【學員收益】

（1）了解數(shù)字化轉型的必要性，數(shù)字化轉型給企業(yè)帶來的價值

（2）理解基于人工智能的企業(yè)數(shù)字化轉型的實施方法和過程

（3）了解關于人工智能的關鍵技術

（4）了解人工智能轉型項目應該怎么做，掌握具體方法和技能

【課程大綱】

一、理論篇：人工智能基本概念、產(chǎn)業(yè)應用和未來趨勢

（一） 人工智能基礎概念和發(fā)展歷程

1、 什么是人工智能？

2、 人工智能的發(fā)展歷程

a) 里程碑之一：圖靈測試，人工智能的概念出現(xiàn)

b) 里程碑之二：達特茅斯會議，人工智能正是誕生

c) 里程碑之三：DENDRAL系統(tǒng)，人工智能能賺錢了

d) 里程碑之四：明斯基問題，人工智能的寒冬來臨

e) 里程碑之五：數(shù)據(jù)驅動派PK鳥飛派，思路決定出路

f) 里程碑之六：AlphaGo，機器能力超過人類

g) 里程碑之七：ChatGPT，全新的工作范式

3、 什么是機器學習和深度學習？

4、 人工智能的關鍵要素：數(shù)據(jù)、算法和算力

5、 新一代信息技術與人工智能的關系

a) 云計算：業(yè)務敏捷的基石

b) 物聯(lián)網(wǎng)：萬物互聯(lián)的新世界

c) 大數(shù)據(jù)：挖掘數(shù)據(jù)價值的發(fā)動機

d) 5G通信：實現(xiàn)大數(shù)據(jù)高速傳輸

e) 區(qū)塊鏈：構建可信的應用環(huán)境

f) 大模型：多模態(tài)的應用場景

6、 人工智能未來的發(fā)展趨勢

二、場景篇：人工智能賦能傳統(tǒng)產(chǎn)業(yè)轉型升級的主要場景

（一）人工智能的產(chǎn)業(yè)概述

1、 人工智能的典型應用

2、 全球人工智能產(chǎn)業(yè)規(guī)模

3、 中美人工智能產(chǎn)業(yè)發(fā)展比較

4、 人工智能產(chǎn)業(yè)分類

5、 人工智能產(chǎn)業(yè)圖譜

（二） 人工智能的主要產(chǎn)業(yè)應用

1、 人工智能在智能制造領域的應用

2、 人工智能在智能農(nóng)業(yè)領域的應用

3、 人工智能在智能物流領域的應用

4、 人工智能在智能金融領域的應用

5、 人工智能在智能零售領域的應用

6、 人工智能在智慧家居領域的應用

7、 人工智能在智慧教育領域的應用

8、 人工智能在智慧醫(yī)療領域的應用

9、 人工智能在智慧養(yǎng)老領域的應用

（三）人工智能的發(fā)展趨勢

1、人工智能與元宇宙

2、人工智能與生命科學

3、人工智能與碳中和

（四）工業(yè)人工智能對傳統(tǒng)企業(yè)的賦能

1、工業(yè)人工智能與普通人工智能的差異性

2、工業(yè)人工智能的主要應用場景

a) 設備和產(chǎn)品管理

b) 業(yè)務和運營優(yōu)化

c) 新模式新業(yè)態(tài)創(chuàng)新場景

三、實戰(zhàn)篇：人工智能應用場景實戰(zhàn)應用詳解

（一）企業(yè)數(shù)字化能力提升策略

1、企業(yè)數(shù)字化轉型瓶頸和提升策略

2、人工智能解決方案設計的5個步驟

（二）人工智能的主要算法

1、聚類算法——把相似的用戶找出來

2、降維算法——把復雜的問題簡單化

3、回歸算法——找到滿意度下降的原因

4、分類算法——實現(xiàn)精準營銷的利器

5、時序算法——預測未來的市場發(fā)展

（三）人工智能的經(jīng)典應用場景——通過客戶畫像精準定位客戶

1、什么是用戶畫像？

2、用戶畫像的作用

3、如何構建用戶畫像？

a) 第一步：理解用戶

b) 第二步：標簽設計

c)  第三步：特征聚類

d) 第四步：形象豐富

4、用戶畫像有哪些作用？

案例：小米的用戶畫像的目的—爆款和連銷率

案例：小米的用戶畫像的目的—選址

案例：小米的用戶畫像的目的—提升用戶體驗

案例：通過用戶畫像，傳統(tǒng)企業(yè)實現(xiàn)跨界營銷

（四）工業(yè)人工智能實戰(zhàn)案例詳細解析——基于人工智能的物料分類

1、工業(yè)人工智能實現(xiàn)4個步驟和11個重要環(huán)節(jié)

2、數(shù)據(jù)預處理

3、數(shù)據(jù)處理原則

4、數(shù)據(jù)預處理之數(shù)據(jù)轉換

5、數(shù)據(jù)預處理之數(shù)據(jù)清洗（異常值處理）

6、數(shù)據(jù)整理之缺失值處理原則

7、缺失值處理的5種常用方式

8、特征工程

9、特征工程之特征強化

10、算法選擇

11、模型訓練之算法調(diào)參

12、模型評估之混淆矩陣

13、應用落地