數據科學與機器學習的案例
新聞速遞丨Altair連續兩年被 Gartner 魔力象限評為數據科學與機器學習平臺領導者
NEWS
2025年5月30日，全球計算智能領域領軍企業Altair宣布，旗下Altair? RapidMiner?（數據分析與AI平臺）（Altair 數據分析與 AI 平臺）再度被 Gartner 評為數據科學與機器學習平臺魔力象限中的領導者。這一評估基于對企業愿景完整性與執行能力的具體標準分析。
我們認為，連續兩年被評為領導者，進一步證明了 Altair 在數據科學和機器學習領域的專業實力。我們提供完善的數據準備、AI 開發、流程編排與自動化解決方案，讓企業能夠更快速、更高效地將數據轉化為智能。
我們始終致力于突破創新邊界，現在加入西門子后，我們將幫助客戶比以往更快速地構建、自動化和部署 AI。
—— Altair 首席技術官
Sam Mahalingham
Altair RapidMiner的全棧式 AI 能力：從低代碼 AutoML到復雜的 MLOps、代理框架及實時可視化。這使得企業能夠快速完成原型設計、部署和擴展 AI 應用。該平臺還提供對 SAS 語言的原生支持（全球有兩個平臺具備此功能），幫助客戶在推進現代化工作流的同時，延續并提升現有分析的價值。
Altair RapidMiner 的另一個顯著差異化優勢在于其大規模并行處理（MPP）知識圖譜引擎，該引擎專為企業級知識圖譜構建、數據結構及本體建模而設計。
魔力象限報告指出：
“該市場的領導者擁有成熟、完善且具有針對性的公司和平臺戰略，結合并運用生成式 AI（GenAI）和 AI 代理（AI agent）來提升客戶的業務價值。他們抓住了其他供應商未能把握的 AI agent 機遇，或是在標準產品之外進行了重大投資。
其創新能力遠超其他供應商。
展開 銀行業9大數據科學應用案例
數據科學使這一過程更好地實現了自動化，更準確，個性化，直接和高效，并且降低了員工時間成本。
結論
為了獲得競爭優勢，銀行必須承認數據科學的重要性，將其融入決策過程，并根據客戶數據中獲得可操作的見解制定戰略。 從小型可管理的步驟開始，將大數據分析整合到您的運營模式中，并領先于競爭對手。
由于這種快速發展的數據科學領域以及將機器學習模型應用于實際數據的能力，因此可以每天擴展此用例列表，從而獲得更多更準確的結果。
MATLAB數據分析、圖形圖像處理、機器學習與深度學習培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在科研研究工作的開展，特邀請清華大學教授共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習與深度學習科研水平和解決實際科研問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能夠使用MATLAB軟件解決一些實際的應用項目和科研問題。
二、培訓專家
清華大學教授，博士生導師，1998年畢業于西安交通大學信息與通信工程系，獲學士學位。
展開 Nature綜述：機器學習（ML）—研究分子和材料科學的新型利器
1 機器學習的知識與方法：
通過被給定足夠數據和規則發現算法的機器學習，計算機能夠在無人為輸入的條件下識別所有已知的物理定律（有可能是當前還未知的定律）。與傳統計算相比，機器學習方法可以通過評估一部分數據集以及建立一個模型來進行預測，從而學習構成數據集基礎的規則。
1.1 數據收集
機器學習包括從現有（訓練）數據中學習的模型。數據可能需要初始化預處理，在此期間識別和處理丟失或者偽造的元素。識別和移除所出現的錯誤對于避免機器學習算法被誤導至關重要。
1.2 數據表示
即使原始的科學數據是數字類型的，但有的數據所呈現的形式常常會影響學習。例如，在很多光譜中，其信號是在時域內獲取的，但對于解釋其現象時，則需要使用傅里葉變換將其轉換為頻域。這種將原始數據轉換某些更適合于算法的過程被稱為特征化或者特征工程。
1.3 學習者的選擇
當數據集已經被合適地收集或展示時，是時候選擇一個模型去學習它。目前，存在著廣泛的模型類型（學習者）用于模型的建立和預測。監督式的學習模型可以預測離散集（如將材料分為金屬和絕緣體）或連續集（如極化率）內的輸出值。通常，為離散集建立一個模型需要分類，而為連續集建立模型則需要回歸。
2 加速科學方法：
不論是通過實驗數據的列舉或分析，還是化學直覺上的編纂，信息學在指導實驗化學家方面的應用正在快速推進。
展開 
