1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
       2、課程完成后,授課老師留給學員手機和Email,保障培訓效果,免費提供半年的技術支持。
       3、培訓合格學員可享受免費推薦就業機會。☆合格學員免費頒發相關工程師等資格證書，提升職業資質。專注高端技術培訓15年，端海學員的能力得到大家的認同，受到用人單位的廣泛贊譽，端海的證書受到廣泛認可。

第一部份：Crowdflower Search Results Relevance
案例介紹：預測來自電子商務站點的搜索結果的準確性，將搜索得到的網頁按相關性排序
獲獎者所用方法：通過ensemble learning整合多個模型的結果
涉及算法：Ensemble learning

第二部份：Santander Product Recommendation
案例介紹：根據銀行客戶1.5年內的行為數據，預測用戶會下一步會投資的新產品
獲獎者所用方法：通過XGBoost構建了多個基本模型，然后將基本模型整合為一個總模型
涉及算法：XGBoost

第三部份：TalkingData Mobile User Demographics
案例介紹：根據用戶的手機應用下載和使用行為來預測用戶的人口統計數據（年齡、性別等）
獲獎者所用方法： 先預測性別的概率；使用性別的預測值作為額外的特征加入到模型中，預測年齡；通過條件概率得到兩個目標變量的預測概率
涉及算法：兩段預測，XGBoost

第四部份：Facebook V: Predicting Check Ins
案例介紹：預測用戶會在哪個地方登陸Facebook
獲獎者所用方法：特征選擇：數據塊的最近鄰計算；模型構建：基于XGBoost的兩步模型
涉及算法：XGboost

第五部份：Avito Duplicate Ads Detection
案例介紹：為了避免賣家發布各種經過少量改動的廣告導致買家難以分辨，參賽者需要設計一個模型，自動識別配對中的廣告是否同一個廣告
獲獎者所用方法：特征選擇：采用了FTIM方法測試特征的不穩定性，提出過度擬合的特征。通過XGBoost和Keras構建一層模型；然后通過底層模型構建XGBoost 和隨機森林，最終綜合兩者結果得到最終結果
涉及算法：FTIM；元模型

第六部份：Outbrain Click Prediction
案例介紹：在一組針對用戶推薦內容中，預測用戶點擊每個鏈接的可能，將這些推薦內容按照點擊可能的大小排序
獲獎者所用方法：兩步元模型：通過LibFFM構建第一層模型，再使用XGBoost和Keras構建第二層模型
涉及算法：LibFFM；XGBoost；Keras框架

第七部份：Click-Through Rate Prediction
案例介紹：預測某個廣告是否會被點擊
獲獎者所用方法：將數據拆分成不同的子集，構建不同的子模型，再整合
涉及算法：LIBFFM

第八部份：Avito Context Ad Clicks
案例介紹：預測俄羅斯較大的一般分類網站的用戶在瀏覽網站時，是否點擊上下文廣告
獲獎者所用方法：預處理：散列技巧和消極的抽樣。 學習方法：FFM、FM和XGBoost。
涉及算法：FFM；FM；XGboost

第九部份：Rossmann Store Sales
案例介紹：預測Rossmann公司各個門店的6周銷售量
獲獎者所用方法：分類特征的處理：創建了一種 Entity Embedding（實體嵌入）的方法去代表在多維空間中的分類特征。
涉及算法：Entity Embedding；神經網絡

第十部份：Amazon.com - Employee Access Challenge
案例介紹：根據員工的職業角色，預測員工的訪問需求
獲獎者所用方法：11個模型的線性組合：使用不同特征訓練的GBM模型，GLNNET模型，隨機森林模型，logistic回歸模型
涉及算法：GBM模型，GLNNET模型，隨機森林模型，logistic回歸模型