服务：
- 课程资料下载
- 在线开票
- 提供培训通知
本课适合哪些人学习：
1. 已掌握 Python 基础语法，想进一步学习机器学习的学习者；
2. 想掌握 NumPy、Pandas、Matplotlib、Scikit-learn 和 PyTorch 的学生；
3. 需要学习数据处理、数据清洗、可视化和基础建模方法的科研人员与工程人员；
4. 想训练分类、回归、时序预测和异常数据处理能力的学习者；
5. 计划继续学习深度学习和 AI 综合项目的 Python 学习者。
你会得到什么：
1. 掌握 NumPy、Pandas、Matplotlib、Scikit-learn 和 PyTorch 的基本使用方法；
2. 建立从数据读取、数据清洗、可视化到模型训练的完整流程；
3. 学会完成分类、回归、时序预测和异常数据处理等基础建模任务；
4. 通过 MLP 和 LSTM 项目理解神经网络建模过程；
5. 掌握模型评估、交叉验证、超参数优化和综合项目分析方法；
6. 为后续计算机视觉、智能预测和 AI 综合项目实践打下基础。
课程介绍：
课程体系概览
本课程体系按照“AI办公工具入门—Python基础编程—机器学习与综合建模—AI项目实践”四个阶段逐步推进，帮助学习者从日常办公与科研任务入手，逐步掌握 Python 编程、机器学习工具、建模方法和 AI 项目开发能力。
四阶段课程链接
第一阶段：AI办公工具入门——WorkBuddy十项实战
课程链接：待补充
第二阶段：Python基础编程训练
课程链接：待补充
第三阶段：Python机器学习基础与综合强化建模
课程链接：待补充
第四阶段：AI综合项目实践
课程链接：待补充
第三阶段课程介绍
本阶段由 25 个机器学习基础训练点和 7 个综合强化建模项目组成，共 32 项内容，60条视频。课程重点是帮助学员建立数据处理、可视化、模型训练和基础深度学习能力。
一、机器学习基础训练
1. NumPy：数组创建、数组运算、多维数组、数学函数和高级数组操作；
2. Pandas：Series 与 DataFrame、数据选择、数据清洗、分组、数据合并和文件操作；
3. Matplotlib：基础绘图、子图绘制和分布图形；
4. Scikit-learn：数据预处理、数据集分割、分类模型比较、回归模型比较、模型评估、交叉验证和超参数优化；
5. PyTorch：张量、自动微分、优化器、数据加载、CNN 网络结构、训练脚本和预测测试脚本。
二、综合强化建模项目
1. 基于 MLP 的鸢尾花分类；
2. 基于 MLP 的波士顿房价预测；
3. 基于 MLP 的葡萄酒分类预测与异常值处理对比实验；
4. 基于 LSTM 的航空乘客数据集时间序列预测；
5. 基于 LSTM 的压强到流量预测模型；
6. 以预测线作为输出的 MLP 项目；
7. 多频率时序融合与 LSTM 参数迭代的高精度光伏预测。
学习方式
学员按照课程材料进行自学和跟做练习，并配套 AI 讲解视频。基础训练点用于掌握工具和方法，综合强化项目用于训练完整建模流程。
考核方式
25 个机器学习基础训练点采用网上提交加 AI 评分，达到合格要求即可；7 个综合强化建模项目采用网上提交加 AI 评分，目标为优秀。
使用软件
Python 3.x，建议使用 Python 3.10 及以上版本，并使用 NumPy、Pandas、Matplotlib、Scikit-learn 和 PyTorch。具体版本以课程实际运行环境为准。
课程相关图片：
