主要观点总结
文章主要介绍了针对数据岗位求职的课程，包括数据分析和机器学习等知识点的学习，以及不同求职方向的项目实践。文章强调了这个暑假是数据岗备战的关键窗口期，并介绍了课程的亮点和学员的评价。
关键观点总结
关键观点1: 数据岗位求职趋势
文章提到了数据岗位如Data Analyst和Business Analyst的竞争激烈但回报率高的特点，并强调了当前是数据岗求职的关键时刻。
关键观点2: 课程内容和亮点
课程涵盖了概率与统计基础、机器学习、Python入门知识等，同时提供了实战项目，如银行用户预测与分析、电商平台用户评价分析等。课程还有四大亮点，包括扎实的编程课、分track教学、谷歌/麦肯锡师资团队以及免费的求职服务。
关键观点3: 学员评价
文章引用了往期学员的评价，对课程的质量和内容进行了正面肯定。
关键观点4: 报名方式
文章最后提供了报名方式，包括添加课程顾问为好友进行课程报名和求职咨询。
正文
随着互联网的兴起，用户也越来越愿意表达自己的想法。
在本项目中，我们会
使用机器学习的方法来分析某知名电商的用户评价数据
，从文本中发现一些隐含信息和内在联系，进而在未来使用这些信息来帮助我们解决一些商业问题，如提高转化率。
通过本项目，您
可以掌握TFIDF、PCA、Python、K-means聚类算法、自然语言处理等知识
。
课程后期，同学们可以根据自己不同的求职兴趣方向，
选择完成DS/DE或BA/DA track的对应项目
。
时间允许、有能力的同学，也
完全可以两个track同时学习
！
如果选择
DS/DE track
，
🔽
你将学习
🔽
本项目以旧金山地区犯罪数据为例，
带领学员建立从数据采集、清洗、存储、分析的一整套数据分析的工作流
。
通过对于不同地区犯罪数据，天气数据的分析和建模，建立可能的犯罪事件预测机制。
通过本项目，您能
了解到Spark RDD、Spark SQL、OLAP、回归分析、Data Pipeline等数据科学家常用知识与工具
。
推荐系统是互联网公司的现金奶牛。Google、Netflix、Uber、Airbnb、Pinterest等公司都需要拥有推荐系统的设计与开发能力的人才。
本项目以Netflix电影数据为训练数据，
带领学员掌握主流的推荐系统的算法
。
通过本项目，您能并
熟练使用Spark Machine Learning Pipeline建立自己的协同过滤算法
，并
部署推荐系统到生产型环境
。
Kaggle比赛是每一个DS/DA的炼金石
，能够在Kaggle比赛中取得好的排名，是自我能力的最佳体现，也是公司判断人才非常重要的标准。
在本期课程中，我们以Google Gstore销售预测为范例，
带领同学们熟练运用业界常用的LGBM, PyTorch DeepModel来实现自己的算法
，帮助同学们熟悉Kaggle比赛中常用的打法，并且在Kaggle比赛中取得好的名次。
基于Auto-Encoder-Decoder
的
电影推荐
随着深度学习技术的飞速发展，越来越多的互联网公司开始在推荐系统中使用
深度学习
。相对于传统的推荐系统，深度学习可以实现端到端的学习。
本项目以深度学习模型
Auto-Encoder-Decoder
网络为基础，以Imdb电影数据为训练数据，
使用Tensorflow建立Auto-Encoder-decoder模型
。通过模型提取用户及电影特征，最终实现电影的自动推荐。
时间序列（Time Series）
是我们在日常生活和社会工作中十分常见的一种数据，它是通过将一系列时间点上的观测值按等时间间隔测量来获取的数据集合。
本项目
以LSTM为基础
，以股票数据作为训练数据，带您
通过TensorFlow，建立时间序列数据分析的深度学习模型
。
最终实现个股的伴随时间的未来变化趋势，以及对应的大盘指数的变化预测和分析。
