机器学习和深度学习项目在大多数企业中变得越来越重要。同时，一个完整的项目流程包括数据整理（Data Preparation）、构建分析模型以及部署至生产环境。该流程是一个：洞察与行动的循环，此循环能不断地改进分析模型。当你打算使用机器学习或深度学习技术来构建分析模型时，一个重要的任务是集成并通过各种数据源来准备数据集，这些数据源包括比如文件、数据库、大数据存储、传感器或社交网络等等。此步骤可占整个分析项目的 80％。显然，数据整理是数据科学的核心。它包括数据清洗和特征工程。另外领域知识（Domain Knowledge）也非常重要，它有助于获得好的结果。数据整理不能完全自动化，至少在初始阶段不能。通常，数据整理会占去整个分析管道（流程）的 60％ 到 80％。但是，为了使机器学习算法在数据集上获得最优的精确性，数据整理必不可少。《纽约时报》指出，数据清洗与数据整理等预设工作，是大数据科学家获得科研及业务成果的关键。本课程重点让学生掌握强大的数据预处理和数据整理工具，而且不局限与计算机专业学生使用，实现对大数据预处理与数据整理标准化流程的认知，掌握，以及扩展。让学生全面并深入了解对凌乱数据进行数据预处理，数据整理，数据清洗，数据归类透视，数据库关联查询，以及基于 Web 服务实现数据扩展处理等各项关键技术。
另一方面，训练深度神经网络需要数据。很多数据。并且根据手头的 AI 架构，如果没有标记，那么这些数据就没有多大用处，这需要时间 – 特别是当你正在处理包含数十万个对象的语料库时。为了减轻数据注释和数据科学家的负担，人工智能行业提供了多种计算机视觉注释工具，旨在加快用于训练计算机视觉算法的视频和图像样本的注释。本课程借助当前流行的深度学习数据标记工具，通过大量的可视化实践训练，使学生掌握与对象检测、图像分类和图像分割相关的监督机器学习任务，以及四种类型的数据注释技巧：框、多边形、折线和点等，获取高效的数据标记能力。