【3月20-22日 線上】MATLAB數據分析、圖形圖像處理、機器學習與深度學習培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在科研研究工作的開展，特邀請清華大學教授共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習與深度學習科研水平和解決實際科研問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能夠使用MATLAB軟件解決一些實際的應用項目和科研問題。
二、培訓專家
清華大學教授，博士生導師，1998年畢業于西安交通大學信息與通信工程系，獲學士學位。
展開 【12月25-27日 北京】MATLAB數據分析、圖形圖像處理、機器學習與深度學習在線培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在科研研究工作的開展，特邀請清華大學教授共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在北京舉辦培訓班共十八期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習與深度學習科研水平和解決實際科研問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能夠使用MATLAB軟件解決一些實際的應用項目和科研問題。
二、培訓專家
清華大學教授，博士生導師，1998年畢業于西安交通大學信息與通信工程系，獲學士學位。
展開 集成多組學數據的機器學習在生物醫學中的應用
基礎大綱
機器學習及生物組學基礎
目標：對機器學習基本概念進行介紹，讓大家對機器學習基本概念有大致了解。明確機器學習方法的適用性，優勢，以及局限性等
什么是機器學習
機器學習的應用實例
生物組學簡介（基因組學，轉錄組學，蛋白組學，代謝組學）
機器學習在在多組學數據分析的應用
python基礎
目標：機器學習主流實現是python語言。學習機器學習之前，有針對性的對python進行系統的學習，數據的基本處理,以方便將來開展機器學習的學習
python安裝與開發環境的搭建
基本數據類型、組合數據類型
函數、列表 、元組、字典、集合
控制結構、循環結構
Numpy模塊——矩陣的科學計算
Matplotlib模塊——數據處理與繪圖
Pandas模塊——csv數據處理與分析
Sklearn模塊——機器學習模型基礎軟件包調用
2 案例實踐一：利用Python pandas讀取組學CSV數據并進行數據讀取、轉換、保存等
生物組學大數據預處理與探索分析
目標：對高維組學數據進行統計分析及機器學習建模前，需要對數據進行預處理，如缺失值填補、降維可視化等，大數據預處理與探索分析是檢驗數據質量與了解數據分布的必要過程。
展開 （轉載）分布計算 | 大數據機器學習系統研究進展
應當從整個學習的生命周期/流水線來考慮，包括訓練數據和特征的提取、并行學習算法的設計、訓練模型和參數的查詢管理、分布式訓練計算過程，都應在一個一體化的學習系統平臺上完成。
應提供多種并行訓練模式，支持不同的機器學習模型和算法。
需要提供對底層系統的抽象，以實現對底層通用大數據處理引擎的支持，并提供數據科學中常用的編程語言接口（API）。
應該擁有開放和豐富的生態、廣泛的應用和快速的進化能力。
在上述技術特征中，一個非常重要的思路是，要通過系統抽象來降低系統設計的復雜性。如圖2所示，一個設計良好的大數據機器學習系統，應當通過定義特定的機器學習編程計算和系統抽象接口，將上層機器學習和底層分布式系統解耦開來，將機器學習實現在現有的大數據計算平臺之上，而不需要考慮底層系統層面的因素，以此實現底層大數據處理平臺對上層用戶的透明化，讓上層用戶從諸多底層的分布和并行化大數據編程計算細節中解放出來，以便他們致力于上層的機器學習模型和算法的設計實現。通過編程計算和系統抽象層API，向上提供各種機器學習編程計算接口以及學習模型和訓練數據的表示，向下由底層分布式系統負責處理并提供高效的分布和并行化計算實現。
圖2 大數據機器學習系統抽象
3 大數據機器學習系統的主要研究問題
知名的Apache Flink大數據分析系統研究者在2014年VLDB會議主題報告和論文中[8]，從數據分析的復雜程度和數據規模的維度，考察了現有的相關研究工作和系統，如圖3所示?，F有的系統要么主要用于小規模復雜分析，要么主要用于大規模的簡單統計分析，缺少既具有復雜數據分析能力又具有強大的大數據處理能力的大數據分析系統；文章作者甚至認為，對于行業大數據分析人員而言，現有的工具還處于“石器時代”[8]。
展開 行業熱點丨AI 與機器學習：解讀AI術語，搶占數據時代發展先機
