第一阶段Python&数据结构&算法 --人工智能语言基础

核心技能

  • 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。

  • 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。

课程设计特色

本阶段 Python 课程特色鲜明，一方面全面培养学生的编程基础，深入讲解数据结构与控制结构，强调面向对象编程思想，重视文件操作、异常处理和模块使用等实用技能，同时通过综合案例提升实际问题解决能力，帮助学生熟练掌握 PyCharm 开发工具，还会介绍高级特性拓宽编程视野，深入讲解进程与线程、网络编程及正则表达式，注重理论与实践结合，以丰富案例和实践项目巩固知识；另一方面会深入讲解基础数据结构与高效算法，针对各类问题分类教学，引入高级算法思想，为学生夯实基础、提升程序效率，开拓编程思路，助力其提升解决复杂问题的能力，整体为学生未来发展打下坚实基础。

关键技术清单

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、协程、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

数据结构&算法

  • 1、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

  • 2、常用数据结构：数组、链表、栈、队列、哈希表、树、图

  • 3、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

  • 4、力扣刷题

  • 5、考试一

第二阶段数据分析 --这是数据驱动的时代

核心技能

  • 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。

课程设计特色

本阶段课程从 Linux 环境搭建入手，为后续学习奠定基础。深入讲解 MySQL 数据库及数据处理工具 Numpy、Pandas，提升数据处理能力。通过多种可视化工具进行数据展示，注重理论与实践结合，培养学生在 Linux 环境下的数据分析和可视化综合能力。

关键技术清单

Linux基础 & Docker & MySQL

  • 1、Linux环境准备：WSL/Linux安装、VI编辑器、软件包安装、常用命令（vim, cd, grep等）

  • 2、Shell：变量、运算符、流程控制、正则表达式

  • 3、Docker：安装、镜像、容器常用命令

  • 4、MySQL：安装使用、SQL语句、多表操作、开窗函数、远程连接

  • 5、前后端基础：FastAPI、SQLAlchemy、Uvicorn

数据分析工具

  • 1、Numpy：环境搭建(Anaconda/Jupyter)、属性、函数运算、矩阵乘法

  • 2、Pandas：Series/DataFrame结构、日期处理、分组聚合、缺失值处理、apply函数、时间序列

  • 3、数据可视化：Matplotlib、Pandas可视化、Seaborn

  • 4、综合案例：房地产市场洞察与价值评估

  • 5、考试二

第三阶段机器学习 --智能时代的核心引擎

核心技能

  • 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。

  • 理解线性回归的概念、损失函数，掌握梯度下降算法及模型评估。

  • 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。

课程设计特色

本课程设计特色在于紧密结合数学基础，涵盖线性代数、概率、高数等知识，为后续算法学习筑牢根基。课程深入讲解多种经典算法，如 KNN、线性回归与逻辑回归。通过丰富的案例实践，让学生切实掌握算法应用场景和实现流程。

关键技术清单

数学基础与概述

  • 1、高等数学：导数、求导法则、极值、偏导数、梯度

  • 2、线性代数：向量运算、范数、矩阵张量、逆矩阵

  • 3、概率论：常见分布(正态/伯努利)、贝叶斯定理、极大似然估计

  • 4、机器学习概述：发展历程、算法分类、建模流程、特征工程

经典算法

  • 1、监督学习：KNN(距离度量/标准化)、线性回归(Lasso/Ridge/模型评估)、逻辑回归(混淆矩阵/ROC曲线)、感知机

  • 2、无监督学习：Kmeans原理、模型评估、DBSCAN

  • 3、考试三

第四阶段深度学习 --让 AI 像人类一样思考

核心技能

  • 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。

  • 熟悉神经网络结构（输入/输出/隐藏层）、激活函数及损失函数。

  • 掌握卷积神经网络 CNN 图像基础及池化层应用。

  • 掌握循环网络 RNN 原理、词嵌入及文本生成案例。

  • 具备深度学习项目实战能力。

课程设计特色

从深度学习基础概念入手，深入讲解 Pytorch 工具和张量操作。详细介绍神经网络各层结构、反向传播核心算法。针对 CNN 和 RNN 分别从图像基础和文本处理角度剖析，通过房价预测、服装分类等项目提升实战素养。

