6 天 · 48 课时 · AI 全链路实战

AI 机器学习与 深度学习实战

从数据特征到模型训练，贯通 NLP 大模型应用与 OpenCV 视觉处理

系统学习特征工程、回归与分类、KNN、决策树、随机森林、SVM、朴素贝叶斯、集成算法、神经网络、Embedding 与视觉分析，在案例中建立可迁移的 AI 实战能力。

查看模块 课程咨询
6 天 循序深入 AI 能力体系
48 课时案例与练习实践
ML + DL 经典算法与神经网络
NLP + CV 语言与视觉双场景

COURSE OVERVIEW

用一套完整的 AI 方法链，把数据转化为可用的模型与应用

AI 实战不仅是调用一个模型，更包括理解数据、选择方法、评估效果、调优参数，并把结果落入真实业务场景。课程从机器学习的工作流程和特征工程起步，逐步进入监督学习、集成算法、神经网络与无监督学习。

后半段延伸到大模型、Prompt、Embedding 和聊天机器人，再进入 OpenCV 图像与视频处理。你将看到语言、视觉与经典算法如何连接，形成能够持续拓展的 AI 技术视野。

数据与评估 理解数据集划分、混淆矩阵、ROC、过拟合与模型保存
特征与算法 覆盖编码、标准化、降维、回归、分类、聚类与调参
语言智能 从中文分词与文本分类，到 Prompt、Embedding 和问答应用
视觉分析 使用 OpenCV 处理图像、视频、轮廓、模板与人脸识别场景

LEARNING PATH

六天形成从数据到语言与视觉应用的 AI 实战闭环

每一天都在前一天的基础上拓展：先让模型“看懂”数据，再学习如何预测、分类、聚类、生成语言智能与处理视觉信息。

01

数据理解与特征

建立机器学习流程、数据划分、评价指标和特征工程基础。

02

降维与树模型

掌握 PCA、KNN、决策树、随机森林及交叉验证调参。

03

回归、分类与聚类

学习线性/逻辑回归、正则化、SVM 与 K-Means 等方法。

04

文本与神经网络

进入文本特征、朴素贝叶斯、集成算法和多层神经网络。

05

大模型与 Embedding

用 Prompt、向量、相似度和 Streamlit 构建语言智能应用。

06

OpenCV 视觉处理

在图像与视频任务中完成检测、识别和综合案例实践。

COURSE FOCUS

兼顾算法原理、调参方法与跨场景应用

01

数据与特征工程

从数据集、评价指标和样本不均衡问题出发，学习编码、标准化、离散化、降维与特征选择。

02

经典机器学习算法

贯通 KNN、决策树、随机森林、线性回归、逻辑回归、SVM、朴素贝叶斯与聚类方法。

03

模型评估与调优

把交叉验证、网格搜索、正则化、梯度下降和超参数优化带入模型构建过程。

04

集成学习与神经网络

理解 AdaBoost、GBDT、XGBoost 的集成思路，并建立多层神经网络的基本认识。

05

NLP 与大模型应用

从文本清洗、分词、TF-IDF 走向 Prompt、Embedding、相似度、问答和推荐应用。

06

图像与视频视觉分析

运用 OpenCV 处理色彩、变换、形态学、边缘、轮廓与目标识别等视觉任务。

FULL CURRICULUM

课程模块与学习安排

从机器学习基础逐步深入到 NLP 和计算机视觉，六天安排覆盖算法原理、工具实践、调参与可落地案例。

DAY 01

机器学习与特征工程

建立数据、模型、评估与特征处理的基础

  1. 01
    机器学习工作流程 理解分类与回归、sklearn、数据集解析与划分、评价指标、混淆矩阵、ROC、过拟合与模型保存。
  2. 02
    特征工程方法 学习 One-Hot 编码、标签数值化、预处理、标准化、归一化、连续变量离散化与过滤式降维。
  3. 03
    特征工程案例 结合样本不均衡问题与特征处理案例，建立面向训练效果的数据准备思维。
DAY 02

降维、KNN 与树模型

用距离、划分和集成方法理解分类与回归

  1. 04
    PCA 与因子分析 理解主成分分析和因子分析原理，并通过图像降维案例学习 sklearn 的实现方式。
  2. 05
    KNN 算法 掌握 KNN 分类与回归、算法实现、案例解析与关键参数调优方法。
  3. 06
    决策树与随机森林 学习树模型构造、超参数、交叉验证、网格搜索，以及红酒分析、乳腺癌分类等案例。
DAY 03

回归、SVM 与聚类

从连续预测到边界分类，再到无监督发现

  1. 07
    线性回归与正则化 覆盖一元、多元、多项式回归，岭回归、Lasso、梯度下降与超参数调优。
  2. 08
    逻辑回归与支持向量机 理解逻辑回归、线性与非线性 SVM、核函数、多项式核函数及模型调优。
  3. 09
    聚类算法 学习 K-Means 的原理、实现与评估指标，并认识层次聚类的使用场景。
DAY 04

