TensorFlow、PyTorch、LangChain。从数据准备到模型部署，构建你自己的 AI 应用。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。