课程三大亮点

1.全栈进阶：从机器学习到LLM开发，构建完整AI知识体系。

核心亮点： 系统化分层教学。
基础层： Python+Pandas夯实数据处理能力；
核心层： 覆盖机器学习全模型（线性回归、SVM、决策树、集成学习、贝叶斯等）+ 深度学习（CNN、RNN、Transformer）；
前沿层： 深入NLP与大模型（BERT、T5、Llama），含轻量微调（LoRA）、指令对齐（RLHF/DPO）等工业级技术。
项目贯穿： 电商推荐系统（传统机器学习）→金融智能客服（大模型应用），实战贯穿技术演进路径。

2. 工业级实战：聚焦企业刚需场景，培养解决方案能力。

核心亮点： 真实业务场景驱动。
电商推荐系统： 特征工程、精排模型选型、效果优化方法论；
金融智能客服： 意图识别、文档知识抽取、FAQ生成等NLP任务拆解与模型开发。
企业级技术栈：
    工具链： Scikit-learn、PyTorch、HuggingFace Transformers、Llama；
    工程实践： GPU并行计算、模型微调、效果分析、调优策略。

3. 拥抱AI浪潮：大模型技术深度整合，抢占职业新风口。

模型全链路教学：
   理论： GPT发展史、注意力优化、位置编码、指令对齐技术；
   实践： 基于Llama开发对话系统，实现轻量微调（LoRA）等工业热门技术。
预训练模型深度应用： 掌握“预训练+微调”范式，完成情感分析、命名实体识别等NLP任务； 对比FastText/BERT/T5等模型效果，培养技术选型能力。

