• 掌握 Python 语言基础，包括语法、数据类型、运算符、输入输出函数等核心内容。
• 熟练运用 PyCharm 开发工具，掌握其安装、设置及调试相关操作。
• 精通 Python 中分支、循环结构以及各类数据结构（字符串、列表、字典、元组等）的操作与运用。
• 深入理解面向对象编程，涵盖类和对象、封装、继承、多态及设计模式等方面知识。
• 具备 Python 文件操作、异常处理以及模块制作、安装与使用的能力。
• 了解 Python 的高级特性，像深拷贝、浅拷贝、生成器、迭代器、闭包、装饰器等内容。
• 掌握 Python 进程与线程相关概念及操作，包括并发、通信、互斥锁等要点。
• 熟悉 Python 网络编程以及正则表达式相关知识，用于对应场景的实践应用。
• 掌握链表、栈、队列的基本操作及应用。
• 熟练运用快速排序、二分查找等算法。
• 解决数组、字符串、查找等各类问题。
• 掌握递归、动态规划、贪心、回溯等算法思想及应用。

Python核心

• 1、Python入门：Python发展史、Python应用场景、Python开发环境搭建
• 2、PyCharm：PyCharm的安装、设置字体、设置快捷键、PyCharm常用设置、调试
• 3、Python基础知识：注释、变量以及数据类型、标识符和关键字、输入函数、输出函数、运算符、程序类型转换
• 4、分支和循环：if判断语句、运算符、if-else语句、while循环、for循环、break、continue
• 5、字符串和列表：字符串输入、字符串输出、下标和切片、字符串常见函数、列表(list)、列表的循环遍历、列表的增删改查、列表的嵌套、列表的切片
• 6、字典和元组：字典的增删改查、字典遍历、访问元组、修改元组、集合（set）
• 7、函数：函数定义、函数的类型、函数参数、函数返回值、函数嵌套、局部变量、全局变量、递归函数、匿名函数
• 8、文件操作：文件的打开与关闭、文件的读写、文件读写应用
• 9、面向对象（类和对象）：定义类、类的构成、类的__init__()方法、创建对象、理解self
• 10、面向对象（封装、继承、多态）：封装、私有方法、私有属性、__del__()方法、继承、多继承、多态、类属性、实例属性、静态方法和类方法
• 11、面向对象（设计模式）：单例模式、工厂模式、__new__方法
• 12、综合案例：愤怒的小鸟
• 13、异常：捕获异常、异常的传递
• 14、模块：模块中的__all__、模块制作、打包模块、模块安装与使用
• 15、深拷贝、浅拷贝、私有化：深拷贝案例、浅拷贝案例、进制、位运算、作用域、私有化、属性property
• 16、生成器、迭代器、闭包、装饰器、元类、垃圾回收、内建函数
• 17、网络编程：进程池、进程间通信、多线程、进程和线程区别、协程、网络通信、端口、IP地址、socket、UDP、TCP、http
• 18、网络编程综合案例：企业级web框架starlette介绍及使用
• 19、正则表达：表示字符、表示数量、原始字符串、表示边界、匹配分组
• 20、综合案例：客户信息管理系统综合案例

数据结构&算法

• 1、什么是数据结构、数据结构分类、什么是算法、算法的分类、时间复杂度、空间复杂度
• 2、常用数据结构：数组、链表、栈、队列、哈希表、树、图
• 3、常用算法：查找算法、排序算法、分治算法、动态规划算法、回溯算法、贪心算法
• 4、力扣刷题及阶段考试

• 熟练安装配置 Linux 环境并掌握常用命令。
• 精通 MySQL 安装使用及 SQL 操作。
• 熟悉 Numpy 的属性、函数及运算。
• 掌握 Pandas 的数据处理方法。
• 会用多种工具进行数据可视化。
• 具备在 Linux 环境下进行数据分析和可视化的综合能力。

Linux与数据库基础

• 1、Linux环境准备：WSL/Linux安装、VI编辑器、软件包安装、常用命令（vim, cd, grep, tail等）
• 2、Shell编程：变量、流程控制、自定义函数、正则工具
• 3、Docker：安装、镜像管理、容器启动与常用命令
• 4、MySQL：SQL语句、多表操作、开窗函数、数据库约束、远程连接实战
• 5、前后端基础：FastAPI、SQLAlchemy、Uvicorn入门