</p><p><br></p><p><strong>02、深入了解機器學習</strong></p><p><br></p><p>機器學習是 AI 的一個分支，<strong>專注于利用數據進行預測和決策</strong>。以下是一些關鍵的機器學習術語：</p><p><br></p><p><strong>算法：</strong></p><p><br></p><p>解決問題的一套辦法，比如做一道復雜的數學題需要按照一定步驟，<strong>數據科學家通常用算法做出能進行預測的模型。</strong></p><p><br></p><p><strong>大數據：</strong></p><p><br></p><p>指數據量太大，一臺電腦處理不過來的數據。比如社交媒體上收集的海量信息，往往多得嚇人。</p><p><br></p><p><strong>訓練數據：</strong></p><p><br></p><p>指已有的用于訓練的數據，<strong>機器學習模型靠這些數據學習規律，然后做出預測</strong>，比如學生需要先學習基礎知識才能進行題目解答。</p><p><br></p><p>在機器學習中，數據會經過<strong>數據清理（去除不正確數據）、準備、可視化和建模</strong>等過程，以理解復雜的數據集。以下是一些機器學習類型的簡單介紹：</p><p><br></p><ul><li><strong>預測性分析：</strong>用數據預測接下來可能會發生的事。比如根據過去的天氣數據，預測明天會不會下雨。</li></ul><p><br></p><ul><li><strong>規范性分析：</strong>根據數據給出建議或者進行決策。好比醫生看了各項檢查數據后，給出最終的治療方案。
展開 ANSYS發布SeaHawk--率先將大數據和機器學習系統引入工程仿真領域
---實現電子設備低功耗和高性能的全新ANSYS SeaHawk軟件進軍移動設備、數據中心和物聯網（IoT）市場
ANSYS 已將先進計算機科學中的靈活計算、大數據和機器學習系統應用于以物理學科為基礎的工程仿真領域，為業界提供未來產品開發的一手信息。已經面市的第一代ANSYS?SeaScape?架構能夠讓企業用戶以比以往更快的速度實現產品創新。作為首款利用這一新平臺功能的產品，ANSYS? SeaHawk?能夠加速優化設計實現下一代芯片產品。
與工程仿真生成的海量數據相比，能夠有效利用在新產品設計上的數據量對于大多數組織機構而言簡直是九牛一毛。例如，一個集成電路中可以仿真的數據變量通常達數十億個。然而，目前高度專業化的工程超級計算資源仍未能滿足不斷精細化產品對仿真精準性的高標準。通過使用諸如靈活性計算和映射化簡之類的大數據技術，SeaScape為實現工程設計目標提供一個解決上述各種問題的基礎平臺。并且，SeaScape讓產品開發者在設計流程的早期就具備更全面的研究分析能力，從而在最短的時間內研發出創新產品。
ANSYS SeaHawk是基于SeaScape平臺生產的第一個產品，這大力推動了電子產品設計的轉型，實現擴大仿真覆蓋區域、縮短周轉時間、提高分析靈活性大數據技術與ANSYS高性能仿真能力的整合讓SeaHawk的用戶能夠盡可能縮小芯片尺寸，并降低能源消耗，而且無需犧牲產品性能，或受時間約束。SeaHawk的早期用戶們的芯片尺寸平均縮小了5%，因此節省了數百萬美元的生產成本。
“我很高興能夠見證ANSYS SeaHawk在性能上的大幅提升，并因此促進了工程仿真產業的轉型，使得用戶能夠不受限制自主優化并創新產品設計，”英特爾公司副總裁兼HPC平臺事業部總經理Charlie Wuischpard表示。
展開 【9月19-22日 北京】MATLAB數據分析、圖形圖像處理與機器學習培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在MATLAB、數據分析、圖形圖形處理和機器學習研究工作的開展，特邀請清華大學的一線專家共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在北京舉辦培訓班共十八期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習科研水平和解決問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。本次培訓主打理論結合實踐主題，課程強調動手操作；內容以代碼落地為主，以理論講解為根，以公式推導為輔。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能開發出一些實際的應用項目并運用MATLAB軟件解決實際問題能力。
展開 
美國《科學》雜志發布年度10大機器人！盤點2018年國外機器人10大技術發展成果