课程大纲

第一阶段: Python和Pandas（112课时）
课程名称 课时 讲解内容 教学目标
Python编程 72 技术：Python入门基础、数据类型、运算符、数 据类型转换、流程控制、函数、模块与包。 掌握：使用Python语言进行程序开发的能力。
Pandas应用（Sec1~Sec5） 40 技术：Series、数据导入/导出、DataFrame、常 用函数、数据清洗的方法、常用转换函数、常用 时间函数、索引与高维索引、分组与聚合 掌握：使用Pandas库完成数据清洗、转换、统计计 算的能力。
第二阶段：传统机器学习（104课时）
课程名称 课时 讲解内容 教学目标
机器学习基础 16 理论：机器学习的概念和应用举例，机器学习的 流程和框架，机器学习的基本要素(模型，损失函 数，优化算法)，机器学习模型的分类；必要的线 性代数和微分数学基础。
技术：机器学习的数据处理，包括数据预处理、 异常值的发现和处理、特征归一化、相关性分析 等。		 理解：机器学习基本概念和必要的数学基础。 掌握：使用Pandas进行机器学习数据处理和特征计 算的能力。
线性回归模型 20 理论：回归模型的概念，线性回归模型的预测函 数、损失函数、评价指标；线性回归模型的优化 (解析法和梯度下降法)；欠拟合与过拟合问题； 特征选择和特征优化的方法；L1和L2正则化。
技术：scikit-learn机器学习库的使用，线性回 归模型实操。		 理解：线性回归模型的概念和训练算法，特征选择 和特征优化的方法，正则化的概念和应用场景。
掌握：使用scikit-learn解决线性回归问题,通过特 征选择和正则化的方式解决过拟合问题。
逻辑回归和SVM模型 (判别式分类模型） 20 理论：分类问题应用举例，分类问题的指标，概 率模型和非概率模型；逻辑回归模型的定义、损 失函数和优化算法；线性分类器和线性可分问题 、最大间隔分类器；线性SVM的定义、损失函数和 优化算法；核技巧 (非线性SVM)。
技术：逻辑回归和SVM模型的训练和预测实操。		 理解：分类问题的定义和评价指标，逻辑回归模型 的定义、损失函数和优化算法，SVM模型的定义、损 失函数和优化算法。
掌握：使用scikit-learn完成逻辑回归模型和SVM模 型的训练、预测。
决策树和集成学习模型 (可同时应用于回归和分类) 20 理论：决策树的定义，解决分类和回归问题的过 程，对特征空间的划分；CART决策树的特征选择 、生长算法和裁剪算法；超参数调优方法和交叉 检验；集成学习的概念；随机森林模型及其训练 算法；提升树 (包括XGBoost、LightGBM)模型及 其训练算法。
技术：CART树和XGBoost、LightGBM模型训练及 预测实操。		 理解：决策树模型的概念和训练算法，集成学习的 概念，随机森林模型的概念和训练算法，提升树模 型(XGBoost、LightGBM)模型的概念和训练算法，超 参数调优和交叉检验。
掌握： 使用scikit-learn实现决策树和提升树模型的训练，预测
朴素贝叶斯模型 (产生式分类模型) 8 理论： 必要的概率和数理统计基础；判别式模型 和产生式模型；朴素贝叶斯模型；极大似然估计 。
技术：朴素贝叶斯模型训练及预测实操。		 理解：判别式模型和产生式模型的概念，朴素贝叶 斯模型，极大似然估计。
掌握： 使用scikit-learn实现朴素贝叶斯模型的训 练、预测。
电商推荐模型实战（项目） 20 业务：电商推荐的业务背景，推荐系统的架构和 主要模块，推荐系统的推荐指标
理论： 推荐精排模型的选型，推荐模型的特征工 程，模型效果分析和提升的方法论
技术： 使用Pandas进行数据处理和可视化分析， 使用scikit-learn等机器学习包进行模型训练和 预测，模型效果分析和效果提升实践。		 掌握：业务机器学习模型开发的流程和方法，模型 训练、效果分析和优化的实践经验。
第三阶段：深度学习（194课时）
课程名称 课时 讲解内容 教学目标
深度学习基础 36 理论：深度学习的概念，神经网络拟合复杂函数 的能力，神经网络特征提取的能力，深度学习解 决分类问题和回归问题的方法，深度学习的发展 史。
技术： 深度学习环境的安装，算力租用平台的注 册、使用，GPU并行计算，PyTorch Tensor运算， PyTorch自动求导，PyTorch数据、模型、损失函 数、优化器等模块，基于PyTorch重新实现线性回 归模型的训练、预测。		 理解：深度学习的概念，神经网络的学习能力，深 度学习解决分类和回归问题的方法，深度学习的发 展史和标志性事件
掌握： 深度学习环境的安装，基于PyTorch开发神经 网络模型。
卷积神经网络 (CNN) 24 理论：卷积层的定义和作用（局部特征提取 器），池化层的定义和作用，填充和步幅，感受 野和分辨率，适合CNN解决的问题举例和总结；神 经网络训练相关策略：早停策略、学习率控制策 略；与神经网络效果相关的结构：Dropout、ReLU 、Batch Norm & Layer Norm、Residual Connection；现代卷积网络：AlexNet, VGG, ResNet等。
技术： 利用PyTorch实现CNN模型的训练和预测， 在Fashion-MNIST数据集上比较各种CNN相关网络 结构的效果。		 理解：CNN的网络结构和作用，CNN适合解决的问 题，神经网络训练相关的策略和结构，典型的现代 卷积网络。
掌握： 利用PyTorch完成CNN模型的训练和预测，分 析和优化模型效果的方法。
Transformer和循环神经网络 (RNN) 42 理论：上下文建模的概念；注意力机制；位置编 码；Layer Norm和残差连接；Transformer encoder block;Transformer decoder block； 随机梯度下降的改进算法；RNN的基本结构；RNN 的改进型 （GRU & LSTM);双向RNN；BPTT算法； RNN和Transformer的对比。
技术： 利用PyTorch和HuggingFace Transformers包实现Transformer模型的训练和 预测,完成命名实体识别任务。		 理解：Transformer和RNN的网络结构和作用，适合 解决的问题，随机梯度下降的改进算法，RNN计算梯 度的BPTT算法。
掌握： HuggingFace Transformers包的使用，基于 Transformer模型完成命名实体识别任务。
自然语言处理(NLP)专题 40 理论：NLP的主要应用，NLP的主要算法问题，基 于词权重向量的文本表示，分词原理和实操，TF-IDF，基于词权重向量的文本相似度，词嵌入的概 念，上下文无关的词嵌入模型 (Skip-Gram, CBOW, FastText等)，Bert预训练模型 (Encoder-Only架构)，T5预训练模型（Encoder-Decoder架构）
技术： 掌握预训练模型+微调的模型开发范式，分 别基于FastText和Bert实现情感分析任务，并比 较效果和性能。		 理解：NLP的主要应用和算法问题，基于词权重向量 和词嵌入的文本表示，预训练模型及其下游任务
掌握： 通过对预训练模型进行微调，完成各种下游 NLP任务的方法。
大模型(LLM)专题 44 理论：机LLM的概念；GPT系列的发展历史；主流的 开源(Llama等)和闭源大模型；主要的LLM应用； 高效的注意力算法；旋转位置编码；指令对齐的 概念；主要的指令对齐算法 (SFT、RLHF、DPO)； 轻量微调算法 (LoRa等)。
技术：使用Llama等开源大模型开发NLP应用的方 法 (以对话系统为例)。		 理解：理解：LLM的概念和主要应用，LLM结构上的主要改 变，指令对齐的概念和主流算法，轻量微调的主要 算法。
掌握： 利用Llama等开源发模型开发NLP应用的方法
金融领域智能客服系统（项目） 24 业务：金融领域智能客服的业务背景，系统架构 及核心模块，业务需求分析，NLP任务拆解 (意图 识别和填槽，对话控制，文档知识抽取，FAQ，文 本生成等）
理论： NLP算法选型的方法论，各个NLP任务的主 流模型和效果比较 技术：使用PyTorch、HuggingFace Transformers以及Llama、Bert等开源预模型开发 业务模型。		 掌握：利用Llama等开源模型开发一个完整NLP应用 系统的方法，业务场景下模型选型和调优的方法。

师资力量