【课程背景】

2026年的技术职场正在经历深刻洗牌：传统业务系统的开发岗位增长趋缓，而具备AI模型开发与集成能力的工程师成为各大企业争抢的稀缺人才。然而，大量经验丰富的传统程序员（Java、C++、C#等背景）在转型AI时面临共同的困境：不熟悉Pyth n科学计算生态（NumPy/Pandas）、缺乏系统的机器学习理论基础、对深度学习框架（PyT rch/Tens rFl w）感到陌生。市面上要么是面向零编程基础的“科普课”，要么是直接切入深度学习的“高阶课”，中间缺乏一条平滑的、程序员友好的进阶路径。

本课程正是为填补这一空白而设计。课程充分尊重传统程序员已有的编程经验和逻辑思维能力，将其作为转型的优势资产，以**程序员熟悉的思维方式**讲解机器学习的基本概念，以对比式教学帮助学员快速将已有编程经验迁移到Pyth n与AI领域。课程采用“理论讲解 → 代码演示 → 当堂练习 → 小组讨论”的四段式教学法，确保学员在每一节课上都有实质性的动手产出，最终通过一个贯通全课程的毕业项目，完成从“传统开发者”到“AI应用开发者”的能力跃迁。

【课程收益】

1、扎实的Pyth n数据科学基础；

2、系统的机器学习理论与实战能力；

3、深度学习框架PyT rch实战能力；

4、端到端AI项目开发经验；

5、程序员思维的高效迁移

【课程特色】

行动学习 边学边练

内容全面 融会贯通

复合多样 全面提升

企业案例 边训边战

最佳实践 引导开拓

工具模板 拿来即用

【课程对象】

-希望转型AI方向的传统软件工程师（Java、C++、C#、G 等语言背景），有1年以上开发经验，希望系统学习Pyth n及机器学习技术栈

- 运维/测试/数据工程师，希望拓展AI技能，向AI ps、智能测试等方向转型

- 有一定编程基础的学生或自学者，希望系统掌握机器学习与深度学习的理论与实践

- 技术管理者或架构师，希望理解AI技术栈以更好地指导团队技术选型与项目规划

【课程大纲】

模块一：Pyth n数据科学基础

模块目标：系统掌握Pyth n编程及数据科学核心库（NumPy、Pandas、Matpl tlib），具备独立进行数据处理、分析和可视化的能力。

第一单元：Pyth n编程快速入门

第1课：从Java/C++到Pyth n —— 思维模式转换与开发环境搭建

Pyth n的设计哲学与运行机制（解释型 vs 编译型、动态类型 vs 静态类型）

Anac nda/Jupyter环境搭建、pip与c nda包管理

对比Java：变量与数据类型、基本运算符、类型推断与动态特性

实践：配置开发环境，编写第一个Pyth n脚本

第2课：控制流与数据结构 —— 程序员的“老朋友与新面孔”

条件语句、循环语句（与Java/C++的差异）

列表、元组、字典、集合 —— 特性对比与使用场景分析

列表推导式、字典推导式 —— Pyth n独有语法

实践：实现一个简易的学生成绩管理系统

第3课：函数、模块与异常处理 —— 工程化编程基础

函数定义、参数传递（可变参数、关键字参数、默认值）

Lambda表达式、高阶函数（map/filter/reduce）

模块导入与包管理、异常处理机制

实践：编写可复用的数据处理工具函数库

第4课：面向对象编程在Pyth n中 —— “同类不同形”