关键技术清单

Pytorch 与神经网络

  • 1、Pytorch基础：张量创建、类型转换、数值计算、自动微分、线性回归实现

  • 2、神经网络基础：多层感知机、激活函数、初始化方式、搭建流程

  • 3、神经网络学习：损失函数、梯度下降、反向传播(链式法则)、优化器、正则化

  • 4、案例：房价预测

进阶网络架构

  • 1、CNN：图像基础、卷积计算、池化层、全连接层、服装分类案例

  • 2、考试四

第五阶段NLP 自然语言处理 --人工智能皇冠上的明珠

核心技能

  • 理解 NLP 的概念、发展历史和应用场景。

  • 掌握文本预处理方法（张量表示、特征处理、数据增强）。

  • 熟悉 RNN、LSTM、GRU 模型的结构特点及 API。

  • 掌握 Seq2Seq 结构及注意力机制（Attention）。

  • 理解 Transformer 架构及编解码实现。

  • 掌握 fastText 文本分类及预训练模型（BERT/GPT/T5）微调。

课程设计特色

以 NLP 为核心，从基础分词到前沿预训练模型全覆盖。深入剖析经典序列模型及 Attention、Transformer 架构。结合“智能发布（标题分类）”等项目，应用 BERT 等前沿技术解决多级分类、数据均衡化等企业级问题。

关键技术清单

NLP 核心技术

  • 1、技术演进与分词：中英文分词(jieba)、词表示(Word2Vec/One-hot)

  • 2、序列模型：RNN、LSTM、GRU 结构与案例(智能输入法/AI智评)

  • 3、进阶架构：Seq2Seq、Attention(点积/拼接)、Transformer(整体结构/推理)

  • 4、预训练模型：GPT、BERT、T5 原理与微调案例

NLP 项目实战

  • 1、项目一：智能发布（标题分类）- 层级化设计、数据增强、Bert微调

  • 2、考试五

第六阶段大模型智能体 -- 智能时代的场景重构引擎

核心技能

  • 掌握大模型智能体（LLM Agent）核心概念与范式。

  • 熟练运用低代码平台（Coze、Dify）及 LangChain/LangGraph 框架。

  • 工程化实现检索增强生成（RAG）技术与知识图谱集成。

  • 掌握智能体多步规划与工具调用能力。

  • 熟悉私有化部署（Ollama/Xinference）及企业级实战。

课程设计特色

采用“概念→平台→框架→架构→项目”的渐进路径。涵盖从低代码快速原型到 LangGraph 代码级深度开发的全栈技术。聚焦电商、医疗、教育真实场景，强调 RAG 深度优化（多路召回、语义切片等）与生产级部署。

