01
Python 基础回顾
快速回顾 Python 核心语法、函数式编程、面向对象、装饰器与生成器，为后续数据科学和机器学习打下坚实基础。
6 课时
1.1语法速览变量、条件、循环、列表推导式等核心语法快速复习
1.2OOP 与装饰器类继承、多态、装饰器原理与自定义装饰器
1.3生成器与迭代器yield 生成器、迭代器协议、itertools 高效迭代
1.4异常处理与调试try/except、自定义异常、pdb 调试、logging
1.5文件操作与路径文件读写、pathlib、CSV/JSON 处理
1.6NumPy/Pandas 预备知识数组基础、DataFrame 概念、为后续学习做准备
02
NumPy 与 Pandas 数据处理
掌握 NumPy 数组运算、广播机制，学会用 Pandas 进行数据清洗、转换、聚合与时间序列处理，处理真实世界的数据集。
8 课时
2.1NumPy 数组创建np.array/zeros/ones/eye/linspace、dtype 指定
2.2数组索引与切片一维/二维/三维索引、布尔索引、花式索引
2.3向量化运算与广播数组运算、广播机制、ufunc 函数
2.4线性代数运算np.dot/matmul、转置、逆矩阵、特征值分解
2.5Pandas Series 与 DataFrame创建、索引、切片、数据类型
2.6数据读写 CSV/Excel/SQLread_csv/read_excel/read_sql、编码处理
2.7数据筛选与排序条件筛选、sort_values、rank、query 方法
2.8分组聚合与合并groupby/merge/join/concat 数据操作
03
数学基础：线性代数与概率统计
深入理解矩阵运算、特征值分解、概率分布、贝叶斯定理与最大似然估计，为理解机器学习算法提供数学直觉。
8 课时
3.1线性代数：向量与矩阵向量运算、矩阵乘法、转置、范数
3.2矩阵运算与分解SVD 分解、LU 分解、Cholesky 分解
3.3特征值与特征向量特征分解、PCA 数学原理、降维直觉
3.4概率论基础条件概率、联合概率、边缘概率、独立性
3.5常见概率分布正态/伯努利/泊松/二项分布及其应用
3.6统计推断基础点估计、区间估计、中心极限定理
3.7贝叶斯定理先验/后验/似然、贝叶斯推断、朴素贝叶斯
3.8梯度下降数学原理导数/偏导、链式法则、梯度更新公式推导
04
机器学习入门：Scikit-learn
学习 Scikit-learn 生态系统，掌握数据预处理、特征工程、模型选择、交叉验证与评估指标，完成第一个完整的 ML 项目。
8 课时
4.1ML 工作流概览数据收集→预处理→训练→评估→部署全流程
4.2数据预处理 PipelineStandardScaler/MinMaxScaler/缺失值填充
4.3特征工程基础独热编码、标签编码、特征选择、特征构造
4.4模型选择策略分类/回归/聚类任务、算法选择指南
4.5交叉验证K-Fold/StratifiedKFold/Leave-One-Out
4.6评估指标详解准确率/精确率/召回率/F1/AUC-ROC/MSE/MAE
4.7超参数调优 GridSearchGridSearchCV/RandomizedSearchCV/贝叶斯优化
4.8第一个完整 ML 项目从数据加载到模型部署的端到端实战
05
监督学习算法
详解线性回归、逻辑回归、决策树、随机森林、SVM 与 KNN 等经典算法，理解偏差-方差权衡与正则化策略。
8 课时
5.1线性回归与正则化最小二乘法、Ridge/Lasso/ElasticNet 正则化
5.2逻辑回归Sigmoid 函数、二分类/多分类、损失函数推导
5.3决策树原理信息增益/基尼系数、剪枝策略、可视化
5.4随机森林Bagging 原理、特征重要性、OOB 评估
5.5支持向量机 SVM最大间隔、核函数、软间隔分类
5.6K 近邻算法 KNN距离度量、K 值选择、KD 树加速
5.7朴素贝叶斯贝叶斯假设、GaussianNB/MultinomialNB
5.8集成学习 Bagging/BoostingAdaBoost/GradientBoosting/XGBoost/LightGBM
06
无监督学习
探索 K-Means、DBSCAN、层次聚类、PCA 降维、t-SNE 可视化与异常检测算法，学会从无标签数据中发现隐藏模式。
8 课时
6.1K-Means 聚类算法原理、K 值选择肘部法、初始化策略
6.2DBSCAN 密度聚类密度可达/密度相连、eps/min_samples 参数
6.3层次聚类凝聚/分裂层次、树状图、距离度量
6.4PCA 主成分分析方差最大化、降维可视化、累积贡献率
6.5t-SNE 可视化高维数据可视化、困惑度参数、与 PCA 对比
6.6异常检测算法Isolation Forest、LOF、One-Class SVM
6.7关联规则挖掘Apriori/FP-Growth、支持度/置信度/提升度
6.8聚类评估方法轮廓系数/Calinski-Harabasz/Davies-Bouldin
07
神经网络基础
从零搭建神经网络，理解前向传播、反向传播、激活函数、损失函数与优化器，掌握深度学习的核心原理。
8 课时
