学习内容：

第⼀章 机器学习基础认知
• 机器学习定义、任务类型与典型应用
• 监督学习、无监督学习与强化学习概览
无 • 训练集、验证集、测试集的划分逻辑
• 常见开发流程与实验规范

第二章 机器学习必备数学与评估基础
• 概率统计核心直觉
• 线性代数在建模中的应用
• 损失函数、评价指标与模型评估方法
• 过拟合、欠拟合与偏差-方差权衡
• 交叉验证与超参数调优基础

第三章 经典监督学习算法
• 线性回归与逻辑回归
• K近邻与朴素贝叶斯

• 决策树、随机森林与集成学习基础
• 支持向量机与核技巧
• 不同算法的适⽤场景与选型思路

第四章 ⽆监督学习与特征工程
• 聚类⽅法：K-Means 与层次聚类
• 降维⽅法：PCA 与 t-SNE
• 特征⼯程与特征选择
• 数据标准化、归⼀化与特征缩放
• 缺失值处理、类别编码与数据清洗策略

第五章 机器学习建模实战
• 使⽤ scikit-learn 完成回归/分类任务
• 端到端建模流程实战
• 模型调参、结果分析与实验复盘
• 从业务问题到机器学习方案设计

学习内容：

第一章 神经网络与深度学习基础
• 感知机、多层感知机与前向传播
• 反向传播与梯度下降核心机制
• 常⻅损失函数与激活函数
• 深度学习任务范式与应⽤场景
• Embedding 表征与表示学习基础

第二章 PyTorch 核心开发框架
• 张量操作与⾃动微分
• Dataset / DataLoader 数据加载机制
• 模型定义、训练循环与验证流程
• 模型保存、加载与实验管理
• GPU 训练基础与常⻅调试⽅法

第三章 深度网络核心模型
• 卷积神经⽹络 CNN 原理与图像任务基础

• 循环神经⽹络 RNN / LSTM 与序列建模
• Attention 机制与 Transformer
• 迁移学习与预训练模型基础

第四章 训练优化与⼯程技巧
• 优化器与学习率调度策略
• 权重初始化、BatchNorm 与 Dropout
• 梯度消失/爆炸问题及处理⽅法
• 模型泛化、正则化与训练稳定性优化
• Early Stopping、混合精度与训练提效基础

第五章 深度学习任务实战
• 图像分类项目实战
• 文本分类项目实战
• 从数据准备到模型评估的完整深度学习流程
• 实验记录、结果复现与模型对比分析

学习内容：

第一章 人工智能发展综述
• 人工智能基本概念与学科边界
• 人工智能发展历程与关键技术迭代
• 人工智能技术体系分类
• 人工智能产业结构与岗位体系

第二章 人工智能核心理论与学习范式
• 数据、特征、训练、推理的统一认知
• 符号主义、连接主义与行为主义
• 判别式学习与生成式学习
• 监督学习、无监督学习、强化学习的关系

第三章 模型训练、优化与部署方法论
• 模型训练的核心流程
• 模型评估、调优与实验迭代逻辑
• 模型压缩、轻量化与推理部署基础
• 从研究原型到工程落地的典型链路
• 数据闭环、反馈迭代与线上监控认知

第四章 主流 AI 技术方向全景
• 计算机视觉 CV 基础认知
• 自然语言处理 NLP 基础认知
• 大模型与生成式 AI 基础认知
• 具身智能与机器人方向认知
• 多模态技术与智能体应用认知

第五章 AI 安全、伦理与数据治理基础
• 数据隐私、版权与合规意识
• 模型偏见、可解释性与安全风险
• 幻觉、鲁棒性与可信 AI 基础认知
• 企业场景下的数据治理与应用边界

第六章 学习路径规划与方向选择
• 不同 AI 岗位的能力要求
• 从基础课程到方向课程的衔接路径
• 项目能力、工程能力与面试能力准备建议

学习内容：

第一章 AI 大模型认知与技术全景
• 大模型核心概念与行业定位
• 大模型技术迭代与主流模型谱系
• 大模型核心特性与问题溯源（涌现能力、Scaling Laws、幻觉成因）
• 大模型岗位技术栈与就业体系
• 课程全景导览与学习路径规划

第二章 预训练技术与大模型架构详解
• Transformer 核心架构深度拆解
• 文本表示方法演进与词嵌入技术
• 预训练技术范式
• 主流大模型架构精讲（LLM、VLM、Diffusion Transformer、MoE）
• 大模型选型与评估策略

第三章 大模型训练技术
• 数据工程与分词技术
• 全参数微调与参数高效微调
• 大模型对齐技术
• 分布式训练与显存优化
• 实践：下游任务微调、强化学习训练

第四章 大模型推理优化与工程部署
• 推理加速核心技术
• 主流推理框架对比与实践
• 流式推理与服务化部署
• 私有化部署与高并发服务搭建
• 实践：多场景私有化部署大模型推理服务

