第一层：基础层

Python编程

• 变量、数据类型、控制结构
• 列表、字典、集合操作
• 函数定义与调用
• 类与对象
• 模块与包管理
• 正则表达式
• 多线程

数据科学基础

• 数组计算与向量化操作
• DataFrame操作与数据透视
• 缺失值处理
• 异常值检测
• 描述性统计分析
• 数据格式转换

AI伦理与安全

• AI伦理框架与原则
• 算法公平性评估
• 隐私计算技术
• 对抗攻击与防御
• GDPR与数据保护法
• 负责任的AI开发

第二部分：核心技术层课程

AI中的数学

• 矩阵运算与特征值分解
• 概率分布与贝叶斯定理
• 梯度下降与优化算法

机器学习

• 线性回归与逻辑回归
• 决策树与随机森林
• SVM与核方法
• 聚类算法(K-means、层次聚类)
• 降维技术(PCA、t-SNE)
• 交叉验证与超参数调优
• 集成学习方法

深度学习

• 多层感知器与激活函数
• 损失函数与优化器
• 正则化技术(Dropout、BatchNorm)
• 卷积层与池化层
• LSTM与GRU
• 注意力机制基础
• GPU加速训练

第三层:应用领域层课程

计算机视觉

• 图像滤波与边缘检测
• ResNet、VGG等经典架构
• YOLO、R-CNN目标检测
• 语义分割与实例分割
• 图像生成(GAN、VAE)
• 人脸识别与OCR

自然语言处理

• 分词与词性标注
• Word2Vec、GloVe词向量
• 情感分析与文本分类
• 命名实体识别
• 机器翻译基础
• 文本摘要与问答系统
• BERT模型原理

数据分析与挖掘

• 数据可视化最佳实践
• 市场篮子分析
• 客户细分与画像
• 预测模型构建
• 实验设计与因果推断
• 业务指标体系设计

推荐系统

• 用户-物品协同过滤
• 矩阵分解技术
• 基于内容的推荐
• 深度学习推荐模型
• 多样性与新颖性优化
• 实时推荐系统架构

第四层:前沿应用层课程

生成式AI

• 探索生成式AI
• AI工具全景图
• 合规与风险管控
• 提示工程技巧
• 测试评估与安全防护
• RAG与AIAgent
• 多模态内容创作

大语言模型LLM

• LLM模型RAG和LangChain
• LLMAPI
• 向量和向量数据库
• 使用Embedding API
• 数据处理
• Streamit
• 检索问答链

多模态AI

• 图像描述生成
• 视觉问答系统
• 语音识别与合成
• 多模态情感分析
• 视频理解

智能体开发

• AI智能体框架
• Al智能体设计模式
• 可信的AI智能体
• AgenticRAG
• 多智能体系统
• 代理协议(MCP,A2A和NLWeb)
• 上下文工程
• 记忆与规划机制

第五层:工程实践层

数据可视化

• 统计图表设计原则
• 交互式可视化
• 有意义的可视化
• 实时数据监控
• 商业报表制作
• 可视化最佳实践

MLOps

• MLOps导论与MLfow概览
• MLfowTradking-实验追踪的艺术
• MLfiow Projects-可复现的工作流
• MLfow Models-标准化的模型打包与管理
• MLfow Model Registry-集中化的模型管理
• MLfow与MLOps 工作流的集成
• 案例研究与动手实践

AI产品化

• AI产品需求分析
• 技术可行性评估
• 用户研究与测试
• 产品迭代策略
• 团队协作与沟通
• 商业价值评估

第六层:专业发展层

• 数据收集与预处理流程
• 标注规则制定与执行
• 模型训练过程优化
• 超参数自动调优
• 训练数据质量评估
• 人工反馈机制设计
• 模型性能测试与跟踪
• 数据标注工具使用
• 训练结果分析与报告