• 掌握 Python 语言基础，包括语法、数据类型、运算符、输入输出函数等核心内容。
• 熟练运用 PyCharm 开发工具，掌握其安装、设置及调试相关操作。
• 精通 Python 中分支、循环结构以及各类数据结构（字符串、列表、字典、元组等）的操作与运用。
• 深入理解面向对象编程，涵盖类和对象、封装、继承、多态及设计模式等方面知识。
• 具备 Python 文件操作、异常处理以及模块制作、安装与使用的能力。
• 了解 Python 的高级特性，像深拷贝、浅拷贝、生成器、迭代器、闭包、装饰器等内容。
• 掌握 Python 进程与线程相关概念及操作，包括并发、通信、互斥锁等要点。
• 熟悉 Python 网络编程以及正则表达式相关知识，用于对应场景的实践应用。

Python核心

• 1、Python入门：Python发展史、Python应用场景、Python开发环境搭建
• 2、PyCharm：PyCharm的安装、设置字体、设置快捷键、PyCharm常用设置、调试
• 3、Python基础知识：注释、变量以及数据类型、标识符和关键字、输入函数、输出函数、运算符、程序类型转换
• 4、分支和循环：if判断语句、运算符、if-else语句、while循环、for循环、break、continue
• 5、字符串和列表：字符串输入、字符串输出、下标和切片、字符串常见函数、列表(list)、列表的循环遍历、列表的增删改查、列表的嵌套、列表的切片
• 6、字典和元组：字典的增删改查、字典遍历、访问元组、修改元组、集合（set）
• 7、函数：函数定义、函数的类型、函数参数、函数返回值、函数嵌套、局部变量、全局变量、递归函数、匿名函数
• 8、文件操作：文件的打开与关闭、文件的读写、文件读写应用
• 9、面向对象（类和对象）：定义类、类的构成、类的__init__()方法、创建对象、理解self
• 10、面向对象（封装、继承、多态）：封装、私有方法、私有属性、__del__()方法、继承、多继承、多态、类属性、实例属性、静态方法和类方法
• 11、面向对象（设计模式）：单例模式、工厂模式、__new__方法
• 12、综合案例：愤怒的小鸟
• 13、异常：捕获异常、异常的传递
• 14、模块：模块中的__all__、模块制作、打包模块、模块安装与使用
• 15、深拷贝、浅拷贝、私有化：深拷贝案例、浅拷贝案例、进制、位运算、作用域、私有化、属性property
• 16、生成器、迭代器、闭包、装饰器、元类、垃圾回收、内建函数
• 17、网络编程：进程池、进程间通信、多线程、进程和线程区别、网络通信、端口、IP地址、socket、UDP、TCP、http
• 18、网络编程综合案例：企业级web框架starlette介绍及使用
• 19、正则表达：表示字符、表示数量、原始字符串、表示边界、匹配分组
• 20、综合案例：客户信息管理系统综合案例

• 掌握链表、栈、队列的基本操作及应用。
• 熟练运用快速排序、二分查找等算法。
• 解决数组、字符串、查找等各类问题。
• 掌握递归、动态规划、贪心、回溯等算法思想及应用。

数据结构&算法

• 什么是数据结构、数据结构分类、什么是算法、算法的分类、时间复杂度、空间复杂度
• 常用数据结构：数组、链表、栈、队列、哈希表、树、图
• 常用算法：查找算法、排序算法、分治算法、动态规划算法、回溯算法、贪心算法
• 力扣刷题

• 熟练安装配置 Linux 环境并掌握常用命令。
• 精通 MySQL 安装使用及 SQL 操作。
• 熟悉 Numpy 的属性、函数及运算。
• 掌握 Pandas 的数据处理方法。
• 会用多种工具进行数据可视化。
• 具备在 Linux 环境下进行数据分析和可视化的综合能力。