数据分析核心库

• 1、Numpy：环境搭建、张量属性、切片索引、统计/排序函数、矩阵运算
• 2、Pandas核心：Series与DataFrame创建、布尔索引、数据导入导出、缺失值处理、日期处理
• 3、Pandas进阶：数据组合(concat/merge)、apply函数、数据聚合转换、透视表
• 4、时间序列：日期索引、生成时间序列、重采样
• 5、可视化：Matplotlib、Pandas可视化、Seaborn可视化
• 6、综合案例：房地产市场洞察与价值评估、员工薪资统计、睡眠质量分析

• 熟悉线性代数、概率、高数等数学基础。
• 熟悉 KNN 算法的思想、流程及不同距离计算方法，能进行特征预处理。
• 理解线性回归的概念、分类、损失函数及梯度下降算法，掌握模型评估指标。
• 掌握逻辑回归的数学基础、原理及分类评估指标，能进行案例实践。

数学基础与概述

• 1、高等数学：导数、求导法则、极值计算、偏导数、梯度
• 2、线性代数：标量/向量/矩阵运算、范数、逆矩阵
• 3、概率论：常见分布（正态/伯努利）、贝叶斯定理、极大似然估计
• 4、机器学习概述：发展历程、算法分类、建模流程、特征工程

经典模型算法

• 1、KNN：算法思想、距离度量方法、特征归一化/标准化、参数调优
• 2、线性回归：损失函数、正规方程、梯度下降、模型评估(MAE/MSE/RMSE)、正则化
• 3、逻辑回归：原理、混淆矩阵、精确率/召回率/F1、AUC/ROC曲线
• 4、无监督学习：聚类算法简介、Kmeans原理、模型评估、DBSCAN
• 5、感知机：基本概念、激活函数、逻辑电路局限性

• 理解深度学习的概念、应用场景及优缺点。
• 掌握 Pytorch 的安装及张量的各种操作（创建、转换、计算等）。
• 熟悉神经网络的结构组成（输入层、输出层、隐藏层等）及激活/损失函数。
• 掌握卷积神经网络 CNN，理解图像基础、卷积层和池化层。
• 掌握循环网络 RNN 原理及词嵌入层、文本生成案例。
• 具备深度学习项目实战能力，如房价预测和服装分类。

Pytorch与神经网络

• 1、Pytorch基础：张量创建、类型转换、数值计算、自动微分、线性回归案例
• 2、神经网络基础：多层感知机、激活函数、初始化方式、神经网络搭建
• 3、神经网络学习：数据驱动、损失函数、梯度下降法、学习算法实现
• 4、反向传播（核心）：计算图、链式法则、算法原理与实现
• 5、优化与进阶：参数更新优化、权重初始值、正则化、梯度消失/爆炸

进阶架构与项目

• 1、CNN：图像基础、卷积层计算、池化层、全连接层、服装分类案例
• 2、项目实战：房价预测、多层感知机应用

• 理解 NLP 的概念、发展历史和应用场景。
• 掌握文本预处理方法，包括文本张量表示、特征处理和数据增强。
• 熟悉 RNN、LSTM、GRU 模型的结构特点及 API。
• 掌握 Seq2Seq 结构及添加注意力机制（Attention）的方法。
• 理解 Transformer 架构，包括各层结构和编码器-解码器实现。
• 掌握 fastText 工具及预训练模型（BERT、GPT、T5）的微调与应用。

NLP核心技术

• 1、预处理与词表示：中英文分词（jieba）、One-hot、Word2Vec原理及实战
• 2、经典序列模型：RNN、LSTM、GRU 的多层双向结构及 API（智能输入法、AI智评案例）
• 3、Seq2Seq与Attention：编码器-解码器、注意力评分函数（点积/拼接）、中英翻译案例
• 4、Transformer：核心思想、整体结构实现、中英翻译3.0实战
• 5、预训练模型：GPT、BERT、T5 结构与微调方式、AI智评3.0实战

NLP项目实战

• 1、项目：智能发布（标题分类）- 层级化分类设计、数据均衡化（下采样/大模型增强）、BERT微调、高效评估

• 掌握大模型智能体（LLM Agent）的核心概念与范式。
• 熟练运用主流低代码/无代码智能体开发平台（Coze、Dify）。
• 精通 LangChain 框架核心模块与 LangGraph 图状编排。
• 深入理解并工程化实现检索增强生成（RAG）技术。
• 具备构建领域知识图谱、多步规划与工具调用的能力。
• 掌握私有化模型部署（Ollama、Xinference）与企业级应用集成。

