中关村数据科学培训

这种由讲师指导的 中关村 现场培训（在线或现场）面向希望了解预训练模型概念并学习如何应用它们来解决实际问题而无需从头开始构建模型的初级专业人员。

在本次培训结束时，参与者将能够：

• 了解预训练模型的概念和优势。
• 探索各种预先训练的模型架构及其使用案例。
• 针对特定任务微调预先训练的模型。
• 在简单的机器学习项目中实施预训练模型。

本课程为讲师指导的培训，在 中关村（线上或线下）进行，面向希望使用 AWS Cloud9 简化数据科学工作流程的中级数据科学家和分析师。

培训结束后，参与者将能够：

• 在 AWS Cloud9 中设置数据科学环境。
• 在 Cloud9 中使用 Python、R 和 Jupyter Notebook 进行数据分析。
• 将 AWS Cloud9 与 AWS 数据服务（如 S3、RDS 和 Redshift）集成。
• 使用 AWS Cloud9 进行机器学习模型的开发和部署。
• 优化基于云的数据分析和处理工作流程。

本次由讲师指导的培训（线上或线下）面向中级参与者，旨在帮助他们使用Apache Airflow自动化和管理机器学习工作流，包括模型训练、验证和部署。

培训结束后，参与者将能够：

• 设置Apache Airflow以进行机器学习工作流编排。
• 自动化数据预处理、模型训练和验证任务。
• 将Airflow与机器学习框架和工具集成。
• 使用自动化管道部署机器学习模型。
• 监控和优化生产中的机器学习工作流。

本次由讲师主导的培训在中关村（线上或线下）进行，面向初学者级别的数据科学家和 IT 专业人士，旨在帮助他们学习使用 Google Colab 进行数据科学的基础知识。

在培训结束后，参与者将能够：

• 设置和导航 Google Colab。
• 编写和执行基本的 Python 代码。
• 导入和处理数据集。
• 使用 Python 库创建可视化。

Python 是一种在金融行业中广受欢迎的程式语言。它被大型投资银行和对冲基金采用，用于构建各种金融应用程式，从核心交易程式到风险管理系统。

在这场由讲师指导的现场培训中，学员将学习如何使用 Python 开发实际应用程式，以解决一系列特定的金融相关问题。

培训结束时，学员将能够：

• 理解 Python 程式语言的基本原理
• 下载、安装并维护用于在 Python 中创建金融应用程式的最佳开发工具
• 选择并利用最合适的 Python 套件和程式技术来组织、可视化和分析来自各种来源（CSV、Excel、数据库、网络等）的金融数据
• 构建解决资产配置、风险分析、投资绩效等问题的应用程式
• 对 Python 应用程式进行故障排除、集成、部署和优化

目标受众

• 开发人员
• 分析师
• 量化分析师

课程形式

• 部分讲授、部分讨论、练习和大量实践操作

注意事项

• 本培训旨在为金融专业人员面临的一些主要问题提供解决方案。如果您有特定的主题、工具或技术希望补充或进一步详细说明，请联系我们进行安排。

深入探讨使用Python进行数据科学与人工智能的实用方法，为专业人士提供探索数据、构建机器学习模型以及在业务场景中部署AI驱动应用的技能；涵盖CRISP-DM工作流、统计分析、监督与无监督学习、使用Tensorflow进行深度学习、自然语言处理、使用Spark处理大数据以及数据驱动讲故事；适合初学者获取Python数据科学认证和职业准备的分析培训。

KNIME分析平台是数据驱动创新的领先开源选择，帮助您发现数据中隐藏的潜力，挖掘新的见解，或预测未来。拥有超过1000个模块、数百个即用示例、全面的集成工具集以及最广泛的高级算法选择，KNIME分析平台是任何数据科学家和业务分析师的完美工具箱。

本课程为KNIME分析平台提供了理想的机会，适合初学者、高级用户和KNIME专家，介绍KNIME，学习如何更有效地使用它，并基于KNIME工作流创建清晰、全面的报告。

本次由讲师主导的培训（线上或线下）面向希望使用KNIME解决复杂业务需求的数据专业人士。

目标受众是不懂编程，但希望使用前沿工具实现分析场景的人员。

培训结束后，学员将能够：

• 安装和配置KNIME。
• 构建数据科学场景。
• 训练、测试和验证模型。
• 实现数据科学模型的端到端价值链。

课程形式

• 互动讲座和讨论。
• 大量练习和实践。
• 在实时实验室环境中进行实操。

课程定制选项

• 如需为本课程定制培训或了解更多信息，请联系我们安排。

这项由讲师指导的中关村（线上或线下）培训，针对中级数据分析师、开发人员或有志成为数据科学家的人士，旨在应用机器学习技术于Python中，以提取洞察、进行预测并自动化数据驱动的决策。

在本课程结束时，参与者将能够：

• 理解并区分关键的机器学习范式。
• 探索数据预处理技术和模型评估指标。
• 应用机器学习算法解决实际数据问题。
• 使用Python库和Jupyter笔记本进行实作开发。
• 构建用于预测、分类、推荐和聚类的模型。