Linux基础&Shell

• Linux环境准备：VM 安装、Linux 安装、VI 编辑器、软件包安装
• Linux 常用命令：vim、cd、mkdir、chmod、chown、grep、echo、tail、more、touch、sudo、history、yum、systemctl、ln、ifconfig、hostname、ping、netstat、ps等
• Shell：变量、运算符、条件判断、流程控制、系统函数&自定义函数、常用工具命令、常用正则表达式

MySQL

• MySQL安装和使用、SQL语句、数据库操作、表操作、SQL约束、多表操作、开窗函数、案例
• 远程连接MySQL、Redis、Hive数据库

Numpy

• Anaconda下载、安装、Ubuntu安装Anaconda、conda常用命令
• Jupyter本地安装、PyCharm中集成Jupyter、使用远程JupyterServer、Jupyter快捷键
• Numpy的属性、创建方式、数据类型、切片和索引、基本函数、统计函数、比较函数、排序函数、基本运算、去重函数、矩阵乘法

Pandas

• Pandas数据结构-Series：创建、常用属性、常用方法、布尔索引、运算
• Pandas数据结构-DataFrame：创建、常用属性、常用方法、布尔索引、运算、更改操作、数据的导入导出
• Pandas日期数据处理：to_datetime()、Series.dt、to_period()
• DataFrame：加载数据集、查看部分数据、分组聚合计算、基本绘图、常用统计值、常用排序算法；案例实操：员工薪资统计分析
• Padas数据组合函数：concat连接、merge合并
• Padas的缺失值处理函数：查看缺失值、剔除缺失值、填充缺失值
• Padas的apply函数：Series使用apply()、DataFrame使用apply()、向量化函数
• Padas的数据聚合、转换、过滤函数；Pandas透视表、案例实操：睡眠质量分析透视表；
• Pandas时间序列：Pandas中的日期与时间、使用时间作为索引、生成时间序列
• Matplotlib可视化、Pandas可视化、Seaborn可视化
• 综合案例：房地产市场洞察与价值评估

• 熟悉线性代数、概率、高数等数学基础。
• 熟悉 KNN 算法的思想、流程及不同距离计算方法，能进行特征预处理和案例实现。
• 理解线性回归的概念、分类、损失函数等，掌握梯度下降算法等方法及模型评估。
• 掌握逻辑回归的数学基础、原理及分类评估指标，能进行案例实践。

数学基础

• 高等数学：基本函数的导数、导数的求导法则、利用导数求极值、二阶导数、偏导数、梯度
• 线性代数：标量与向量、向量运算、向量范数、矩阵与张量、矩阵乘法、矩阵转置、矩阵的逆
• 概率论：均匀分布、伯努利分布、二项分布、正态分布、贝叶斯定理、极大似然估计

机器学习概述

• 机器学习概述：发展历程、应用领域、基本术语、算法分类、建模流程、特征工程

监督学习

• KNN：算法思想、分类流程和实现、回归流程和实现、常见距离（欧氏、曼哈顿、切比雪夫、闵可夫斯基距离）度量方法、特征预处理归一化和标准化、API
• KNN 案例和参数调优
• 线性回归：概念和分类、损失函数和求解方法（正规方程法、梯度下降算法）、模型评估（MAE/MSE/RMSE）、API
• 线性回归案例和正则化
• 逻辑回归：数学基础、原理、损失函数、混淆矩阵、精确率/召回率/F1-score分类评估、AUC指标、ROC曲线、API
• 逻辑回归案例
• 感知机：基本概念、激活函数、具体实现；逻辑电路和感知机的局限
• 其它监督学习算法：朴素贝叶斯、决策树、SVM、AdaBoost等简介

无监督学习

• 无监督学习：聚类算法简介、API使用、Kmeans原理、模型评估；SVD、LDA、PCA简介
• 特征选择和特征降维：基本概念介绍；低方差过滤法、相关过滤法、主成分分析（PCA）法

