• 1、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。
• 2、熟练运用 PyCharm 开发工具，掌握其安装、设置及调试相关操作。
• 3、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。
• 4、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。

• 5、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。
• 6、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。
• 7、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。
• 8、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：字典的创建和访问、字典的增删改查、字典的常见函数、元组的创建和访问、元组的常见函数
• 7、函数：函数的定义和调用、函数的参数传递、函数的返回值、匿名函数(lambda函数)、内置函数
• 8、面向对象：类的定义和使用、属性和方法、继承、多态、封装、类的特殊方法、设计模式

• 9、文件操作：文件的打开和关闭、文件的读写、文件的定位、CSV文件操作、JSON文件操作
• 10、异常处理：异常的捕获和处理、自定义异常
• 11、模块和包：模块的创建和使用、包的创建和使用、标准库模块、第三方库模块
• 12、高级特性：深拷贝和浅拷贝、生成器和迭代器、闭包和装饰器、上下文管理器
• 13、进程和线程：进程的创建和管理、线程的创建和管理、进程间通信、线程间通信、互斥锁
• 14、网络编程：套接字基础、TCP编程、UDP编程、HTTP编程、爬虫基础
• 15、正则表达式：正则表达式基础、正则表达式语法、正则表达式函数

• 1、掌握链表、栈、队列的基本操作及应用。
• 2、熟练运用快速排序、二分查找等算法。

• 3、解决数组、字符串、查找等各类问题。
• 4、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

• 链表、栈、队列：了解数据结构，数据结构的常见操作、应用场景
• 快排、二分查找：学习排序思想、时间复杂度、空间复杂度、应用场景
• 数组问题、字符串问题、链表问题、队列问题：遍历、查找、插入等操作，数组的动态调整、字符串反转、链表合并等问题。
• 查找问题：线性查找、二分查找、哈希查找、树结构查找等

• 递归问题：了解函数自调用，递归用于阶乘和斐波那契数列的计算等
• 动态规划问题：概述，问题解决常规步骤，算法应用案例
• 贪心问题、回溯问题：概述，问题解决常规步骤，算法应用案例

• 1、熟练安装配置 Linux 环境并掌握常用命令。
• 2、精通 MySQL 安装使用及 SQL 操作。
• 3、熟悉 Numpy 的属性、函数及运算。

• 4、掌握 Pandas 的数据处理方法。
• 5、会用多种工具进行数据可视化。
• 6、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

• 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

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

Numpy

• Numpy数组基础：创建、索引、切片
• Numpy数值计算：算术运算、统计函数、线性代数运算
• Numpy文件操作：数组的保存和加载

Pandas

• Pandas数据结构：Series和DataFrame
• 数据读取与写入：读取CSV、Excel等文件，写入数据
• 数据处理与分析：数据清洗、转换、合并、分组、统计分析

数据可视化

• Matplotlib基础：图形创建、设置属性、保存图片
• Seaborn高级绘图：热力图、箱线图、分布图等
• Plotly交互图表：创建交互式折线图、散点图、柱状图等
• 数据可视化综合应用：结合数据分析结果进行可视化展示

• 1、熟悉线性代数、概率、高数等数学基础。
• 2、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。
• 3、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。
• 4、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。

机器学习

• 数学基础：线性代数、概率、高数
• KNN算法思想、分类流程和实现、回归流程和实现、欧氏距离计算、曼哈顿距离计算、切比雪夫距离计算、闵可夫斯基距离计算、特征预处理归一化和标准化、API、案例
• 线性回归概念和分类、损失函数、导数和矩阵、正规方程法、梯度下降算法、MAE/MSE/RMSE模型评估、欠拟合与过拟合问题、API

• 线性回归案例
• 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

• 1、理解深度学习的概念、应用场景及优缺点。
• 2、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。
• 3、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。

• 4、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。
• 5、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。
• 6、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。

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

深度学习理论基础

• 神经网络：输入层、输出层、隐藏层、激活函数、初始化方式、损失函数、网络优化方法、正则化方法、案例
• 卷积神经网络CNN：图像基础、卷积层计算、特征图大小计算、池化层作用及分类、全连接层、API、案例
• 循环网络RNN：词嵌入层作用及API、循环网络层原理及API、文本生成案例

项目一：智推优选

• 1. 掌握深度学习技术（DNN、CNN、RNN）。
• 2. 运用 PyTorch 框架进行模型构建和训练。
• 3. 进行数据采集、清洗、归一化和特征提取。
• 4. 实现模型融合提升推荐效果。
• 5. 部署模型提供在线预测服务。
• 6. 展示个性化推荐并收集用户反馈。

