据分析对客户进行聚类，然后使用 K-Means 检测客户细分
• 使用信息学习构建股票交易机器人
• 将数据科学和分析应用于零售，执行细分，分析趋势，确定有价值的客户等等！
• 如何在营销中应用数据科学来提高转化率、预测参与度和客户生命周期价值

要求

• 熟悉基本的编程概念
• 高中水平数学知识
• 宽带互联网连接

描述

欢迎参加商业数据科学与深度学习™ 20 案例研究课程！

本课程教您如何使用数据科学和深度学习来解决现实世界的业务问题，以及如何将这些技术应用于 20 个真实案例研究。

传统企业正在大量招聘数据科学家，了解如何应用这些技术解决问题将被证明是未来十年最有价值的技能之一！

学生们对这门课程的评价是，

“我只完成了这门课程的一半，但我不得不说哇哦。到目前为止，这比我在伦敦大学学院攻读的商业分析硕士学位要好得多。内容解释得更好，分解得非常简单。一些统计理论和机器学习理论课程可能是互联网上最好的！满分 5 星，6 星！”

“它的形式与其他课程截然不同。这里采用的方法是端到端的动手项目执行，同时介绍概念。具有一些先验知识的学习者肯定会感到宾至如归，并见证在执行实时项目时发生的思维过程。案例研究涵盖了公司经常询问的大多数领域。所以从我目前所见来看，它非常好而且很独特。总的来说，学习效果很好，内容也很棒。”

—

根据《哈佛商业评论》和 Glassdoor 的报道，“数据科学家已连续四年成为美国最热门的职业！”

然而，数据科学的学习曲线很艰难——如何进入这个充满神秘感、困惑、看似不可能的数学和代码的行业？即使你涉足其中，将新学到的数据科学知识应用于实际问题也更加令人困惑。

本课程旨在填补所有让初学者望而却步的知识空白，并同时将您的数据科学和深度学习知识应用于现实世界的商业问题。

本课程具有全面的教学大纲，涵盖了数据科学知识的所有主要组成部分。

我们的学习路径包括：

1. 数据科学如何解决许多常见的商业问题
2. 数据科学家的现代工具——Python、Pandas、Scikit-learn、Seaborn、Matplotlib 和 Plotly（处理数据并创建引人入胜的信息可视化和图表）。
3. 数据科学统计学详细信息——抽样、分布、正态分布、描述性统计、相关性和协方差、概率显著性检验和假设检验。
4. 机器学习理论——线性回归、逻辑回归、决策树、随机森林、KNN、SVM、模型评估、异常值检测、ROC 和 AUC 以及正则化
5. 深度学习理论和工具 – TensorFlow 2.0 和 Keras（神经网络、CNN、RNN 和 LSTM）
6. 使用预测模型、分类和深度学习解决问题
7. 营销中的数据科学 –建模参与率并执行 A/B 测试
8. 零售业的数据科学– 客户细分、终身价值和客户/产品分析
9. 无监督学习——K-Means 聚类、PCA、t-SNE、凝聚层次、均值漂移、DBSCAN 和 EM GMM 聚类
10. 推荐系统 –协同过滤和基于内容的过滤 + 学习使用 LiteFM
11. 自然语言处理 –词袋、词形还原/词干提取、TF-IDF 矢量化器和 Word2Vec
12. 使用 PySpark 处理大数据 –大数据中的挑战、Hadoop、MapReduce、Spark、PySpark、RDD、转换、操作、沿袭图和作业、数据清理和操作、PySpark 中的机器学习（MLLib）
13. 使用 AWS 部署到云中构建机器学习 API

我们有趣且引人入胜的 20 个案例研究包括：

六 (6) 个预测模型和分类器案例研究：

1. 确定哪些员工可能辞职（保留分析）
2. 确定哪些客户可能会离开（客户流失分析）
3. 我们的捐赠对象是谁？
4. 预测保险费
5. 预测 Airbnb 价格
6. 检测信用卡欺诈

四 (4) 个营销数据科学案例研究：

1. 分析营销活动的转化率
2. 预测参与度——什么推动了广告效果？
3. A/B 测试（优化广告）
4. 谁是您的最佳客户？以及客户生命周期价值 (CLV)

四 (4) 个零售数据科学案例研究：

1. 产品分析（探索性数据分析技术
2. 旅行社客户数据聚类
3. 产品推荐系统 – 电子商务商店商品
4. 使用 LiteFM 的电影推荐系统

两 (2) 个时间序列预测案例研究：

1. 商店销售预测
2. 使用强化学习进行股票交易

三 (3) 个自然语言处理 (NLP) 案例研究：

1. 总结评论
2. 检测文本中的情绪
3. 垃圾邮件过滤器

一 (1) 个 PySpark 大数据案例研究：

1. 新闻标题分类

“大数据是所有正在发生的大趋势的基础。”

企业比以往任何时候都更需要数据科学家。那些忽视这一趋势的人将被竞争对手甩在后面。 事实上，大多数新的数据科学工作岗位不会由传统科技公司（谷歌、Facebook、微软、亚马逊等）创造，而是由传统的非科技企业创造。大型零售商、银行、营销公司、政府机构、保险公司、房地产等。

“消费者数据将成为未来两到三年内最大的差异化因素。谁能解锁大量数据并战略性地利用它们，谁就能获胜。”

随着数据科学家的薪水越来越高，本课程旨在将您从初学者变成能够解决具有挑战性的现实问题的数据科学家。

—

数据科学家是 21 世纪的热门话题，这是有原因的！技术革命才刚刚开始，数据科学处于最前沿。通过参加本课程，您可以抢先将这些技术应用于所有类型的企业！

本课程适合哪些人：

• 数据科学初学者
• 希望利用数据做更多事情的业务分析师
• 缺乏实际经验的大学毕业生
• 希望利用数据来增强业务的商业人士（管理或 MBA）
• 想要开始学习数据科学的软件开发人员或工程师
• 任何希望成为数据科学家的人