Agent应用开发与平台

• 1、核心理论：提示词入门、Agent构成要素、工具配备、规划执行、记忆机制
• 2、项目：商户运营管家 - 私有知识库搭建、电商/自媒体多场景AI助手搭建、Python调用工作流
• 3、本地化：Coze/Dify部署、Ollama/Xinference大模型部署

LangChain/LangGraph框架

• 1、LangChain模块：Model I/O、Chains、Memory、Agents抽象、Retrieval(向量数据库)
• 2、LangGraph进阶：图状思维、State管理、节点/边构建、流式输出、内部文档查询助手案例

高阶项目实战

• 1、项目：市场罗盘 - 场景化任务拆解、自主架构设计、多维度过程检查
• 2、项目：掌柜智库 - 基于LangGraph的可插拔RAG、多模态处理(MinerU)、多路召回、RAGAS评估
• 3、行业实战：好医智库/伴学智库（医疗报告解析/教辅生成）、掌柜问数（DataAgent/NL2SQL）

• 理解 LLaMA 和 Qwen 系列模型的核心原理。
• 掌握大模型微调技术（SFT、PEFT、LoRA、QLoRA）。
• 掌握强化学习微调（RLHF、PPO、DPO、GRPO）与对齐流程。
• 具备分布式训练（DeepSpeed）与高性能部署（vllm）能力。
• 熟悉大模型在对话、文摘、内容生成等任务的方案设计与实现。

大模型微调与部署

• 1、模型原理：GPT、LLaMA、Qwen 系列核心架构详解
• 2、微调技术：PEFT、LoRA、QLoRA、DeepSpeed 分布式训练、数据集处理（Alpaca/ShareGPT）
• 3、工程实践：训练环境搭建、代码详解、模型合并打包、vllm 高性能部署、评估指标分析
• 4、项目：文摘引擎 - 基于 Qwen3-4B + LoRA 报表效率提升、异常归因与安全合规

强化学习与对话系统

• 1、RL理论：PPO、DPO、GRPO、RLHF 流程、复刻 DeepSeek-R1 思维链
• 2、项目：智能评论 - 奖励模型训练、PPO 强化学习对齐、人类偏好对齐实战
• 3、对话机器人：Rasa 源码定制、DIET 多任务学习、双引擎驱动策略、Action 调用外部 API
• 4、行业案例：尚医助手/知学助手/万应助手 - 医疗语境优化、Text-to-SQL、地理位置集成

• 掌握指令模型和推理模型提示词规则。
• 掌握 Vision Transformer (ViT) 及 CLIP/ClipCap 核心原理与实现。
• 掌握扩散模型 (Diffusion Model) 与文生图技术 (Dall-E2)。
• 熟悉大模型结合办公软件、AI Agent 及工作流搭建方式提升效率。
• 能够实现“文搜图”、“图生文”及受控的“详情页生成”等复杂多模态任务。

多模态核心理论

• 1、视觉架构：ViT原理、从零实现图像分类
• 2、跨模态对齐：CLIP 文搜图、ClipCap 图生文原理与实现
• 3、图像生成：扩散模型 (Diffusion)、条件扩散模型、Dall-E2 核心原理

多模态项目实战

• 1、项目：智能检索 - CLIP模型续训、AdamW分组学习率、Chroma向量数据库检索闭环
• 2、项目：智能发布（标题生成）- 图像表征预计算、投影层映射、自回归采样生成
• 3、项目：智能发布（详情页生成）- Stable Diffusion + LoRA 风格微调、ControlNet 结构控制、IP-Adapter 细节还原

• 从技术和项目两个角度按照企业面试要求复习。
• 掌握简历指导、职业规划、书写与投递技巧。
• 提升面试应答与模拟面试实战表现。

面试强化与指导

• 1、技术点与项目串讲：全阶段技术复盘、学过项目亮点拆解
• 2、模拟考试：针对面试题库与项目实操进行考核
• 3、就业服务：简历书写指导（Word/网络）、模拟面试复盘、职业规划建议