课程大纲

介绍与团队Use Case选择

  • 工业环境中AI的概述
  • 用例类别:质量、维护、能源、物流
  • 团队组建与项目目标界定

理解与准备工业数据

  • 工业数据类型:时间序列、表格、图像、文本
  • 数据获取、清洗与预处理
  • 使用Pandas和Matplotlib进行探索性数据分析

模型选择与原型设计

  • 在回归、分类、聚类或异常检测之间选择
  • 使用Scikit-learn训练与评估模型
  • 使用TensorFlow或PyTorch进行高级建模

结果可视化与解释

  • 创建直观的仪表板或报告
  • 解释性能指标(准确率、精确率、召回率)
  • 记录假设与局限性

部署模拟与反馈

  • 模拟边缘/云部署场景
  • 收集反馈并改进模型
  • 与运营集成的策略

毕业项目开发

  • 最终确定与测试团队原型
  • 同行评审与协作调试
  • 准备项目演示与技术总结

团队演示与总结

  • 演示AI解决方案概念与成果
  • 小组反思与经验总结
  • 组织内扩展用例的路线图

总结与下一步

要求

  • 对制造或工业流程的理解
  • 具备Python和基础机器学习的经验
  • 能够处理结构化和非结构化数据

受众

  • 跨职能团队
  • 工程师
  • 数据科学家
  • IT专业人员
 21 小时

即将举行的公开课程

课程分类