03
索尼限量版電子狗Aibo在美國首發
索尼在1999年推出了第一代Aibo機器人寵物狗，現在已經發展的到第四代，最新的是ERS-1000。跟之前的版本不同，最新版配備了超緊湊的單軸和雙軸執行器，為機器人寵物提供了更自然的動作，包括搖尾巴和動耳朵、嘴巴和爪子等等。
04
形狀移位模塊化機器人
康奈爾大學的工程師開發了變形自主模塊化機器人，可以適應周圍環境，并根據所需任務重新配置自己。必要時，機器人還能夠拆卸和更換損壞的部件。機器人采用帶有磁鐵的輪式和立方形模塊，允許它們彼此連接和分離來重新配置自己。每個模塊都配備了Wi-Fi，實現彼此通信，并使用集中式系統處理從機器人處獲得的數據。
05
耶魯大學研究人員開發機器人皮膚
耶魯大學的研究人員設計了一種機器人皮膚（OmniSkins），它能夠使用帶有嵌入式傳感器和執行器的彈性片將無生命物體轉變為機器人。
例如，當放置在可變形物體（毛絨公仔）上時，皮膚可以根據物體的屬性為物體設置動畫并執行各種任務，比如運動、抓取和移動物體等。還可以使用一個以上的皮膚來完成更復雜的運動，包括同時壓縮和彎曲，這可以讓毛絨公仔像尺蠖蟲一樣蠕動，或者可以平整襯衫。
06
Sphero推出Bolt機器人
今年，Sphero推出了帶有8 X 8矩陣顯示器的Bolt-a可編程滾動機器人，可以給所有年齡段的孩子提供STEM（科學、技術、工程及數學）學習。
這款機器人的高級可編程傳感器還可用于跟蹤速度、方向和加速度。
展開 機器學習 遷移學習
1.深入了解神經網絡的組成、訓練和實現，掌握深度空間特征分布等關鍵概念；
2.掌握遷移學習的思想與基本形式，了解傳統遷移學習的基本方法，對比各種方法的優缺點；
3.握深度遷移學習的思想與組成模塊，學習深度遷移學習的各種方法；
4.掌握深度遷移學習的網絡結構設計、目標函數設計的前沿方法，了解遷移學習在PDA、Source-Free DA上的應用；
5.掌握深度遷移學習在語義分割、目標檢測、行人重識別等任務中的應用，學習圖像/視頻風格遷移方法，了解風格遷移在實際生活中的應用；
6.掌握小樣本學習、Transformer等前沿方法和基本思想，了解小樣本學習、Transformer等在實際場景下的應用；
7.通過實操掌握圖片視頻風格遷移，自動駕駛中的跨域語義分割，目標檢測。
老師：來自中國科學院計算技術研究所、清華大學、北京理工大學等科研機構和大學的高級專家，擁有豐富的科研及工程技術經驗，長期從事深度學習、遷移學習、計算機視覺等領域的教學與研究工作。
人員：各省市、自治區從事人工智能、機器學習、深度學習、遷移學習、計算機視覺、自然語言處理、語音識別、圖像處理、小樣本分析等領域相關的企事業單位技術骨干、科研院所研究人員和大專院校相關專業教學人員及在校研究生等相關人員，以及深度遷移學習廣大愛好者。
一、機器學習簡介與經典機器學習算法介紹
1.什么是機器學習？
2.機器學習框架與基本組成
3.機器學習的訓練步驟
4.機器學習問題的分類
5.經典機器學習算法介紹
目標：機器學習是人工智能的重要技術之一，詳細了解機器學習的原理、機制和方法，為學習深度學習與遷移學習打下堅實的基礎。
展開 機器學習與深度學習 ￥9.9
以下內容關于機器學習與深度學習的入門資料。
智能協作機器人逐漸進入生命科學藍海市場
為何協作機器人在生命科學領域有較強的應用需求：
1、降低人工成本：從事生命科學領域研究的從業人員素質較高，多為博士或是博士后，人工成本較高。但在日常的實驗過程中，這些高素質人員80%的時間都浪費在了重復勞動中，如基礎的混合試劑、移液、樣本處理等工作，這些都可以用機器人來實現自動化操作的。
2、減小實驗誤差，防止學術造假：生命科學領域，由于實驗人員不同產生的結果差異非常大，重現性低已經成為問題。使用機器人進行自動化實驗有助于提高制藥和醫療診斷的效率，和防止學術造假。
生命科學由于其行業門檻高，此前自動化程度比較低，但會采購一些更加專業的自動化設備。這些自動化設備相比于協作機器人在執行速度和效率上有一定優勢，但是價格也比較高昂。隨著協作機器人的國產化和價格平民化，智能協作機器人也在逐漸向生命科學領域滲透。
對于機器人方案商來說，想進入生命科學領域大概有兩種路徑：路徑一是和第三方具備渠道資源的醫療器械廠商合作，快速搶占市場；路徑二則是直接服務部分終端大客戶，正如上文所講，生命科學行業門檻高，具備一定行業know-how，直接服務行業大客戶可以了解行業中比較有代表性的需求，進而提供更加完善和針對性的產品。這兩種路徑多是同時進行的。
使用協作機器人進行生命科學實驗時，確定實驗步驟后將程序安裝入機器人即可，機器人大概可以進行生命科學中約80%的實驗。剩余20%是不常見的步驟，可能需要各機構單獨編寫特定的程序。
展開 