数据科学如此迷人。
通过合理使用大量数据,大批新应用、新行业应运而生。语音识别,计算机视觉中的物体识别,机器人,自动驾驶汽车,生物信息学,神经科学,系外行星的发现,对宇宙起源的理解,以及在经费有限的条件下,组织一支胜出的足球队。
数据科学家是整个产业的核心。
针对“数据科学家”职业,IBM 将推出全球认证计划,为的就是解决两大问题:一,缺人;二,职业定义不够清晰。希望通过清晰、完善的职业认证,让更多的企业招到想要的、符合要求的人才。同时,也让通过认证的求职者,在劳动力市场上更有竞争力!
“到2020年,企业基于大数据分析的支出,将突破 5000 亿美元,大数据在未来四年内,能帮到全球企业赚取约 1.6 万亿美元的收入红利。”
如此大的就业市场,这个职业缺口到底有多大呢?据数联寻英发布的《大数据人才报告》称:目前我国大数据人才仅 46 万,在未来 3 - 5 年内大数据人才缺口达 1,500,000 之巨。
而关于职业定义,我们可以整理这样一个链条“能够获取数据 —— 能够理解数据 —— 处理数据,从中提取价值,可视化并传达信息“,这些技能已经成为了目前企业中不可或缺的重要技术,随着数据量的不断增大,业务对于数据的需求将持续增强。
数据分析的热门抢手,还体现在以下几个方面:
1)广泛的行业适用性:目前,数据分析职位缺口主要集中在三大巨头行业:移动互联网、计算机软件以及金融,总占比64%,同时非典型数据产业,潜移默化、迅速崛起。说明数据分析是各个行业都是通吃的技能,且都能期待不错的收入水平。
2) 职业发展具有多样性:初期发展方向可以细分为BI专家、模型算法专家、业务分析专家。圈内不乏这种经典案列:技术岗沉淀数据分析思维和技能,转战产品经理、运营经理、管理经理、甚至是公司层面的Sales, 且都是同期的佼佼者。更重要的是,因为数据分析师拥有编程基础和基本的机器学习基础,不少人也通过数据分析岗位为后续的AI转型做足了充分的准备。
3) 入门并不难,并且越久越香:很多数据分析师并非都是科班出身,他对于编程的要求不高,很多来自经济、管理、化学、甚至英语专业,入门数据分析师并没有我们想象中那么难。同时,它也是一门多编程语言实现的技术,Python、R都是能够很好的完成工作,这就大大降低了学习的成本和难度。
所以为了让大家能够高效率迈入数据分析的大门,也顺带着轻松的走进人工智能行业,我们邀请硅谷顶级科学家为大家在线直播100节免费公开课,一周3-4节课。
不要认为免费的公开课就没有干货。每周一次的Review Session,我们会提前一周给出几个备选主题,由群内的同学们自主投票选择最心仪的主题。
这100节公开课有多硬核呢?设计紧密围绕学术界最新进展以及工业界的需求,涵盖了80%的人工智能知识点,并且结合了大量实战项目,包括热门的数据分析,自动驾驶,聊天机器人等项目,培养学员的动手能力,解决问题能来以及对知识的深入理解。
来看一下这周被选中的公开课主题,数据分析,数据可视化,自动驾驶,深度学习等。
基于pyspark的商业银行用户流失预测
时间: 2月14日(周四)晚上8:30
内容介绍
▼
- Hadoop、Spark快速安装
- GBDT原理推导
- Pyspark构建一个流失预警模型
- 模型的评估、超参数选择
主讲人介绍
▼
北航计算机博士,曾参与多项国家自然科学基金及国家科技支撑计划项目,多篇论文被SCI、EI及中文核心期刊检索。目前就职于第四范式,任职资深算法工程师,擅长分布式系统,负责算法改进及其产品化、数据建模及可视化等。
适用于移动/IOT设备的深度神经网络
时间: 2月15日(周五)下午1:00
内容介绍
▼
深度学习网络的功能强大, 但是移动/IOT设备上面的计算资源受限, 无法直接使用, 我会和大家分享适用于移动/IOT设备的深度神经网络
1. MobileNet
2. ShuffleNet
3. EffNet
主讲人介绍
▼
美国微软总部和美国亚马逊总部的资深推荐系统工程师、主导多款核心推荐系统的研发,是人工智能、分布式系统、云计算方面的专家。 博士毕业于美国新泽西理工,拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。曾师从中国科学院王守觉院士从事人脸识别研究、共同发表论文。在美国博士期间,主要研究NASA(美国航天局)支持的基于人工智能的空间天气预测项目。先后在AI相关会议和杂志上发表过15篇以上的论文。
R语言数据分析
时间: 2月16日(周六)晚上8:30
内容介绍
▼
1. 数据可视概述
2. R语言绘图
3. ggplot高级绘图
主讲人介绍
▼
资深算法工程师,北京化工大学硕士,北京航空航天大学博士,东方国信数据挖掘工程师,第四范式NLP工程师,负责过电信终端换机项目、电信套餐升档项目、银行知识图谱项目、证券公司问答系统项目等。
自动驾驶中的方向盘转动方向预测
( Steering Prediction)
时间: 2月17日(周日)下午1:00
内容介绍
▼
- 问题的目标和难点
