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。