• 理解深度学习的概念、应用场景及优缺点。
• 掌握 Pytorch 的安装及张量的各种操作，包括创建、类型转换、数值计算等。
• 熟悉神经网络的结构组成，如输入层、输出层、隐藏层等，掌握激活函数、损失函数等相关知识。
• 了解卷积神经网络 CNN，掌握图像基础、卷积层和池化层等知识及案例应用。
• 掌握循环网络 RNN 的原理及词嵌入层、循环网络层的 API 和文本生成案例。
• 具备深度学习项目实战能力，如电商推荐和图片搜索等项目。

深度学习简介和Pytorch

• 什么是深度学习、深度学习应用场景、深度学习优缺点
• Pytorch的安装、张量创建方法、张量的类型转换、张量的数值计算、张量运算函数、张量索引操作、张量形状操作、张量拼接操作、自动微分模块；案例：实现线性回归

神经网络

• 神经网络基础：多层感知机、激活函数、初始化方式、神经网络搭建
• 神经网络的学习：数据驱动、损失函数、梯度下降法、学习算法的实现
• 反向传播算法（核心算法）：计算图、链式法则、算法原理、算法实现
• 学习方法的优化：参数更新、权重初始值、正则化、学习率衰减、梯度消失和梯度爆炸
• 神经网络案例：房价预测

卷积神经网络

• CNN：图像基础、卷积层计算、池化层作用及分类、全连接层、API
• CNN案例：服装分类

循环神经网络

• RNN：词嵌入层作用及API、循环网络层原理及API
• RNN案例：古诗生成

项目一：智图寻宝

• 1. 掌握卷积神经网络（CNN）进行图片特征提取。
• 2. 运用迁移学习。
• 3. 熟悉特征向量检索及相似度计算方法。
• 4. 能够进行大规模数据处理，如使用索引技术。
• 5. 熟练使用 PyTorch 框架构建、训练和优化模型。
• 6. 运用 Torchvision 处理图像相关任务。
• 7. 进行数据预处理与增强提升模型鲁棒性。
• 8. 结合工具进行大规模特征向量高效检索。

• 理解 NLP 的概念、发展历史和应用场景。
• 掌握文本预处理的方法，包括文本张量表示、特征处理和数据增强等。
• 熟悉 RNN、LSTM、GRU 模型的概念、作用和结构特点，以及对应的 API。
• 了解注意力机制的概念和实现步骤，掌握 Seq2Seq 结构及添加注意力机制的方法。
• 理解 Transformer 架构，包括各层结构和编码器 - 解码器结构实现。
• 掌握 fastText 工具的作用、安装和文本分类方法，以及词向量迁移技巧。

NLP核心

• NLP技术演进：规则系统阶段、统计方法阶段、机器学习阶段、深度学习阶段
• NLP英文分词：顶级分词、字符级分词、子词级分词
• NLP中文分词：字符级分词、词级分词、子词级分词、 jieba分词器工具
• 词表示：One-hot编码、语义化词向量、 Word2Vec原理、Word2Vec案例实操
• RNN：基础结构、多层结构、双向结构、多层+双向结构、API使用；案例实操：智能输入法；RNN存在问题；
• LSTM：基础结构、多层结构、双向结构、多层+双向结构、API使用；案例实操：AI智评1.0；LSTM存在问题；
• GRU：基础结构、多层结构、双向结构、多层+双向结构、API使用；案例实操：AI智评2.0；GRU存在问题；
• Seq2Seq模型：编码器、解码器、模型训练、模型推理；案例实操：中英翻译1.0；Seq2Seq存在问题
• Attention工作原理：相关性计算、注意力权重计算、上下文向量计算、解码信息融合
• Attention注意力评分函数：点积评分、通用点积评分、拼接评分；案例实操：中英翻译2.0；Attention存在问题
• Transformer模型结构详解：核心思想、整体结构、编码器、解码器
• Transformer模型：模型训练、模型推理、API使用；案例实操：中英翻译3.0
• 预训练模型GPT：模型结构、预训练方式、微调方式
• 预训练模型BERT：模型结构、预训练方式、微调方式
• 预训练模型案例实操：AI智评3.0

