行业背景提升实战项目
围绕具体问题完成实践，建立能展示、能解释个人贡献的项目经历。
以下为此类服务的一般说明，本项目的具体要求与内容请结合下方介绍确认。
哪些需求可以考虑这类服务？
- 学过理论或工具，但缺少从问题到成果的完整项目实践。
- 转专业、转岗位，希望建立与目标方向相关的技能与作品。
- 简历中的项目较薄弱，或尚不能清楚解释自己的工作与取舍。
为什么参加实战项目？
- 把学到的知识用于具体问题，练习分析、实现与复盘。
- 根据项目大纲形成可展示的成果，并梳理自己实际完成的部分。
- 练习讲清需求、方案选择、遇到的困难与解决过程，为求职表达积累素材。
如何判断是否适合自己？
不是每个人都需要再参加一个项目。如果你已有充分相关实践，可能更需要面试辅导。培训项目不自动等同于正式工作或实习经历，应如实描述。
项目成果、基础要求、授课形式与时间投入以本项目大纲为准；不同项目不统一承诺代码、报告或上线产品，也不统一采用 1 对 1 授课。
本项目适用人群
本课程整合了工业界常见的机器学习和数据科学的项目，并且融入了极具特色的机器学习项目让你的简历脱颖而出，主要针对数理背景较强的Bachelor/Master学生或者转专业PhD，并且在北美寻求数据科学和机器学习方向工作的学员。
你将收获
你将收获从0到1完成多个业界常用并且受欢迎的数据科学模型
你将收获硅谷FLAG导师推荐信和职位内推
你将收获导师的1:1反馈与点评
你将学习的技能
编程技巧
模型理解
实战项目
课题介绍
我们提供丰富的开源数据，涵盖银行、医疗、电商等各个方面，让学生选择自己感兴趣的方向与课题建模。课程内容涵盖编程技巧、模型理解、实战项目3部分。
课程大纲
课程将以异常检测模型, 欺诈检测, 推荐系统为导向，从模型的数学理论解释、参数选择、编程技巧三方面进行讲解，完整的带领学生从数据收集与清理到建模输出做两个复杂的数据科学项目。学生可以自己定义感兴趣的问题，并在导师指导下选择数据集，结课时展示自己的完整模型与阐释
1
Introduction to Big Data & Data Analysis
考察：Select an interesting topic and dataset to start a data project
授课1小时; 学习1小时
2
Python & SQL for Data Scientist/Machine Learning Scientist -data manipulation -data visualization -machine learning model
考察：Coding tasks: from easy to hard Project: Use Python/R to clean data and visualize data
授课2小时; 学习4小时
3
Design a anomaly detection beyond prediction and correlation Implement several unsupervised models from end to end
考察：Project: feature engineering, dimension reduction
授课3小时; 学习8小时
4
Fraud detection System & Recommendation System -Design a fraud detection system for attacker prevention and recommendation system for product recommendation
考察：Project: Build a machine learning model from scratch and train - validate - test it from end to end
授课5小时; 学习10小时
5
Evaluate the model, interpret the results and tell a good story
考察：Finish the project and get reviewed and feedback from mentor
授课1小时; 学习2小时
课程导师
常见问题
实战项目与学校作业有什么区别？
选择时重点比较问题场景、实践深度、导师反馈和成果要求，而不是只看名称。可结合本项目大纲，确认它能否补足现有课程作业尚未覆盖的能力。
已经有项目经历，还一定要报名吗？
不一定。先看现有项目与目标岗位的相关程度，以及你能否解释自己的贡献；若这些已经充分，面试准备或其他求职支持可能更适合。
实战项目可以写成企业实习吗？
培训项目与正式实习不是同一类经历。应按实际参与形式、工作内容和可核实的事实填写简历，不将培训项目包装成不存在的雇佣经历。