关键技术清单

Agent 基础与低代码

  • 1、应用开发概述：提示词、RAG入门、LLM代理构成、记忆机制

  • 2、项目二：商户运营管家 - Coze/Dify使用、私有知识库、电商/自媒体应用搭建、API调用

  • 3、部署：Windows部署、Ollama/Xinference企业级部署

LangChain 与 RAG 技术

  • 1、LangChain：Model I/O、Chains设计、Memory模块、Agents抽象、数据加载与向量存储

  • 2、案例：商家对话助手 - 数据库检索、多工具调用、会话管理

LangGraph 与 高阶 RAG

  • 1、LangGraph：图状思维、State/Node/Edge构建、持久化状态、流式输出

  • 2、项目三：市场罗盘 - 任务拆解、功能编码、进度管控

  • 3、项目四：掌柜智库 - 多模态解析(MinerU)、多路召回(向量+图谱)、RAGAS评估

行业实战项目（选修）

  • 1、实战一：好医智库/伴学智库 - 医疗影像解析/教辅生成、专业知识图谱融合

  • 2、项目五：掌柜问数 - NL2SQL(重写-思考-生成)、Schema剪枝、异步高并发架构

  • 3、实战二：智医问数/学情问数 - 医疗合规控制/教学行为分析

  • 4、考试六

第七阶段大模型微调&强化学习--AI能力跃迁的关键

核心技能

  • 理解 LLaMA 和 Qwen 系列模型核心原理。

  • 掌握大模型微调方法（SFT、PEFT、LoRA/QLoRA）。

  • 掌握强化学习对齐技术（RLHF、PPO、DPO、GRPO）。

  • 具备大模型分布式训练（DeepSpeed）及高性能部署（vLLM）能力。

  • 熟悉多轮对话、指令跟随格式及评估指标。

课程设计特色

深入剖析主流开源模型原理，全面覆盖微调全链路技术。特别引入强化学习（RLHF）及最新的 DeepSeek-R1 思维链复刻技术。通过“文摘引擎”、“智能评论”、“对话助手”等多个闭环项目，解决业务中精度、合规与交互复杂性问题。

关键技术清单

大模型微调核心

  • 1、模型原理：GPT/LLaMA/Qwen核心架构详解

  • 2、微调技术：PEFT、LoRA、QLoRA、DeepSpeed全参数微调

  • 3、数据与工程：Alpaca/ShareGPT格式、训练环境搭建、模型合并与vLLM部署、评估指标分析

  • 4、项目六：文摘引擎 - 轻量化落地(LoRA)、报表效率提升、长文本处理

强化学习与对齐

  • 1、理论基础：贝尔曼方程、策略梯度、PPO/DPO/GRPO算法

  • 2、对齐实战：RLHF流程、DPO智能客服、DeepSeek-R1思维链复刻

  • 3、项目七：智能评论 - 奖励模型训练、PPO对齐、偏好优化

对话系统实战（Rasa定制）

  • 1、项目八：电商小二 - Rasa源码定制、DIET多任务学习、混合对话策略(Rule+TED)

  • 2、实战三：尚医助手/知学助手/万应助手 - 医疗专业术语理解、LBS地理位置集成、Text-to-SQL智能查询

  • 3、考试七

第八阶段多模态 -- 打通跨域感知的 AI 新范式

核心技能

  • 掌握指令模型和推理模型提示词规则。

  • 掌握 Vision Transformer (ViT) 及图像分类实现。

  • 掌握 CLIP (文搜图) 与 ClipCap (图生文) 核心原理。

  • 熟悉扩散模型 (Diffusion Model) 与 Dall-E2 文生图技术。

  • 具备大模型提升办公效率、AI 工作流搭建及 Dify 本地部署能力。

课程设计特色

本阶段以“实战驱动+分层进阶”为特色。涵盖了从多模态核心原理（ViT/CLIP）到高阶生成模型（扩散模型）的深度解析。通过“智能检索”与“智能发布（详情页生成）”项目，应用 ControlNet、IP-Adapter 等技术实现受控的营销图像生成。

关键技术清单

多模态核心原理

  • 1、视觉架构：ViT核心原理、从零实现图片分类

  • 2、跨模态对齐：CLIP模型(文搜图)、ClipCap(图生文)原理与实现

  • 3、生成技术：扩散模型、条件扩散模型、Dall-E2原理与实现

多模态项目实战

  • 1、项目九：智能检索 - CLIP微调、Chroma向量数据库、文搜图闭环

  • 2、项目十：智能发布（标题生成）- 图像表征预计算、投影层特征融合、自动推理生成

  • 3、项目十：智能发布（详情页生成）- Stable Diffusion微调、ControlNet结构控制、一致性增强(IP-Adapter)

第九阶段就业冲刺 -- 大牛引路，冲击大厂

核心技能

  • 按照企业面试要求复习技术点和项目经验。

  • 掌握简历书写技巧与职业规划路径。

  • 提升模拟面试应对能力与高频面试题解答技巧。

课程设计特色

本阶段主要围绕学员的就业需求，多维度复习巩固知识点，串讲经典高频面试题。通过手把手简历指导和模拟面试，总结项目开发经验，解决就业过程中的各种难题。

关键技术清单

面试强化

  • 1、技术点串讲：复习Python、分析、机器学习、大模型等全栈内容

  • 2、项目总结：学过项目的核心亮点与难点梳理

  • 3、面试考试：针对面试题和项目进行模拟考核

简历与指导

  • 1、简历指导：Word版与网上简历书写、职业规划

  • 2、模拟面试：真实场景模拟、答题技巧复盘