项目二：智能发布

• 1. 熟悉 Transformer、BERT 等深度学习技术。
• 2. 掌握数据收集、清洗、标注及预处理方法。
• 3. 能使用 PyTorch 框架搭建、训练和微调模型。
• 4. 了解在线推理服务部署及批量数据处理。
• 5. 使用TensorBoard 可视化工具展示训练过程
• 6. 具备持续迭代和优化模型的能力。

项目三：项目实战之智选新闻

• 1. 掌握 Transformer 模型与 BERT 预训练模型应用。
• 2. 运用 PyTorch 框架构建、训练及部署模型。
• 3. 进行新闻数据收集、清洗、分词与编码。
• 4. 实现新闻分类、新闻摘要的模型微调。
• 5. 运用相应评估指标评估各任务模型性能。
• 6. 利用TensorBoard可视化模型训练及性能情况。
• 7. 封装模型为 API 服务并优化推理速度。
• 8. 展示分类新闻和新闻摘要内容。

项目四：智荐图谱

• 1. 掌握深度学习框架 PyTorch。
• 2. 熟悉 UIE模型。
• 3. 运用自然语言处理技术进行分词、命名实体识别等。
• 4. 了解多种数据库存储知识图谱及结构化数据。
• 5. 使用Neo4j存储图数据
• 6. 掌握协同过滤算法和深度学习推荐模型。
• 7. 能够进行数据采集、清洗和特征工程。
• 8. 构建知识图谱的实体识别、关系抽取和三元组生成。
• 9. 实现模型部署和提供推理服务。

项目五：项目实战之智医助手

• 1. 掌握 Transformer 和 BERT 等自然语言处理技术。
• 2. 运用 PyTorch 框架构建、训练及部署模型。
• 3. 进行医疗对话数据收集、清洗、标注与文本处理。
• 4. 实现意图识别、实体抽取、对话生成的模型微调。
• 5. 开发 API 接口并集成前后端应用。
• 6. 利用 TensorBoard 进行数据可视化与分析。
• 7. 构建医疗知识图谱与常见问题答疑库。
• 8. 确保数据安全与隐私保护。
• 9. 按阶段推进项目实施与持续维护更新。

项目六：项目实战之AI智教

• 1. 掌握 Transformer 和 BERT 模型应用。
• 2. 运用 PyTorch 框架构建、训练及部署模型。
• 3. 利用 Pandas、NumPy 进行数据处理与分析。
• 4. 进行多源学习数据收集、清洗、特征工程与编码。
• 5. 实现学习情况预测、情感分析等模型训练及优化。
• 6. 部署模型并提供稳定 API 接口与实时分析反馈。
• 7. 运用 TensorBoard 等工具生成可视化报告。
• 8. 遵循数据隐私法规处理敏感信息。
• 9. 按阶段推进项目实施及功能迭代。

• 理解 LLaMA 和 Qwen 系列模型的核心原理。
• 掌握大模型微调的方法，包括核心要素、数据收集与评估、各种技术及参数设置等。
• 熟悉 NLP 常规任务方案设计，能搭建大模型训练环境并理解微调代码。
• 了解多模态技术，掌握 Vit、CLIP、ALBEF 等多模态模型的核心原理。
• 能够运用大模型内容生成技术解决实际问题。

大模型微调核心

• GPT 系列模型核心原理讲解
• LLaMA 系列模型核心原理详解
• Qwen 系列模型核心原理讲解
• 大模型微调概述、核心要素、数据收集
• 大模型微调数据集处理、alpaca指令跟随格式、shareGPT多轮对话格式
• 大模型微调技术PEFT概述、promp-tuning介绍、p-tuning介绍、zero-shot、few-shot
• 大模型量化算法、LoRA微调、QLoRA微调
• 大模型全参数微调技术详解、DeepSpeed分布式训练
• 大模型训练环境搭建、微调代码详解、微调参数详解
• 大模型合并、打包，vllm高性能部署
• 大模型评估方法与评估指标分析

