本书为1+X职业技能等级证书配套系列教材之一，根据《人工智能数据处理职业技能等级标准》编写，为该职业技能的中、高级配套教材。

本书汲取科大讯飞高教人才培养业务实验室产品AILAB的实验成果，结合人才培养项目式教学经验，按照新形态一体化教材的开发标准，由浅入深、循序渐进地引导读者使用Python进行人工智能数据处理。全书共分为11章，涵盖数据分析进阶、数据可视化进阶、数据仓库与建模、数据治理、数据降维、特征处理、特征提取、特征选择、数据生成、机器学习、深度学习等内容。

本书能同时满足读者人工智能数据处理知识学习、职业技能培训及教育部1+X证书考核等需求，为读者进入人工智能数据处理工作岗位提供专业支持。

本书配有教学课件、编程样例、实验及编程类习题、源代码、课后习题答案等丰富的数字化学习资源。与本书配套的数字课程已在“智慧职教”平台（www.icve.com.cn）上线，学习者可以登录网站在线学习。教师如需获取本书配套教辅资源，请登录“高等教育出版社产品信息检索系统”（xuanshu.hep.com.cn）免费下载。

本书可作为人工智能数据处理1+X证书的中、高级认证相关教学和培训的教材，也可作为高等职业院校及应用型本科院校的人工智能技术和大数据技术应用相关专业的教材，还可以作为从事人工智能、大数据相关工作人员的自学参考书。

