1.Udacity数据分析（入门） -->2018.04 已完成（证书）
- Python入门 ; pandas ； SQL ; 数据分析入门 ； 数据可视化 ；统计学基础
2.Udacity数据分析（进阶） -->2018.07 已完成(证书)
- 数据挖掘 ； 数据评估及清洗；R语言；Tableau可视化
3.Udacity数据科学家 -->2019.09 已完成(证书)
- 有监督学习；深度学习；无监督学习；软件工程；数据工程；统计实验设计；推荐系统；Spark及云服务
技能：Spark、有监督学习
描述：利用AWS与Spark对12GB的Sparkify用户数据进行清洗、特征构造及建模，预测用户是否会取消会员订阅，最终取得了0.7045的F1-score。
项目开源链接：Github
技能：推荐系统、有监督学习
描述：利用Knowledge Based，Collaborative Filtering Based ，Content Based以及机器学习的方法对音乐软件Sparkify构造新老用户的推荐系统。
项目开源链接：Github
技能：实验设计、有监督学习
描述：利用A/B-test及有监督学习模型优化Starbucks营销的增量回应率(IRR)与净营收增量(NIR)，IRR由0.0077提升至0.0228，NIR由-759.95提升至298.10；
项目开源链接：Github
技能：无监督学习、特征工程
描述：利用Bertelsmann提供的德国人口普查数据与Arvato提供的客户数据，使用无监督学习方法去做市场细分，筛选潜在客户，并进行精准营销。
项目开源链接：Github
技能：深度学习、Pytorch
描述：利用深度学习算法CNN构建花卉图像分类器，并部署成命令行应用。我在本项目中，利用Pytorch对数据进行加载和预处理，并利用多种CNN算法训练图像分类器，最终达到了80%以上的准确率。
项目开源链接：Github
技能：有监督学习、scikit-learn
描述：依据人口普查数据，挖掘更有可能像慈善机构捐款的人物特征。我在本项目中对慈善机构CharityML 提供的数据进行清洗、特征选择与构造，对比利用多种有监督学习方法，并择优调优，最终实现了正确率0.8707，F1-score 0.8683的结果。
项目开源链接：Github
技能：数据分析、可视化、pandas、matplotlib、seaborn
描述： 通过不同的方式收集推特用户 @dog_rates 的档案，对收集的数据进行清洗，完成分析及可视化！其中数据清洗部分是难点。
链接：Github
技能：数据分析、可视化
描述：此项中使用了两个数据集，一个来自联邦调查局 (FBI) 的全国即时犯罪背景调查系统 (NICS)，另一个数据集收纳了美国的人口普查的州级数据 (U.S. census data)，对两个数据集进行探索性数据分析，进行可视化，得出结论。
链接：GitHub
技能：统计学、statsmodels
描述：利用某电子商务网站运行的 A/B 测试的数据，利用统计学知识来帮助公司弄清楚他们是否应该使用新的页面，保留旧的页面，或者应该将测试时间延长，之后再做出决定。
链接：Github
技能：R语言数据分析
描述：在p2p企业中，用户还款逾期会对公司的资金链产生冲击，欠款金额越高，逾期时间越久，冲击就会越大，为了减少这种冲击，我们应该尽可能的降低逾期事件的概率。 所以在此项目中，我们的目标是通过对现有数据的分析及可视化，并引入了新变量逾期比指出具有哪些特征的标容易逾期。
链接：Github
技能：Excel、SQL
描述：使用SQL从数据库中提取数据，并在Excel中完成数据处理和可视化，得出结论。
链接：Github
技能：Tableau
描述：使用Tableau创建一个数据分析故事，并做分享。
链接：Github