商业分析专题科研项目：基于Python的商业分析研究与实践【大学组】

导师学校介绍

南加州大学（University of Southern California，USC）创立于1880年，坐落于美国加州洛杉矶市中心，是全球领先私立研究型大学，美国最具多元化学府之一，广受全球博才智杰推崇。南加州大学是美国大学协会（AAU；研究型大学联盟，会员门槛极高，被许多机构视为衡量大学学术研究和品质的基准）的成员，在2020年U.S.News全美大学综合排名中位列第22。南加州大学商学院作为美国西海岸最为知名的商学院之一，在商业、会计、管理等领域有着良好的教学经验。根据2016-2020年UTD全球商学院科研排名百强榜，南加州大学马歇尔商学院位列全球第6名。

导师详细介绍

导师昵称

Stephen

导师级别

正教授

导师学校

南加州大学(USC)

Stephen导师任职于南加州大学马歇尔商学院，主要研究方向是数据科学、欺诈分析和商业分析等学科。导师同时被加州大学圣地亚哥分校和加州大学洛杉矶分校高薪聘请兼任商学院教授职务。Stephen导师不仅仅在学术教学上有着丰富的经验，他在专业领域的职业经验在众多名校导师中独树一帜。导师曾任ID Analytics（LifeLock和Symantec旗下的身份资讯保护公司）公司首席分析师及首席科学官和美国Casa Systems,Inc.（网络基础设施解决方案公司）联合创始人。2004-2005年间，Stephen导师在财经界称为“大摩”的顶级投行摩根士丹利担任执行董事，与多名金融资本大咖共事。Stephen教授作为一名科学家，同时拥有多项专利，在数据科学和商业分析的交叉学科中开创了多个先河，他的著作也多次被相关学院和学科作为授课教材。Stephen教授在其他学科也有着丰富的建树，他早在80年代便取得了音乐专业的本硕学位，同时也取得了核能工程的硕博学位。

Dr.Stephen is currently an Adjunct Professor of Data Sciences at USC Marshall School of Business.As Chief Analytics and Science Officer for ID Analytics,an identity fraud protection company owned by LifeLock and later acquired by Symantec,Dr.Stephen has worked closely with the executive team since the company’s inception and has been instrumental in building their initial technical team and product roadmap.He has been a pioneering proponent of the use of advanced mathematical analytics in information management at Morgan Stanley and has spent his 20-plus year career leading scientists to build practical solutions to difficult business programs using advanced analytics.

适合人群

方向：金融商科

专业：商业

适合专业：软件工程,商业分析,机器学习,金融学,数据科学,数据分析,人工智能,风险管理,商业统计,编程语言

项目价格：33800/19800

项目周期：7周在线小组科研+5周论文辅导

是否建议高中生学习：否

是否建议大学生学习：是

语言：英文

难度：中级/高级难度

建议具备的基础：对商业分析、商业统计、数据科学、数据处理、机器学习、深度学习、信息安全等专业和课题感兴趣，相关专业或希望在相关领域深入学习的学生

具备Python基础知识，数学逻辑良好的学生优先

科研项目产出

7周在线小组科研学习+5周论文指导学习共125课时+不限时论文指导

学术报告

优秀学员获主导师Reference Letter

EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表指导（可用于申请）

结业证书

成绩单

项目介绍

机器学习是使用统计建模算法来解决大型数据集的实际定量问题。机器学习在整个科学和商业中被广泛使用，用于研究和实际解决常见或不寻常的商业问题。本项目将带领学生学习监督学习与无监督学习、过度拟合、训练数据、测试数据、验证数据、线性回归和逻辑回归、决策树算法、提升树算法、随机森林、神经网络、支持向量机、聚类、维度诅咒、特征选择、正则化、主成分分析、拟合优度度量、数据准备、缺失值填充、异常值、特征工程、分类变量编码、模糊匹配等机器学习基础知识及数据挖掘经典算法，项目结束时提交项目报告，进行成果展示。

Machine Learning is the use of statistical modeling algorithms to solve practical quantitative problems around large data sets.The mainline practices are building either supervised or unsupervised algorithms that can be used for data analysis,predictions,and forecasts.The main processes in machine learning are data exploration,analysis,cleaning,building expert variables,applying linear or nonlinear fitting algorithms,and evaluation of results.There are many kinds of statistical and machine learning algorithms including linear and logistic regressions,decision trees,boosted trees,random forests,neural nets,support vector machines,k nearest neighbors,Bayesian networks,and clustering algorithms.

项目背景

大数据时代到来，数据成为企业及社会重点关注的战略资源。怎样才能在浩瀚的数据海洋中利用成熟的统计分析和数据挖掘技术，进行高效的商业分析以获取利益最大化？对数据挖掘而言，数据库提供数据管理技术，而机器学习和统计学则能够提供数据分析技术。项目将带领学生学习机器学习算法的基本问题和步骤、了解其在数据挖掘领域的应用，并充分利用所学知识解决客户细分及反欺诈等实际问题。

In the world of Big Data,data has become a strategic resource that enterprises and society focus on.How can we use mature statistical analysis and data mining techniques to conduct efficient business analysis to maximize benefits?Databases provide data management techniques,while machine learning and statistics provide data analysis techniques.The project will lead students to learn machine learning algorithms,understand its application in the field of data mining,and solve practical problems such as customer segmentation and anti-fraud.

项目大纲介绍

监督学习与无监督学习、过度拟合、训练数据、测试数据、验证数据、线性回归和逻辑回归ML modeling basics;training/testing/validating data sets;linear regression

决策树算法、提升树算法、随机森林、神经网络、支持向量机Nonlinear ML algorithms

聚类、维度诅咒、特征选择、正则化、主成分分析、拟合优度度量Clustering,curse of dimensionality,feature selection,regularization,PCA,model measures of goodness.

数据准备、缺失值填充、异常值、特征工程、分类变量编码、模糊匹配Data preparation

实操演练：机器学习、数据挖掘在客户细分及反欺诈等实际问题中的运用ML applications,such as in marketing segmentation,fraud score

项目回顾与成果展示Program Review and Presentation

论文辅导Project Deliverables Tutoring

>>没有教授推荐信，缺少科研经验？点击这里提升背景<<