第五章 大模型应用开发基础
• 提示词工程（Prompt Engineering）与高阶策略
• AIGC 工具与主流模型应用实践
• 向量数据库与文本嵌入技术
• 智能体（Agent）技术与开发协议（Function Calling、MCP、A2A、Agent Skills）
• 多智能体协作架构与低代码平台实践（Coze、n8n）

第六章 智能知识问答系统实战
• RAG 技术体系与模块化系统架构设计
• 检索优化与高级策略（混合检索、重排序、查询改写）
• GraphRAG：基于知识图谱的增强策略
• 低代码 RAG 平台落地方案（Ragflow）
• 实战项目：企业私有知识库智能问答系统

第七章 大模型/智能体行业应用实战（6 大商业项目）
• AI Coding 全栈开发实战
• OpenClaw/Hermes 多智能体协同实战
• ChatBI Agent——对话式数据分析与可视化
• DeepSearch——多智能体深度调研与分析系统
• 智能合同审查与风控助手
• 基于 VLM 的智慧交通系统（路况感知、事件识别与调度决策）

学习内容：

第一章 计算机视觉概述
• 视觉应用行业概述
• 传统算法与深度学习
• 视觉开发环境搭建

第二章 传统机器视觉算法
• 数字图像核心原理
• 基础图像处理
• 图像边缘与轮廓检测
• 传统特征检测与匹配
• 基于 OpenCV 的图像处理实战

第三章 深度学习之卷积神经网络 CNN
• 神经网络与反向传播
• CNN 核心架构与原理
• 卷积核心参数与网络构建
• 经典 CNN 网络模型
• 图像分类与编码器
• 模型训练调参与实例分析

第四章 视觉重点任务之目标检测
• 目标检测原理
• 主流检测框架
• YOLO 系列演进
• 数据标注及增强
• 模型评估指标
• 典型应用与实战

第五章 视觉进阶任务
• 语义分割与实例分割
• 图像分割项目实战
• 关键点检测与姿态估计
• 关键点/姿态估计项目实战

第六章 视觉高阶任务
• 图像生成与视觉 AIGC
• 目标追踪与视频分析
• 三维视觉技术
• 自动驾驶感知技术
• 工业视觉检测

第七章 模型优化与部署
• 模型轻量化技术
• 模型导出与推理部署
• 多场景工程部署

第八章 综合项目与就业指导（基于 YOLO 的实时目标检测与行为识别系统）
• 工业产品缺陷智能检测项目
• 人脸识别考勤/门禁实战系统
• 图像修复与超分辨率生成式视觉项目
• 视频智能分析与异常行为预警项目
• 毕业设计与就业指导

学习内容：

模块一：项目管理基础与核心原则
• 第1章：项目管理概述
• 第2章：项目管理六大核心原则
• 第3章：项目运行环境
• 第4章：项目经理的角色与能力

模块二：项目管理七大绩效域核心实践
• 第5章：治理绩效域
• 第6章：利益相关方（干系人）绩效域
• 第7章：范围绩效域
• 第8章：进度绩效域
• 第9章：财务绩效域
• 第10章：资源绩效域
• 第11章：风险绩效域

模块三：项目管理五大焦点领域与全流程整合
• 第12章：启动焦点领域
• 第13章：规划焦点领域
• 第14章：执行焦点领域
• 第15章：监控焦点领域
• 第16章：收尾焦点领域
• 第17章：全流程整合应用

模块四：项目管理新趋势与综合实践应用
• 第18章：项目管理新趋势与前沿实践
• 第19章：跨行业典型案例解析
• 第20章：项目管理综合实训
• 第21章：项目管理能力提升与职业发展

学习内容：

第一章 产品创新管理
• 产品生命周期
• 产品创新中的路线图
• 度量指标与关键绩效指标

第二章 产品创新战略
• 创新战略框架
• 开放式创新
• 可持续性创新

第三章 产品创新组合
• 战略一致
• 新产品组合管理
• 组合平衡与治理

第四章 产品创新流程
• 产品创新流程模型
• 产品创新流程控制与管理

第五章 产品创新设计与开发
• 设计与开发概论
• 设计与开发流程

第六章 产品创新市场调研
• 市场调研方法
• 产品使用测试、市场测试与试销

第七章 产品创新文化与团队
• 产品创新团队结构
• 领导力、团队发展与激励

学习内容：

• 大模型方向面试核心知识点整理
• 面试技巧与实战策略
• 大模型应用算法工程师职业规划
• 简历优化与典型点评

• 简历一对一修改
• 面试辅导、模拟面试
• 岗位内推

学习内容：

• 工信人工智能培训
• 工信人工智能认证考试

• PMP 考前冲刺培训
• PMP 认证考试

学习内容：

• 简历优化
• 职业生涯规划
• 岗位内推

• 各类实战课程
• 线下峰会
• 人脉圈子