上海模具设计培训 培养实操性强会多软件的模具设计师

专业课程顾问干老师，qq：2290425711，课程咨询微信：ffeduhaha

高级模具设计就业班培训内容：

1.CAD机械制图：平面制图、立面制图、工程图、三视图、剖面图、三维图等
2.UG模具设计：草绘设计、造型、高级曲面、工程图、装配、工艺编程、模具设计等
3.Solidworks实战（模具方向）或Catia实战(汽车方向)：草绘、三维造型、曲面曲线、高级曲面、机械工程图、装配设计、钣金与焊接设计等
4.模具设计：工程材料与热处理、公差与配合、模具工艺与加工、模具估算等
5.就业指导：毕业作品分析指导、心态服务、商务礼仪、行业分析、面试技巧、实习工作等
培训目标：能系统全面的学习模具设计,达到成功进行设计综合应用、项目实战、自主创业等，可胜任产品设计师、模具设计师、工艺设计师、结构设计师、加工设计师等职位
认证证书：《CAD初\中级》《UG初\中\高级》《solidworks》《catia》《模具设计师》

.......................................................................

模具知识分享：模型吞噬特征工程

特征工程是机器学习成败的关键一步，其意义一点都不比模型低。宏观层面来说，模型水平决定了机器学习的上限，特征工程水平决定了能接近上限多少。而对于具体问题层面，特征工程水平决定了机器学习在这个问题上的上限，模型决定了能接近上限多少。
但是特征工程和模型并不是泾渭分明。比如，那些年间工业界风起云涌了那么多 Learning to Rank 的模型，zui终都变成了特征。另外一方面，那些年间工业界那么多下里巴人的特征工程技巧，被模型吞噬，变成阳春白雪模型的一部分。今天我们只聊一聊特征工程到模型的转化。

一、特征工程简介

我个人认为，特征工程可以分为两个阶段。1）准备数据，也就是根据领域知识拉取相应的数据，并且进行数据清洗。比如我们认为星期几对人们感兴趣的文章有影响，那么我们构造样本时，就会把星期几的特征放进去，并进行缺失值处理等等数据清洗的工作。2）数据变化，也就是各种归一化、取 Log 、离散化、特征组合交叉等等操作。数据变换目的是为了规整数据量纲和挖掘数据内部规律，从而增强数据表示。
当然，有不少朋友认为数据准备不是特征工程。认为只有数据变化部分才是特征工程。我的想法是这样的。很多时候，加合理而重要的特征是特征工程的重要内容之一。加特征这个操作同时涉及到数据准备和数据变化。数据变化又分为五个部分：
特征提取，直接使用数据准备得到的原始特征，或者根据原始特征计算新特征。
特征变换，比如归一化、离散化和取 Log，是将一个特征值变换为特征值。
特征组合，其中zui的特征组合就是高阶特征交叉。比如，我们将用户性别和商品颜色进行交叉，得到性别_颜色特征，能很好的刻画不同性别用户对不同颜色商品的偏好。
特征选择，就是选择合适的特征，删除冗余特征。
特征 ID 化，机器学习模型接受的实例一般是稠密或者稀疏的特征向量，这就需要我们将特征进行排列并赋予 ID。我把特征 ID 化也算进特征工程里来了。不然特征工程和模型之间还有一层特征 ID 化，太麻烦了。
数据变化的三个部分并不是严格按照 1,2,3,4,5 的顺序进行的，而是按照个人编程时的喜好进行的。我们说模型正在越来越多地将特征工程吸收进模型，当然说的是数据变化部分，也就是特征变换、特征组合和特征 ID 化。数据准备是不可能纳入模型的。

二、特征提取

特征提取变成模型一部分zui的例子便是 CNN 了。
抽取图片特征zui直观办法就是拿着模板匹配。比如zui的例子——分辨图中是猫还是狗，如果我们没有深度学习模型也没有计算机视觉知识，我们能想到的办法：1）人肉选取一定大小的猫和狗的典型部位，即模板，比如猫和狗的鼻子、爪子、耳朵和尾巴等等；2）滑动一个和模板大小一致的窗口逐步扫描图片，计算窗口内图片和模板的匹配程度；3）每一个模板的不同窗口的匹配程度取zui大值，得到长度为模板个数的特征向量；4）将这个特征向量扔到分类模型中预测。
在实际研究和工作中，直观的模板匹配想法是做不出来的，难点在于如何有效地选择模板。但这种特征提取思路被 CNN 内化了，模板对应卷积核，取zui大值对应zui大池化，分类模型对应全连接层[8]。
唯yi不同的是，CNN 可以通过联合学习自动得到卷积核。也就是说，CNN 其实是将特征提取纳入模型中了。
另一个自动提取特征的模型是 CatBoost。CatBoost 号称是能处理类别特征的梯度提升树。实际上 CatBoost 是自动提取了不同类别对应的标签值的比率（计算公式经过优化），得到连续比率值作为特征。

三、特征变换

我们确实很少看到，试图将取 Log 、取平方、开根号、Scaling、Dummy 化、离散化和归一化等等特征变换手段，变成模型一部分的工作。但也不是不存在这方面的工作。
首先取 Log、取平方和开根号都是不需要额外参数的数学操作。只要数据够，机器够，我肯定都直接要了。没有看到工作让模型自动决定要不要开取 Log、取平方和开根号等操作的。
其次 Scaling。Scaling 没有归一化优雅和鲁棒(太容易受异常值的影响)，在工业场景中出现得比较少，一般都是自己代码处理了。
然后 Dummy 化。Dummy 化是离散类型特征的必选项，连续特征的必不选项（其实也是有奇技yin巧可以用的）。
再然后离散化。模型自动离散化，好像真没有。
zui后归一化。模型自动对数据进行归一化，好像也没有。