传统行业做数字化，难点从来不在"要不要上 AI"，而在于数据脏、场景碎、上线难。这门项目实战课挑的就是这类脏活：原料工艺优化、流水线视觉质检、时间序列预估——三个典型的制造业场景，每个都从原始数据一路走到部署上线。如果你正从互联网方向转向工业/制造业数字化，或者已经在传统企业里做数据相关工作但缺一套完整落地经验，这门课补的正是"能跑通全流程"这一段。
它假设你已经会什么
课程不会从 Python 语法讲起。数据载入、特征工程、建模调参这些环节是默认你有基础的——所以如果你连 pandas 的 groupby 都用不顺，先别急着开这门课，回头补数据处理的基本功更划算。它真正要教的是：当数据来自车间、原料批次、产线摄像头，而不是干净的 Kaggle 数据集时，整套流程会变成什么样。
换句话说，这门课的门槛不是算法，而是"工程判断力"。你要能看懂为什么某个特征该丢、某个指标为什么和业务对不上。
三个场景各自解决什么缺口
原料企业工艺优化
难点在数据分析和参考方案这一步。工艺参数之间高度耦合，单纯套回归模型很容易得到一堆无法解释的系数。课程用这个项目带你把业务问题翻译成建模问题，再走一遍上线部署和预估。
流水线瑕疵视觉检测
从 mmdetection 的工具库使用，到标注数据、构建自己的数据集，再到在自建数据集上跑检测模型、推理和部署。这是整门课里动手量最大的部分。它能补上你"只会用现成数据集、不会做数据标注和格式转换"的缺口，最后会落到百度工业质检项目这类真实约束上——产线不会等你慢慢调模型。
时间序列预估
从问题定义讲到 Prophet，再延伸到 neural_prophet 这类进阶工具。工业场景里的时序数据往往带缺失、带周期、带突发事件，课程重点是把这些现实因素怎么塞进模型里。
配套练习该怎么用
- 每个项目的参考解决方案不要直接抄。先自己跑一遍基线，再对照，差异点就是你的知识漏洞。
- 视觉检测部分，务必自己标一小批数据走通流程。标注格式转换是实际工作中最容易卡住的地方。
- 部署环节别跳过。模型在 notebook 里跑通和在生产环境里跑通是两码事，这门课的价值一半在后者。
- 时间序列部分，拿你手上任何一份带时间戳的数据复现一遍 Prophet，比单纯看讲效果更好。
看完你应该能回答这些问题
- 面对一份车间原始数据，你怎么判断它适不适合直接建模，需要先做哪些清洗和特征处理？
- 自建目标检测数据集时，从标注到 mmdetection 能读的格式，中间要做哪些转换？
- 模型效果不好时，你怎么区分是数据问题、特征问题还是模型问题？
- 一个工业质检模型要上线，除了准确率还要考虑什么？
- Prophet 和 neural_prophet 分别适合什么形态的时序数据，你怎么选？
如果你只是想知道"数字化转型"这个词是什么意思，这门课不适合你。它的定位很明确：你已经会工具，缺的是把工具用在真实工业场景里的那条完整链路。缺哪补哪，先想清楚自己卡在数据、建模还是部署，再决定从哪个项目切入。
小象传统行业数字化转型项目实战
课程详情
课程详情
课程名称：小象传统行业数字化转型项目实战
课程介绍
本课程深入探讨了传统行业数字化转型过程中的关键环节，通过一系列实战项目，帮助学员掌握数字化转型所需的技术和工具。
课程内容
- 整体流程涉及的工具库介绍
- 数据载入与分析
- 数据处理与特征工程
- 建模与调参
- 模型效果与case分析
- 模型部署上线
- 模型进一步优化与高级工具使用
- AI在生产制程中的应用
- 原料企业工艺优化项目背景
- 数据分析
- 参考解决方案
- 模型上线部署与预估
- 工业流水线自动化与视觉监控检测
- 计算机视觉自动质检与原理
- 工具库mmdetection介绍
- 标注数据--构建自己的数据集
- 自己数据集上应用mmdetection
- 制造业流水线瑕疵自动视觉检测
- mmdetection模型推理与部署
- 百度工业质检项目
- 时间序列预估问题介绍
- 使用Prophet库进行时间序列预测
- 使用neural_prophet预测天气温度
- 多数据源业务场景下时间序列预估
- CCF乘用车细分市场销量预测建模solution
- 异常检测概述
- 异常检测常用方法
- PyOD工具库详解
- 大型商场销量数据异常检测
- 金融反欺诈场景中的异常检测
- 模型部署上线
- 时序数据与异常检测
- 大公司智能时间序列监控与异常检测工具介绍
适合人群