项目二：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，利用预训练模型。
• 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。

项目三：项目实战之保险反诈（三选一）

• 1. 掌握深度学习技术（DNN、CNN、RNN）。
• 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。

项目三：项目实战之AI学情（三选一）

• 1. 掌握深度学习技术（DNN、CNN、RNN）。
• 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 Matplotlib 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。

项目三：项目实战之智荐广告（三选一）

• 1. 掌握深度学习技术（DNN、CNN、RNN）。
• 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 Matplotlib 进行数据可视化。
• 7. 展示个性化广告并生成报告。

• 1、理解 NLP 的概念、发展历史和应用场景。
• 2、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。
• 3、熟悉 RNN、LSTM、GRU 模型的概念、作用和结构特点，以及对应的 API。

• 4、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。
• 5、理解 Transformer 架构，包括各层结构和编码器 - 解码器结构实现。
• 6、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概念、发展历史、应用场景
• 文本预处理：概念、主要环节、基本方法、文本张量的表示方法、文本数据分析、文本特征处理、文本数据增强
• RNN模型概念和结构特点、作用、分类、RNN模型内部结构、API
• LSTM模型概念和作用、LSTM模型结构特点、API
• GRU模型概念和作用、GRU模型结构特点、API
• 注意力机制概念和实现步骤、Seq2Seq结构、Seq2Seq编码和解码、Seq2Seq添加注意力机制qkv、Seq2Seq添加注意力机制解码、案例
• Tranformer架构、文本嵌入层、位置编码器层、掩码张量、注意力机制、多头注意力、前馈全连接层、规范化层，子层连接结构、编码器层、编码器、解码器层、解码器、编码器-解码器结构实现、Transformer模型构建
• 迁移学习
• fastText工具作用、优势、安装、模型架构、层次softmax原理、负采样原理
• fastText文本分类概念、种类、文本分类过程、API、模型参数调优
• fastText词向量迁移概念、可迁移的词向量模型、fastText进行词向量迁移
• BERT系列模型简介、 Embedding模块、双向Transformer模块、 预微调模块、预训练任务MLM、预训练任务NSP
• ELMO模型简介、架构、预训练任务、 模型效果、 改进

项目四：AI智评

• 1. 熟悉 Transformer、BERT、FastText 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. 会使用可视化工具展示分析结果。
• 6. 具备持续迭代和优化模型的能力。

项目五：智荐图谱

• 1. 掌握深度学习框架 PyTorch 和 TensorFlow。
• 2. 熟悉 Transformer 架构和图神经网络。
• 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. 会用 Elasticsearch 构建搜索系统。
• 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。
• 10. 应对海量数据处理、数据质量等项目挑战。

项目六：项目实战之智选新闻（三选一）

• 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、个性化推荐、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 Matplotlib 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. 基于用户行为构建用户画像做个性化推荐。
• 9. 展示分类新闻、推荐新闻及新闻摘要内容。

项目六：项目实战之智医助手（三选一）

• 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 Matplotlib 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. 跟踪对话状态与管理上下文。
• 9. 确保数据安全与隐私保护。
• 10. 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（三选一）

• 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 Matplotlib 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。

• 1、理解 LLaMA 和 Qwen 系列模型的核心原理。
• 2、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。
• 3、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。

• 4、了解多模态技术，掌握 Vit、CLIP、ALBEF 等多模态模型的核心原理。
• 5、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

• 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、数据收集与评估
• 大模型Tuning、PEFT、全参数微调技术详解
• 大模型CoT/ToT/GoT/AoT 技术详解
• 大模型 DPO、内容生成 技术详解
• NLP常规任务方案设计
• 大模型训练环境搭建、微调代码详解、微调参数详解

项目七：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。

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

项目八：多模风控

• 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 Matplotlib 进行数据可视化展示风险报告。
• 8. 构建风险评估模型预测风险等级并处理预警。

• 1、掌握强化学习基础方法及神经网络与强化学习结合应用。

• 2、熟悉先进强化学习算法并具备解决实际问题的能力。

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）

• 1、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。
• 2、手把手简历指导，让同学们顺利通过简历筛选。

精读国际高水平大模型论文

• 精读人工智能发展史上的经典论文，例如Transformer，GPT等模型的原始论文等。

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。