作为一名架构师，日常工作围绕系统架构设计、搭建与优化展开，需综合权衡业务需求、技术可行性等要素。近两年 AI 技术迅猛发展，客户对 AI 数据分析能力需求日益增长，为实现技术提升、为客户提供更优方案，我报名参加了极客时间 AI 数据分析训练营。经过一学期学习，收获颇丰，现将学习内容总结如下：

一、数据处理与特征工程核心要点

数据处理与特征工程是 AI 数据分析的基础。在数值编码方面，掌握了 LabelEncoder 与 OneHot 编码的区别；明确归一化操作的目的及适用模型；理解特征分箱对提升模型鲁棒性和表达能力的作用，为后续数据分析奠定坚实基础。

二、分类决策模型与集成学习方法

课程系统讲解了贝叶斯分类器、决策树等多种分类决策模型，深入学习评分卡模型生成流程及 WoE、IV 的计算与应用。在集成学习领域，掌握 bagging、stacking、boosting 等方法，以及 XGBoost、LightGBM、CatBoost 等模型的特点与优势，提升模型构建与优化能力。

三、关联分析、回归分析与时间序列分析

关联分析中，熟悉 Apriori 算法原理及支持度、置信度等关键指标；回归分析掌握定量建模与损失函数应用；时间序列分析学习 AR、MA 等多种模型及 Informer 等前沿方法，能够处理不同场景下的数据预测问题。

四、推荐系统算法与实现

推荐系统学习了过滤算法，包括基于内容和协同过滤的多种方法，以及隐语义模型和矩阵分解等技术，掌握 ALS 和 SGD 等求解算法，对推荐系统的构建与优化有了深入认识。

五、机器视觉和运筹规划

除上述内容外，课程还涉及机器视觉算法和模型，如 yolo 算法凭借快速检测、多目标识别等优势广泛应用于多场景；以及运筹规划算法和工具 ortools，其丰富算法库、多语言支持和强大求解能力，为解决复杂调度、资源管理问题提供了有力工具。

六、AI Agent 应用开发工具

课程中介绍了大量 AI Agent 应用开发相关工具和示例，从基础的 LangChain 到 Qwen-Agent、DeerFlow 等都非常实用，课程中介绍的 RAG 相关原理和 MinerU 等相关工具也可非常适合作为 RAG 深水区的突破口和切入点。