用Python构建Amazon产品推荐系统
如果你主动向客户展示了一系列产品，他们更有可能购买他们原本没有计划购买的产品。冲动购买的现象受到网店配置的极大限制。同样的情况在实体店却不会发生。最大的实体零售连锁店让顾客走一条精确的路径，以确保他们在离开商店之前参观商店的每一条货架间的过道。像Amazon这样的网店可以通过推荐系统重现冲动购买现象。推荐系统识别客户刚刚购买或观看的最相似或互补的产品。其目的是将网店通常缺乏的随机购买现象最大化。在Amazon 上购买使我对机制非常感兴趣，我想重新创建（实际上是部分重新）他们推荐系统的结果。
五本顶级的数据清理和特征工程书籍
数据清理和特征工程是数据科学家日常工作的重要部分，这是每天必做的事情，能够有效地清理数据和设计功能，将达到事半功倍的效果。要想扩展你的知识和技能，你可以找到很多这方面的书，我浏览了大部分，本文将推荐五本顶级的数据清理和特征工程书籍。
三代BI（商业智能）工具的演变
管运营团队已经获得了很大的自主权，但数据团队仍然插手了太多工作。我们要做的，是消除运营团队对数据团队的依赖，让数据团队能够专注于更深层次的工作，让其他团队能够各司其职，不被烦扰。那么，我们要如何做到这一点呢？先让我们看看过去几十年BI的演变吧！三代BI工具分别是：传统BI、自助式BI和增强分析。BI工具发展的特点是逐渐将运营团队/领域专家从数据团队和IT中解放出来。
0经验？一样能成为一名成功的数据科学顾问！
当你提交了300份简历，终于得到一个基础岗位的应聘机会后，还有500个应聘者等着与你竞争这个岗位。但是，不管怎么说，同样是在数据科学行业工作，为什么不去成为一名数据科学顾问呢?当你可以自立门户时，为什么要与那么多应聘者作斗争呢？7分钟时间，让本文告诉你如何成为一名数据科学顾问。
七个实用的Python机器学习库
谚语说“你不必重新发明轮子”，数据库就是最好的例子。它帮助你以简单的方式编写复杂而耗时的功能。根据我的说法，一个好的项目需要一些最好的数据库。在这里，我整理了七个有用的Python库，这些数据库将有效帮助你进行机器学习的开发。
3步走方略——用Python为数据科学项目收集数据
一个网页的数据可能并不齐全，无法满足我们所需，或者它可能有一些不一致性，导致我们只爬取了一部分数据。我从世界杯网页上爬取1930到2022的足球比赛时，这种情况就发生在我身上了。我只爬取了部分数据，而不是全部。在这篇文章中，我们将使用Selenium从头开始爬取剩余的足球比赛数据，以便稍后在项目中使用这些数据。
担任数据科学经理的前半年，我学到了什么？
结合自身情况，我写下了这篇文章，希望能帮助到大家。在这篇文章中，我将先写在工作后我面临的最大挑战：1.适应非科技性的公司2.招聘和雇用（在某些情况下，与1相关）。当然，这并不是全部，但我想从这两条讲起，因为它们至少占用了我一天的四分之三。
