├── 1 数据科学概述
├── 2 数据科学的应用场景
├── 3 数据科学与客户智能
├── 4 数据科学基本概念
├── 5 案例：利用RFM营销模型代码演示分析流程（一）
├── 6 案例：利用RFM营销模型代码演示分析流程（二）
├── 7 案例：利用RFM营销模型代码演示分析流程（三）
├── 8 案例：利用RFM营销模型代码演示分析流程（四）
├── 9 案例：利用RFM营销模型代码演示分析流程（五）
├── 10 数据科学家的角色及功能
├── 11 数据科学家的能力范畴
├── 12 CRM 数据分析涉及的技术与业务
├── 13 CRM 数据挖掘常用分类算法举例（上）
├── 14 CRM 数据挖掘常用分类算法举例（下）
├── 15 金融行业客户生命周期价值在企业中的实际应用
├── 16 金融行业客户获取与价值预测在企业中的实际应用
├── 17 金融行业初始和行为信用评级在企业中的实际应用
├── 18 金融行业客户洞察原理及在企业中的实际应用
├── 19 金融行业交叉销售原理及在企业中的实际应用
├── 20 金融行业复杂网络反欺诈原理及在企业中的实际应用
├── 21 金融行业客户流失预测与挽留在企业中的实际应用
├── 22 基于客户生命周期的数据分析代码案例（上）
├── 23 基于客户生命周期的数据分析代码案例（下）
├── 24 案例：实战个人贷款违约预测模型（一）
├── 25 案例：实战个人贷款违约预测模型（二）
├── 26 案例：实战个人贷款违约预测模型（三）
├── 27 案例：实战个人贷款违约预测模型（四）
├── 28 案例：实战个人贷款违约预测模型（五）
├── 29 案例：实战个人贷款违约预测模型（六）
├── 30 案例：实战个人贷款违约预测模型（七）
├── 31 案例：实战个人贷款违约预测模型 – 基于PySpark的实现 （上）
├── 32 案例：实战个人贷款违约预测模型 – 基于PySpark的实现 （下）
├── 33 案例：实战银行零售产品的交叉营销 – 场景、原理与企业应用
├── 34 案例：实战银行零售产品的交叉营销 – 关联规则挖掘算法
├── 35 案例：实战银行零售产品的交叉营销 – 购物车算法分析
├── 36 案例：实战银行零售产品的交叉营销 – Python+Spark大数据开发环境搭建（上）
├── 37 案例：实战银行零售产品的交叉营销 – Python+Spark大数据开发环境搭建（下）
├── 38 案例：实战银行零售产品的交叉营销 – 关联规则算法代码实现（基于PySpark）
├── 39 案例：实战银行零售产品的交叉营销 – 关联规则算法详解
└── 40 案例：实战银行零售产品的交叉营销 – Apiri算法原理及代码实现（基于PySpark）