前辅文
第1章 数据分析进阶
  1.1 数据的描述性分析
   1.1.1 数据分布分析
   1.1.2 数据异常值分析
   1.1.3 数据离散度与分布形态分析
  1.2 数据的探索性分析
   1.2.1 矩阵的基本概念
   1.2.2 常用分析方法
  1.3 数据分析进阶操作
   1.3.1 NumPy数据分析进阶操作
   1.3.2 SciPy数据分析操作
   1.3.3 其他常见数据分析模块
  1.4 数据分析进阶实践
   1.4.1 Demo-1：NumPy矩阵运算
   1.4.2 Demo-2：基于选手成绩数据的数据分析
  1.5 本章小结
  1.6 课后习题
第2章 数据可视化进阶
  2.1 图像属性
   2.1.1 图像属性介绍
   2.1.2 色彩使用建议
  2.2 高维数据的可视化
   2.2.1 动画
   2.2.2 三维图
   2.2.3 降维可视化
  2.3 音频数据的可视化
  2.4 数据可视化进阶实践
   2.4.1 Demo-1：数据分析与图表绘制
   2.4.2 Demo-2：高维数据的可视化
   2.4.3 Demo-3：回归模型的可视化
   2.4.4 Demo-4：多分类模型的可视化
  2.5 本章小结
  2.6 课后习题
第3章 数据仓库与建模
  3.1 数据仓库概述
   3.1.1 数据仓库相关概念
   3.1.2 数据仓库分类
   3.1.3 数据仓库用途
  3.2 数据仓库架构
   3.2.1 Inmon企业信息工厂架构
   3.2.2 Kimball维度数据仓库架构
   3.2.3 独立数据集市架构
   3.2.4 数据仓库分层架构
   3.2.5 数据处理过程
  3.3 数据仓库建模技术
   3.3.1 维度数据模型基本概念
   3.3.2 多维数据模型建模
   3.3.3 Data Vault数据模型
  3.4 数据仓库分析技术
   3.4.1 联机事务处理
   3.4.2 联机分析处理
  3.5 数据仓库设计、部署与运维
   3.5.1 数据仓库的设计
   3.5.2 数据仓库的部署
   3.5.3 数据仓库的运维
  3.6 本章小结
  3.7 课后习题
第4章 数据治理
  4.1 数据治理概述
  4.2 数据资源管理
   4.2.1 数据字典
   4.2.2 元数据
   4.2.3 数据资源目录
  4.3 数据质量评估
   4.3.1 质量评估概述
   4.3.2 质量评估框架
   4.3.3 质量评估方法
  4.4 数据治理体系、目标与价值
   4.4.1 数据治理体系
   4.4.2 数据治理目标
   4.4.3 数据治理价值体系
  4.5 数据治理平台
  4.6 数据治理实践
   4.6.1 Demo-1：政务数据治理实践
   4.6.2 Demo-2：企业数据治理实践
  4.7 本章小结
  4.8 课后习题
第5章 数据降维
  5.1 数据降维概述
  5.2 数据降维方法
   5.2.1 主成分分析
   5.2.2 线性判别分析
   5.2.3 非线性降维方法
  5.3 数据降维工具
   5.3.1 主成分分析工具
   5.3.2 线性判别分析工具
  5.4 数据降维实践
   5.4.1 Demo-1：基于主成分分析PCA降维的图像压缩
   5.4.2 Demo-2：基于线性判别分析LDA降维的鸢尾花特征
  5.5 本章小结
  5.6 课后习题
第6章 特征处理
  6.1 数据特征概述
  6.2 基础数据特征处理
   6.2.1 数据特征标准化
   6.2.2 数据特征归一化
   6.2.3 定性特征的编码
   6.2.4 定量特征的离散化
   6.2.5 离散特征的连续化
   6.2.6 其他常用数据特征变换
  6.3 特征处理工具的安装与使用
   6.3.1 Scikit-learn库的安装
   6.3.2 Scikit-learn库的使用
  6.4 特征处理实践
  Demo：航班乘客满意度特征工程实践
  6.5 本章小结
  6.6 课后习题
第7章 特征提取
  7.1 特征提取概述
  7.2 文本、音频与图像数据特征提取
   7.2.1 文本数据特征提取
   7.2.2 音频数据特征提取
   7.2.3 图像数据特征提取
  7.3 特征提取实践
   7.3.1 Demo-1：文本特征处理
   7.3.2 Demo-2：音频特征提取
   7.3.3 Demo-3：图像特征提取
  7.4 本章小结
  7.5 课后习题
第8章 特征选择
  8.1 特征选择概述
  8.2 特征选择方法
   8.2.1 过滤式方法
   8.2.2 包裹式方法
   8.2.3 嵌入式方法
  8.3 特征选择实践
  Demo：酒店预定数据特征选择实践
  8.4 本章小结
  8.5 课后习题
第9章 数据生成
  9.1 数据生成概述
   9.1.1 数据生成相关概念
   9.1.2 生成数据集的基本特征
  9.2 数据生成工具的安装与使用
  9.3 数据生成方法
   9.3.1 Random数据生成
   9.3.2 NumPy数据生成
   9.3.3 Sklearn数据生成
  9.4 数据生成策略制定
  9.5 数据生成实践
   9.5.1 Demo-1: 回归数据生成
   9.5.2 Demo-2: 分类数据生成
   9.5.3 Demo-3: 聚类数据生成
  9.6 本章小结
  9.7 课后习题
第10章 机器学习
  10.1 机器学习概述
   10.1.1 机器学习定义
   10.1.2 机器学习任务分类
   10.1.3 机器学习应用场景
   10.1.4 数据分析与机器学习的联系和区别
  10.2 机器学习方法
   10.2.1 模型
   10.2.2 策略
   10.2.3 算法
  10.3 机器学习模块的安装与使用
   10.3.1 机器学习模块的安装
   10.3.2 机器学习模块的使用
  10.4 机器学习建模方法
   10.4.1 机器学习建模流程
   10.4.2 分类问题
   10.4.3 回归问题
   10.4.4 聚类问题
  10.5 建模效果评估
   10.5.1 评估方法
   10.5.2 分类模型效果评估
   10.5.3 回归模型效果评估
   10.5.4 聚类模型效果评估
  10.6 机器学习建模实践
   10.6.1 Demo-1：使用Sklearn实现分类模型
   10.6.2 Demo-2：使用Sklearn实现回归模型
   10.6.3 Demo-3：使用Sklearn实现聚类模型
   10.6.4 Demo-4：基于决策树的PM2.5预测
   10.6.5 Demo-5：基于机器学习方法实现简单的语音识别
  10.7 本章小结
  10.8 课后习题
第11章 深度学习
  11.1 三大常用网络结构
   11.1.1 卷积神经网络
   11.1.2 循环神经网络
   11.1.3 Transformer
  11.2 深度学习环境配置
   11.2.1 GPU加速模块配置
   11.2.2 深度学习开发框架配置
   11.2.3 安装TensorFlow
   11.2.4 安装CUDA Toolkit
   11.2.5 安装cuDNN
  11.3 模型训练与评估
   11.3.1 数据处理
   11.3.2 模型训练
   11.3.3 模型评估
   11.3.4 模型参数调节
  11.4 深度学习建模实践
   11.4.1 Demo-1：CNN手写数字分类
   11.4.2 Demo-2：RNN机器翻译
   11.4.3 Demo-3：Transformer机器翻译
   11.4.4 Demo-4：基于MTCNN的人脸检测
  11.5 本章小结
  11.6 课后习题
参考文献