数据科学课程在 Munich

通过进行数据可视化使数据分析更加直观和易于理解。了解如何使用Python库（例如 matplotlib 和 seaborn ）并将你的数据转化为可行的见解。

统计、概率、线性代数

了解训练营中使用的所有库和模型背后的基础数学。在诸如Pandas和Numpy之类的数字运算核心中熟悉统计和概率（均值、方差、随机变量、贝叶斯定理等）的基本概念以及矩阵计算。

统计推断

你将学习如何使用面向对象的程序来构建Python存储库以清理代码并使代码可重复使用，并在庞大数据集的数据准备阶段中生存下来，以及如何基于多元回归模型查找和解释有意义的统计结果。

沟通

数据分析师旨在将其发现传达给非技术受众：你将学习如何通过解释技术见解来产生和创造影响，并使用成本或收益分析将其转变为业务决策。你将能够共享进度，向团队成员展示及对比结果。

预处理和监督学习

了解如何通过预处理技术（例如矢量化）来探索、清理和准备数据集。熟悉监督学习的经典模型-线性回归和逻辑回归。通过Python库scikit-learn了解如何使用学习算法例如KNN（k最近邻居））解决预测和分类任务。

泛化和过度拟合

实施培训和测试阶段以确保你的模型可以泛化为看不见的数据并以可预测的精度部署到生产中。了解如何使用正则化方法防止过度拟合，以及如何选择正确的损失函数来提高模型的准确性。

性能指标

通过定义要优化的内容和适当的错误指标来评估模型的性能以评估业务影响。使用诸如交叉验证或超参数调整之类的验证方法来提高模型的性能。最后，学习探索一种功能强大的监督学习方法SVM（支持向量机）。

无监督学习和高级方法

转向无监督学习，并采用诸如PCA之类的方法来降低维度，或采用聚类的方式来发现数据集中的组。通过结合其他模型以提高性能的集成方法来完善你的工具带，例如“随机森林”或“梯度提升”。

神经网络

通过了解神经网络的结构（神经元、层、堆栈）及其参数（激活、损失、优化器），揭示深度学习背后的魔力。自主学习以建立自己的网络，在处理让深度学习起作用的技术和技巧的同时使用图像、时间和文本。

计算机视觉

通过卷积神经网络进一步深入计算机视觉，最大限度地利用图像。通过数据增强技术改进模型的通用性；从最新的体系结构中受益，利用最先进的Transfer学习方法。

时间序列和文本数据

通过将顺序数据和文本（单词的顺序）转换为适当的输入，来轻松管理数据。利用循环神经网络的力量来预测未来价值并执行有效的自然语言处理。

深度学习变得容易

探索 Keras 深度学习库，该库可轻松进行原型设计，同时灵活精确地调整您的神经网络。此外，由于使用了专用的GPU， Google Colab 将大大缩短计算时间。

机器学习管道

从Jupyter Notebook移至代码编辑器，并学习如何以正确的方式设置机器学习项目，以便快速自信地进行迭代。了解如何使用编码器和变压器将机器学习模型转换为具有sklearn-pipeline的健壮且可扩展的管道的模型。

MLflow的机器学习工作流程

从头到尾构建机器学习模型需要大量的数据准备，实验，迭代和调整。我们将教你如何利用一个名为MLflow的库进行特征工程和超参数调整以构建最佳模型。

使用Google云平台部署到生产

最后，我们将向你展示如何将代码和模型部署到生产环境。使用Google Cloud AI Platform，你将能够大规模训练模型，打包模型并将其提供给全世界。最重要的是Cherry，你将使用Docker环境来部署自己的RESTful Flask API，该API可以插入任何前端接口。