项目七：文本摘要

• 1、数据增强：结合合成数据生成与主动学习，用GPT生成大量带噪样本，提升模型对长文本、低资源语言的鲁棒性。
• 2、长文本优化：采用滑动窗口分块策略，结合Key-Value Memory缓存机制，实现超长文本网页摘要
• 3、生成控制​​：注入Prompt模板（如“重点总结优缺点”）与温度参数调节，精准控制摘要长度（50-200字）与信息密度
• 4、模型微调：使用LoRA微调，适配专业术语
• 5、实时推理​​：基于vLLM引擎部署，支持高并发，端到端低延迟

项目八：RAG项目

• 1. 环境搭建：配置多GPU服务器及安装必要的软件和驱动。
• 2. 数据处理：收集并清洗大规模语料，设计多样化的指令模板。
• 3. 检索模块：实现高效文本检索算法，设计上下文感知的检索策略
• 4. 模型微调：开发支持多模型和框架的微调代码，采用LoRA或全参数微调Qwen2.5。
• 5. RAG集成：将检索模块与生成模块集成，实现端到端的问答系统。
• 6. 性能评估：建立包含自动和人工评价的全面评估体系。
• 7. 部署与接口：将模型封装为服务，并设计安全的RESTful API接口。
• 8. 前端开发：使用主流前端框架构建用户交互界面，实现对话和配置功能。

项目九：智服在线

• 1. 环境搭建：配置多GPU服务器及安装必要的软件和驱动。
• 2. 数据处理：收集并清洗大规模语料，设计多样化的指令模板。
• 3. 模型微调：开发支持多模型和框架的微调代码，采用LoRA或全参数微调Qwen2.5。
• 4. 性能评估：建立包含自动和人工评价的全面评估体系。
• 5. 部署与接口：将模型封装为服务，并设计安全的RESTful API接口。
• 6. 前端开发：使用主流前端框架构建用户交互界面，实现对话和配置功能。

项目十：项目实战之保险反诈（三选一）

• 1. 掌握大模型训练技术
• 2. 运用 PyTorch 框架构建和训练模型。
• 3. 进行数据采集、清洗和预处理。
• 4. 实施特征工程与降维。
• 5. 实现模型融合提升预测性能。
• 6. 部署模型为微服务提供 API。
• 7. 利用 Matplotlib 进行数据可视化。
• 8. 构建告警系统处理高风险请求。

项目十：项目实战之AI学情（三选一）

• 1. 掌握大模型训练技术
• 2. 运用 PyTorch 框架构建和训练模型。
• 3. 进行数据收集、清洗、预处理和特征工程。
• 4. 实现模型融合与优化。
• 5. 部署模型提供 API 接口进行实时预测。
• 6. 利用 TensorBoard 进行数据可视化展示。
• 7. 生成学习情况报告和个性化学习建议。

项目十：项目实战之智荐广告（三选一）

• 1. 掌握大模型训练技术
• 2. 运用 PyTorch 框架构建和训练模型。
• 3. 进行数据收集、清洗、预处理及特征工程。
• 4. 实现模型融合与优化。
• 5. 部署模型提供实时预测服务。
• 6. 利用 TensorBoard 进行数据可视化。
• 7. 展示个性化广告并生成报告。

多模态核心原理

• 多模态技术概述
• Vit模型核心原理详解
• CLIP模型核心原理详解
• ALBEF模型核心原理详解
• BLIP/BLIP-2模型核心原理详解
• LLaVA模型核心原理详解
• Qwen-VL模型核心原理详解

项目十一：多模图题

• 1. 掌握 Transformer 模型处理文本数据的应用。
• 2. 运用 Stable Diffusion 第三方 API 处理图像数据。
• 3. 利用 PyTorch 构建和训练模型。
• 4. 进行文本和图像数据的收集、清洗及预处理。
• 5. 实现文本与图像特征的提取及多模态融合。
• 6. 部署模型并提供 API 接口用于实时监控。
• 7. 运用 TensorBoard 进行数据可视化。