- 传统的方案:道路检测、车辆检测
- 基于深度学习的端到端学习
- 怎么处理数据不平衡
- 传统模型和端到端模型的比较
主讲人介绍
▼
美国微软总部和美国亚马逊总部的资深推荐系统工程师、主导多款核心推荐系统的研发,是人工智能、分布式系统、云计算方面的专家。 博士毕业于美国新泽西理工,拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。曾师从中国科学院王守觉院士从事人脸识别研究、共同发表论文。在美国博士期间,主要研究NASA(美国航天局)支持的基于人工智能的空间天气预测项目。先后在AI相关会议和杂志上发表过15篇以上的论文。
扫描海报二维码进群
加入免费公开课。
具体主题由学员投票决定
企业开发中代码是如何管理的
一起聊聊AI/数据相关岗位的技能图谱,职业规划,未来前景
一小时弄清楚自然语言处理技术概览以及应用场景
用例子来说明机器学习中的 MLE vs MAP vs 贝叶斯估计的区别
面试必考题:逻辑回归模型以及数学推导
一小时弄清楚什么是卷积神经网络
Python中那些不得不会的算法题目
大话面向对象
爬虫开发过程中那些绕不过的登录怎么办
-
Python结合计算机视觉技术进行验证码识别
高质量的代码必经之路-单元测试该怎么做
Python操作MongoDB
Python操作MySQL
爬虫开发中不得不掌握的正则技术
Python企业开发规范
Python Web开发框架Django入门
Python Web开发框架Flask入门
Python 抓取贴吧评论并进行分析
零基础搭建简单的问答系统
怎么用知识图谱做金融风控系统
利用端到端的学习(end-to-end learning)搭建无人驾驶系统
搭建一个简单的目标检测系统(object detection)
深度学习的可解释性:深入浅出深度学习中的可视化(visualization)
聊聊中美人工智能人才培养、技术创新以及差异性
推荐系统中的常见算法介绍
矩阵分析(Matrix Factorization)详解:推荐系统最离不开的算法
几行代码可以实现的算法: KNN的详解
Metric Learning中的经典:LMNN算法详解
随机梯度下降法中的收敛理论
SGD, Adagrad, Adam算法的详细比较
深入浅出递归神经网络(Recurrent Neural Network)以及应用
RNN中的梯度爆炸以及梯度消减,介绍LSTM
一小时实现图像中的风格迁移(style transfer)
一小时实现语音中的情绪识别(emotion recognition)
基于GraphX做分布式图分析
图嵌入算法详解以及引用
GBDT和XGBoost算法应用以及实现
自适应系统所涉及到的技术要点
机器学习工程需要必备的数学知识
利用目标检测和跟踪算法分析英雄联盟视频
一小时教你怎么搭建GPU训练环境
一小时用Keras搭建人脸识别系统
Google的最新作品BERT模型详解以及实现
一小时实现机器自动写代码系统
(持续更新中。。)
李文哲: 美国南加州大学博士,曾任凡普金科(爱钱进)首席科学家,美国亚马逊/高盛高级工程师,AI量化投资公司首席科学家兼投资总监。在AAAI, KDD, AISTATS等顶会上发表过15篇以上论文,其中3篇获得Best Paper Award,累计数百次引用
袁源:美国新泽西理工博士,美国微软和美国亚马逊的资深推荐专家和技术负责人、主导多款核心推荐系统的研发,是人工智能、分布式系统、云计算方面的专家。拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。在AI会议上发表过20篇以上论文。
蓝振忠:美国卡耐基梅龙大学博士。现任Google科学家,曾任美国智能监控公司的首席科学家, 对视频和多媒体的智能分析有深入研究。他曾代表卡耐基梅隆大学在美国国家标准总局(NIST)举办的视频智能分析大赛中连续多年进入前三。先后在NIPS、CVPR、ICCV、IJCAI、ICDM等国际顶级会议上发表过25篇以上的论文,论文引用次数上千。
史源:美国南加州大学博士,美国AI基金创始人,拥有10多年人工智能领域相关研发和研究经历。卡耐基梅隆大学访问学者,先后在 ICML、AAAI、IJCAI、ICDM等国际顶级会议上发表数篇论文,引用次数高达1000。
周景阳:曾任百度资深工程师,国美和凡普金科的技术负责人。是技术领域、数据分析、知识图谱、视觉等领域的专家。
葛瀚骋:美国Texas A&M大学博士,美国亚马逊Alexa部门资深科学家,负责Alexa的智能化以及个性化的研发与应用,曾任职于美国ebay以及NEC北美实验室。主要的研究涉及到Tensor、社交分析、推荐系统等领域,在KDD、AAAI、SIGIR、RecSys等国际顶级会议上发表15篇以上的论文,数百次的引用。
Q: 如何参与之后的公开课?
扫描下面二维码(或海报)进群
加入免费AI公开课
如遇任何问题,
加greedytech帮你入群。