本课程适合希望了解和掌握传统行业数字化转型技术的专业人士，包括数据分析师、数据科学家、IT工程师等。
学习收获
- 掌握数字化转型所需的技术和工具
- 了解传统行业数字化转型过程中的关键环节
- 通过实战项目提升数据分析能力
- 学习如何将AI技术应用于生产制程和质量管理
课程亮点
- 实战性强，涵盖多个行业数字化转型项目
- 系统讲解数字化转型过程中的关键技术
- 提供丰富的实战案例和项目代码
- 助教团队提供全程辅导和答疑
课程目录
1.2《传统行业用户定位与精准营销》项目 — 整体流程涉及的工具库介绍.mp4 1.3《传统行业用户定位与精准营销》项目 — 数据载入与分析.mp4 1.4《传统行业用户定位与精准营销》项目 — part1-数据处理与特征工程.mp4 1.5《传统行业用户定位与精准营销》项目 — part2-建模与调参.mp4 1.6《传统行业用户定位与精准营销》项目 — 模型效果与case分析.mp4 1.7《传统行业用户定位与精准营销》项目 — f-g.模型部署上线.mp4 1.8《传统行业用户定位与精准营销》项目 — 模型进一步优化与高级工具使用.mp4 2.1《智能制造与生产线工艺参数优化》项目 — AI在生产制程中的应用.mp4 2.2《智能制造与生产线工艺参数优化》项目 — 原料企业工艺优化项目背景.mp4 2.3《智能制造与生产线工艺参数优化》项目 — 数据分析.mp4 2.4《智能制造与生产线工艺参数优化》项目 — 参考解决方案-top3.mp4 2.5《智能制造与生产线工艺参数优化》项目 — 参考解决方案-top3.mp4 2.6《智能制造与生产线工艺参数优化》项目 — 参考解决方案-top1.mp4 2.7《智能制造与生产线工艺参数优化》项目 — 模型上线部署与预估.mp4 3.1《工业流水线自动化与视觉监控检测》项目—业视觉与工业流水线自动化质检介绍.mp4 3.2《工业流水线自动化与视觉监控检测》项目 — 计算机视觉自动质检与原理.mp4 3.3《工业流水线自动化与视觉监控检测》项目 — 工具库mmdetection介绍.mp4 3.4《工业流水线自动化与视觉监控检测》项目 — 标注数据--构建自己的数据集.mp4 3.5《工业流水线自动化与视觉监控检测》项目 — 自己数据集上应用mmdetection.mp4 3.6《工业流水线自动化与视觉监控检测》项目 — 制造业流水线瑕疵自动视觉检测.mp4 3.7《工业流水线自动化与视觉监控检测》项目—mmdetection模型推理与部署.mp4 3.8《工业流水线自动化与视觉监控检测》项目 — 百度工业质检项目.mp4 4.1《时间序列预估与多场景应用》项目 — 时间序列预估问题介绍.mp4 4.2《时间序列预估与多场景应用》项目 — 使用Prophet库进行时间序列预测.mp4 4.3《时间序列预估与多场景应用》项目—使用neural_prophet预测天气温度.mp4 4.4《时间序列预估与多场景应用》项目 — 多数据源业务场景下时间序列预估.mp4 4.5《时间序列预估与多场景应用》项目—CCF乘用车细分市场销量预测建模solution.mp4 4.6《时间序列预估与多场景应用》项目—CCF乘用车细分市场销量预测建模-top3.mp4 4.7《时间序列预估与多场景应用》项目—CCF乘用车细分市场销量预测建模-top1.mp4 5.1《异常检测与多场景应用》项目 — 异常检测概述.mp4 5.2《异常检测与多场景应用》项目 — 异常检测常用方法.mp4 5.3《异常检测与多场景应用》项目 — PyOD工具库详解.mp4 5.4《异常检测与多场景应用》项目 — 大型商场销量数据异常检测.mp4 5.5《异常检测与多场景应用》项目 — 金融反欺诈场景中的异常检测-监督学习.mp4 5.6《异常检测与多场景应用》项目 — 金融反欺诈场景中的异常检测-无监督学习.mp4 5.7《异常检测与多场景应用》项目 — 模型部署上线.mp4 5.8《异常检测与多场景应用》项目 — 时序数据与异常检测.mp4 5.9《异常检测与多场景应用》项目 — 大公司智能时间序列监控与异常检测工具介绍.mp4 _1-传统行业用户定位与精准营销.zip _2-智能制造与生产线工艺参数优化项目代码.zip _3-工业流水线自动化与视觉监控检测项目代码.zip _4-时间序列预估与多场景应用项目代码.zip _5-异常检测与多场景应用项目代码.zip