• 掌握强化学习基础方法及神经网络与强化学习结合应用。
• 熟悉先进强化学习算法并具备解决实际问题的能力。
• 熟悉DeepSeek理论和DeepSeek企业应用

强化学习

• 强化学习基础理论：老虎机问题、马尔可夫决策过程、贝尔曼方程、动态规划法、蒙特卡罗方法、TD方法
• 深度强化学习：神经网络和Q学习、DQN、策略梯度法
• 基于强化学习微调大模型：A2C算法、PPO（近端策略优化）、RLHF（基于人类反馈的强化学习）

DeepSeek

• DeepSeek理论：MLA、MoE、MTP、GRPO、奖励模型、CoT、模型蒸馏、训练过程
• DeepSeek企业应用：本地部署、多卡联合部署、vLLM多卡推理、微调案例
• 思维链：如何从零复刻一个deepseek-r1模型

• 掌握指令模型和推理模型提示词规则
• 掌握常见的大模型使用方式
• 掌握大模型提升工作效率的常用方式，包括常见使用场景、大模型结合办公软件、AI Agent及工作流搭建方式

提示词工程

• 1、Prompt 在大模型应用中的重要性
• 2、Prompt设计的基本原则
• 3、指令模型 vs 推理模型的prompt的不同设计
• 4、复杂任务的多步骤Prompt设计
• 5、案例：爆款文案生成、简历指导、模拟面试

Agent 智能体与MCP

• 1、智能体的发展阶段、智能体的核心要素
• 2、个人知识库搭建
• 3、低阶智能体与高阶智能体的搭建（案例：个人生活助理、智能秘书等）
• 4、DeepResearch的应用 与 Manus的使用
• 5、MCP的C/S架构、Cursor中使用MCP、手动开发MCP、常用的十大MCP servers

项目十二：基于Coze构建智能Agent

• 案例1：复刻爆款视频
• 案例2：一键生成行业调研PPT
• 案例3：根据官方模版复刻应用

项目十三：Dify+Ollama +LLMs智能应用开发实战

• 1、云平台部署Docker、部署Dify、部署模型管理平台Ollama、Xinference
• 2、Dify部署企业级LLM、嵌入模型、重排序模型
• 3、Dify构建企业级Agent、RAG、Workflow
• 4、案例：智能对话机器人、智能面试官、智能旅游系统、智能客服

LangChain框架

• 1、LangChain框架概述、LangChain的安装与调用
• 2、Model I/O：Message、Prompt Template、Output Parsers、FunctionCaling
• 3、Chains：Chains的设计理念、SequentialChain、RouterChain
• 4、Memory：Memory模块的设计理念、如何自定义Memory模块、内置的Memory模块
• 5、Agents：基于LangChain的Agent抽象、自定义基于ReAct范式的Agents、使用LangChain定义的ReAct策略
• 6、Retrieval：Source 与 data loaders、Text Splitters、Text embedding models、vector store

项目十四：LangChain+LLM+Chroma+Gradio构建文档问答助手

• 1、项目介绍与核心流程
• 2、加载文档、切分文档、生成文本向量、向量数据库存储、问答链构建

项目十五：LangChain+DeepSeek构建对话机器人

• 1、项目介绍与核心流程
• 2、基础对话开发、记忆功能、工具调用、部署应用、性能调优

• 从技术和项目两个角度按照企业面试要求带领同学们复习。
• 手把手简历指导，让同学们顺利通过简历筛选。

就业面试题讲解

• 1、串讲所学的所有技术点。
• 2、串讲所有学过的项目。
• 3、对所有串讲的过的面试题和项目进行考试。

就业简历指导

• 1、简历指导、职业规划。
• 2、简历书写（Word、网上）
• 3、模拟面试。