【课程背景】

在当下企业数字化转型与AI赋能爆火的时代，大型企业的数据中心，也非常需要加快数字化的进程，实现产业的升级，从而为企业实现，以更低的成本，创造更大的经济价值。然而，在AI算法赋能和数据挖掘业务中，通常面临以下痛点：

1、对企业数字化的认知不足，不了解如何进一步有效推进数据化；

2、AI算法与数据挖掘从原理到企业赋能应用过程中，对于非AI行业从业者，技术阻 碍较大；

3、对数据驱动业务战略方面有一定技术障碍，较难攻克；

4、对自己的需求不是特别清楚，进而，对当前AI在自己行业的赋能成本认知不准， 导致预算超支或直接砍掉预算；

5、对AI相关核心原理认知不足，导致不能深挖AI在自己行业业务的赋能深度与维度；

6、不了解使用AI的潜在风险，从而导致过度防范AI或者预防不当；

本课程针对企业的数据中心的以上痛点，进行深度挖掘，帮助相关工程师，在AI时代，首先在思维意识上觉醒，以通俗易懂的方式较为完整的认知他们该认知的AI原理与概念，并在较为完整的横向认知AI应用场景的基础上，在自己行业的业务上具有一定纵深的学习AI算法在数据中心相关业务场景的实战，以实现基本掌握使用AI算法进行数据中心业务场景的赋能应用。**终实现带领数据中心相关工程师基于AI赋能日常业务，从而实现，拥抱AI，为日常工作业务提升效率，以更低的成本，为企业创造更大的经济价值！

【课程收益】

Ø 以合理的深度与维度认知企业数字化，为企业发展提供战略发展的辅助分析

Ø 学会使用AI算法与数据挖掘技术进行一些日常业务的基本赋能

Ø 思维意识觉醒，完整横向认知到AI算法与数据挖掘对自己行业的赋能维度

Ø 完成必备的AI算法与数据挖掘基础知识的学习

【课程特色】

干货，从理论到实战快速应用AI算法与数据挖掘；

实战，学之能用；

深入结合学员日常业务场景进行AI算法与数据挖掘应用实战

【课程对象】

数据中心相关工作人员

【课程时间】

4-5天（6小时/天）

【课程大纲】

一、当前企业数字化发展趋势解析

一、数字化基础概述

1、什么是数字化

2、数字化的意义

3、数字化的背景

二、当前中国企业数字化发展的进程与趋势

1、数字化发展初期阶段——信息检索系统

2、数字化发展中期阶段——逐步整合数据，形成数据驱动的决策支持体系

3、数字化发展当前阶段——基于AI技术与相关硬件技术，数字化迅猛发展

4、数字化发展未来趋势—— AGI

三、对于企业，当前推动数字化解析

1、数字化推进落地的潜在难点解析

2、增效降本减负的美好蓝图展望

二、AI算法解析

一、AI相关基础知识

1、基于函数初识AI

2、AI相关核心原理解析

3、AI相关核心概念

二、AI技术领域分支介绍与解析

1、机器学习

2、深度学习

3、联邦学习

4、大模型

三、机器学习迭代流程

1、数据采集

2、数据EDA分析

3、数据预处理

4、特征提取

5、特征选择

6、模型选择设计与训练

7、模型评估

8、模型保存与部署

9、模型读取与预测

四、机器学习算法——决策树系列算法（算法原理、特点、场景化应用演示）

1、单棵树算法：id3、c4.5、cart

2、决策树集成模型：

Ø bagging系列：随机森林

Ø boosting系列：GBDT、XGB、LGB

3、决策树模型场景化应用演示

五、机器学习算法——逻辑回归

1、逻辑回归算法原理

2、逻辑回归算法特点

3、逻辑回归模型场景化应用演示

六、机器学习算法——贝叶斯

1、贝叶斯算法原理

2、贝叶斯算法特点

3、贝叶斯模型场景化应用演示

七、机器学习算法——KNN

1、KNN算法原理

2、KNN算法特点

3、KNN模型场景化应用演示

八、机器学习算法——k-means

1、kmeans算法原理

2、kmenas算法特点

3、kmeans模型场景化应用演示

九、深度学习神经网络模型——CNN

1、深度学习神经网络模型通用架构与迭代流程解析

2、CNN模型工作过程与原理解析

3、CNN场景化应用演示

十、深度学习神经网络模型——RNN

1、RNN模型工作过程与原理解析

2、RNN场景化应用演示

十一、AI算法应用领域解析

1、智能推荐

2、计算机视觉

3、自然语言处理

4、智能路径规划

5、OCR技术

十二、AI发展趋势解析

1、机器学习与深度学习时代

2、AIGC

3、AGI

三、AI算法场景化实战演练

一、python环境部署

1、python编程环境构成介绍

2、python编辑器说明与安装

3、python解释器说明与安装

4、python编辑器基本使用说明

5、python项目构建

6、python第三方库原理与介绍

7、python第三方库管理

二、邮政银行客户投诉预测

1、业务场景解析

2、场景化迭代流程实战演练

三、邮政快递客户流失预测

1、业务场景解析

2、场景化迭代流程实战演练

四、邮政快递客户复购行为预测

1、业务场景解析

2、场景化迭代流程实战演练

五、企业监控系统的目标识别

1、业务场景解析

2、场景化迭代流程实战演练

四、数据挖掘与分析实战演练

一、数据挖掘与分析迭代流程解析与实战

1、数据EDA分析

2、数据预处理

3、特征工程

4、基于数据分析策略解析

Ø 数据描述性统计信息分析

Ø 数据趋势分析

Ø 数据聚类分析

Ø 数据关联分析

Ø 数据业务场景可视化

Ø 基于机器学习模型的数据预测分析

二、数据分析报告撰写

1、分析报告标题设计

2、数据源说明

3、数据缺失与异常分析

4、数据分析结果解析

Ø 数据基本统计信息解析

Ø 基于业务场景的数据趋势解析

Ø 基于业务场景的数据聚类解析

Ø 基于业务场景的数据关联解析

Ø 基于业务场景的数据可视化结果解析

Ø 机器学习预测记过解析

三、数据分析整体总结与计划分析

五、数据营销案例解析

一、基于数据可视化的邮政银行网点战略布局

1、业务场景解析

2、数据可视化实战演练

3、基于数据可视化的业务战略布局分析

二、基于数据可视化的邮政快递业务城市地区战略布局

1、业务场景解析

2、数据可视化实战演练

3、基于数据可视化的业务战略布局分析

六、课程回顾与总结