文本分析与神经网络

处理文本特征，连接集成学习和深度学习

  1. 10
    朴素贝叶斯与文本分类 理解多项式、伯努利、高斯朴素贝叶斯，并完成文本分类和垃圾邮件分类案例。
  2. 11
    文本特征与集成算法 学习中文分词、TF-IDF、文本清洗、酒店推荐，以及 AdaBoost、GBDT、XGBoost 的实现与调参。
  3. 12
    神经网络基础 理解深度学习与多层神经网络，并使用 sklearn 完成神经网络回归案例。
DAY 05

大模型与 NLP 应用

从 Prompt 到向量检索，构建可交互语言应用

  1. 13
    大模型与 Prompt 认识大模型、提示词工程、多轮对话与不同大模型 API 的应用方式。
  2. 14
    Embedding 与语义相似度 创建向量、理解余弦相似度，并使用 Embedding 支撑文本推荐、聚类、问答和分类。
  3. 15
    聊天机器人应用 使用 Streamlit 组织交互界面，完成面向用户的聊天机器人应用实践。
DAY 06

OpenCV 视觉分析

处理图像与视频，完成识别类视觉案例

  1. 16
    OpenCV 图像与视频基础 掌握基本操作、色彩空间、图形绘制、图像处理、视频捕获和仿射变换。
  2. 17
    图像分析方法 学习马赛克、腐蚀膨胀、开闭运算、滤波、Canny 边缘检测、轮廓和模板匹配。
  3. 18
    视觉识别案例 围绕人脸识别与替换、摄像头人脸捕获、车牌捕获和识别，完成综合实战演练。

LEARNING EXPERIENCE

有基础，再向更复杂的 AI 场景扎实进阶

课程适合已掌握 Python 数据分析、线性代数与概率统计基础的学习者。通过讲解、演示、练习与案例分析，把算法理解转化为实际的建模与应用能力。

适合的基础 具备 Python 数据分析、线性代数和概率统计基础的从业者。
学习方式 小班精讲，结合面授或直播、操作演示、案例分析与即时答疑。
练习导向 通过算法实现、参数调优和多领域案例，理解模型选择背后的逻辑。
课后支持 提供一年内课程答疑、资料升级分享、录播回看与免费重修支持。

LEARNING OUTCOMES

完成学习后，你将能够

既理解常见算法的适用边界，也能围绕文本、向量、图像和视频任务选择方法并完成基础实现。

01

搭建机器学习的数据与评价流程

能够完成数据划分、指标分析、混淆矩阵、ROC、过拟合诊断和模型保存等基础工作。

02

通过特征工程改善模型输入质量

能够运用编码、预处理、标准化、归一化、离散化、降维和样本均衡等方法处理数据。

03

选择并调优经典预测与分类模型

理解回归、KNN、决策树、随机森林、逻辑回归、SVM 与朴素贝叶斯等方法的实现和调参要点。

04

理解集成学习、神经网络与无监督学习

能够识别 AdaBoost、GBDT、XGBoost、神经网络、K-Means 和层次聚类的典型使用场景。

05

构建 Embedding 驱动的语言智能应用

能够结合 Prompt、向量、相似度和 Streamlit，完成推荐、聚类、问答、分类和聊天机器人基础应用。

06

处理图像与视频的视觉分析任务

能够使用 OpenCV 完成图像预处理、边缘轮廓分析、模板匹配、人脸和车牌识别等实践任务。

PRACTICE SCENARIOS

从算法实现到可感知的 AI 应用场景

课程中的案例分布在数据分析、预测分类、文本推荐、问答交互和视觉识别等方向，帮助你把单一算法串联成更完整的问题解决路径。

预测与分类 红酒、乳腺癌与回归案例
语言智能 文本分类、推荐、问答与聊天
视觉处理 人脸、摄像头与车牌识别

PRACTICE TOOLKIT

贯穿课程的实践工具与方法

PYTHON ML

scikit-learn

完成数据处理、经典机器学习、模型评估、调参与神经网络基础实践。

LANGUAGE AI

Prompt 与 Embedding

连接多轮对话、语义相似度、文本推荐、问答、聚类与分类任务。

APP PROTOTYPE

Streamlit

组织交互界面，让聊天机器人等 AI 能力以可体验的形式呈现。

COMPUTER VISION

OpenCV

处理图像、视频、边缘、轮廓、模板与识别任务，进入视觉分析场景。

从会用算法，到理解数据、模型与应用之间的完整关系

围绕你的学习基础和业务方向了解课程安排、实践案例与进阶路径。

咨询课程