7.1感知机与多层网络单层感知机局限、多层感知机 MLP 架构
7.2前向传播原理加权求和、激活函数、层间数据流
7.3反向传播算法链式法则、梯度计算、权重更新推导
7.4激活函数详解ReLU/Sigmoid/Tanh/LeakyReLU/GELU 对比
7.5损失函数选择MSE/CrossEntropy/Hinge Loss 适用场景
7.6优化器 SGD/AdamSGD/Momentum/Adam/AdamW 学习率调度
7.7正则化 Dropout/L2过拟合防止、Dropout/BatchNorm/L2 正则化
7.8从零搭建神经网络纯 NumPy 实现前向/反向传播完整网络
08
PyTorch 深度学习实战
系统学习 PyTorch 框架：张量操作、自动求导、nn.Module 构建、DataLoader、GPU 训练与模型保存恢复。
8 课时
8.1张量操作基础torch.tensor、形状变换、设备迁移(CPU/GPU)
8.2自动求导 Autogradrequires_grad、backward()、梯度计算图
8.3nn.Module 构建自定义网络层、前向传播、参数管理
8.4数据加载 DataLoaderDataset/DataLoader、批处理、数据增强
8.5GPU 训练 CUDA.to(device)、DataParallel、混合精度训练
8.6模型保存与加载state_dict、checkpoint、断点续训
8.7自定义 Dataset__getitem__/__len__、数据预处理管道
8.8完整训练循环训练/验证/测试循环、TensorBoard 可视化
09
计算机视觉：CNN 与图像识别
学习卷积神经网络架构（LeNet、ResNet、EfficientNet），完成图像分类、目标检测与图像分割实战项目。
10 课时
9.1卷积层原理卷积运算、步幅、填充、感受野计算
9.2池化层与步幅最大池化/平均池化、全局平均池化
9.3经典 CNN 架构 LeNetLeNet-5 设计思想、卷积网络演进历史
9.4ResNet 残差网络残差连接、跳跃网络、深度网络训练
9.5迁移学习 Transfer Learning预训练模型、微调策略、冻结层
9.6目标检测 YOLO边界框回归、NMS、YOLO 系列演进
9.7图像分割 U-Net语义分割、实例分割、编码器-解码器架构
9.8数据增强技术翻转/旋转/裁剪、Mixup/CutMix、AutoAugment
9.9模型评估与可视化混淆矩阵、GradCAM、特征图可视化
9.10CV 实战项目完整图像分类项目：数据→训练→部署
10
自然语言处理（NLP）
掌握文本嵌入、RNN、LSTM、Transformer 架构，实战情感分析、文本分类、命名实体识别与机器翻译任务。
10 课时
10.1文本预处理分词jieba/nltk 分词、停用词、词干提取
10.2词嵌入 Word2VecCBOW/Skip-gram、预训练词向量、GloVe
10.3RNN 循环网络序列建模、梯度消失、RNN 局限性
10.4LSTM 长短期记忆门控机制、遗忘门/输入门/输出门
10.5Seq2Seq 模型编码器-解码器架构、Teacher Forcing
10.6注意力机制Self-Attention、Multi-Head Attention
10.7Transformer 架构位置编码、Encoder-Decoder、BERT/GPT
10.8BERT 预训练模型MLM/NSP 预训练、微调策略、HuggingFace
10.9文本分类实战情感分析、新闻分类、模型评估
10.10命名实体识别序列标注、BIO 标签、CRF 层
11
大语言模型与 LangChain
理解 GPT/LLaMA 等大模型原理，学习 Prompt Engineering、RAG 检索增强生成、Agent 智能体与 LangChain 应用开发。
8 课时
11.1LLM 工作原理GPT/LLaMA 架构、自回归生成、上下文窗口
11.2Prompt EngineeringFew-shot/Chain-of-Thought、提示词优化技巧
11.3RAG 检索增强生成文档切分、向量检索、上下文注入生成
11.4向量数据库 FAISSFAISS/Chroma/Milvus、相似度搜索
11.5Agent 智能体概念ReAct 模式、工具调用、规划与推理
11.6LangChain 框架入门Chain/Agent/Tool、LCEL 表达式语言
11.7工具调用与链式操作自定义工具、多步推理链、错误处理
11.8LLM 应用实战智能问答系统、文档助手完整项目
12
模型部署与优化
学习模型量化、剪枝、ONNX 导出，使用 FastAPI/Flask 构建推理服务，实现 Docker 容器化部署与模型监控。
6 课时
12.1模型量化 INT8动态/静态量化、量化精度与速度权衡
12.2模型剪枝结构化/非结构化剪枝、稀疏化加速
12.3ONNX 格式导出torch.onnx.export、ONNX Runtime 推理
12.4推理服务构建FastAPI/Flask 推理端点、批处理、异步
12.5Docker 容器化部署镜像构建、GPU 支持、弹性伸缩
12.6模型监控与更新推理延迟、数据漂移检测、A/B 测试