类与对象、继承与多态（对比Java/C++的差异）

特殊方法（__init__、__str__、__len__等）

装饰器、迭代器、生成器

实践：构建一个简单的图书管理系统

第二单元：NumPy —— 科学计算基础

第5课：NumPy数组 —— 从“列表”到“向量”的性能飞跃

ndarray的创建与属性、数据类型与内存布局

数组索引、切片、布尔索引与花式索引

NumPy与Pyth n列表的性能对比实验

实践：对比列表与数组进行大规模数学运算的性能差异

第6课：NumPy的向量化运算与广播机制

通用函数（ufunc）与向量化运算

数组运算（算术、比较、逻辑）、矩阵运算（d t/@）

广播机制的原理与应用场景

实践：使用NumPy实现图像的灰度化与亮度调整

第7课：NumPy进阶 —— 线性代数与随机数

形状变换（reshape、ravel、transp se）、数组拼接与拆分

线性代数模块（linalg）：矩阵乘法、求逆、特征值分解

随机数生成与统计分析

实践：实现线性回归的N rmal Equati n解法

第三单元：Pandas —— 数据分析利器

第8课：Pandas核心数据结构 —— Series与DataFrame

Series的创建与索引、DataFrame的创建方式

数据的导入与导出（CSV、Excel、JS N）

数据查看：head/tail、inf 、describe

实践：加载真实数据集（如Titanic）并进行初步探索

第9课：数据清洗与转换

处理缺失值（检测、删除、填充）

数据去重、替换、数据类型转换

索引与选择（l c/il c/at/iat）、条件筛选

实践：对真实数据进行完整的清洗流程

第10课：数据聚合、分组与合并

Gr upBy机制、聚合函数（sum/mean/c unt等）、自定义聚合

数据合并（merge/j in/c ncat）

数据透视表与交叉表

实践：用户消费行为分析（分组统计、周期分析）

第四单元：Matpl tlib —— 数据可视化

第11课：可视化基础 —— 绘制你的第一幅数据图

图形元素：Figure与Axes、图形基本组成

图表类型：折线图、散点图、柱状图、直方图、箱线图

子图布局与图形保存

实践：对Titanic数据进行多维度可视化探索

第12课：图表美化与高级可视化

颜色、线型、标记、图例、标签与标题

多子图组合与复杂布局

使用Seab rn进行统计可视化

实践：为毕业课题制作数据分析报告中的可视化图表

模块一实战项目： 选择一个真实数据集（Kaggle Titanic/房产数据/电商数据），完成数据加载、清洗、分析、可视化全流程，交付一份数据分析报告。

模块二：Scikit-learn与机器学习实战

模块目标：理解机器学习核心原理，掌握Scikit-learn建模全流程，能够独立完成传统机器学习项目。

第五单元：机器学习基础

第13课：机器学习是什么？—— 程序员的第一次“数据视角”

机器学习的定义与核心思想：从“规则编程”到“数据驱动”

监督学习 vs 无监督学习 vs 强化学习

核心概念：特征/标签、训练集/验证集/测试集、过拟合/欠拟合

机器学习项目标准流程（CRISP-DM框架的简化版）

实践：手算一个简单的线性回归，理解“学习”的本质

第六单元：监督学习 —— 回归算法

第14课：线性回归与评估

一元/多元线性回归的数学原理与几何意义

损失函数（MSE/MAE/RMSE）与梯度下降

Scikit-learn完整建模流程（数据划分→训练→预测→评估）

实践：房价预测（B st n H using数据集）

第15课：多项式回归与正则化

多项式特征与非线性拟合

过拟合的诊断与解决方案

岭回归（L2正则化）与LASS （L1正则化）

实践：对比普通线性回归、岭回归、LASS 在不同数据集上的表现

第七单元：监督学习 —— 分类算法

第16课：逻辑回归与分类评估

Sigm id函数与概率输出、决策边界

分类评估指标：混淆矩阵、准确率、精确率、召回率、F1分数、R C/AUC

实践：信用卡欺诈检测（处理不平衡数据）

第17课：K近邻与决策树

KNN算法原理、距离度量、K值选择

决策树：信息熵、信息增益、基尼系数、CART算法

剪枝策略与防止过拟合

实践：鸢尾花分类（对比KNN与决策树）

第18课：集成学习与支持向量机

Bagging（随机森林）与B sting（AdaB st、GBDT）原理

随机森林的重要特性：特征重要性评估

SVM核心思想：最大间隔、核函数

实践：员工离职预测（使用随机森林进行特征重要性分析）

第八单元：无监督学习与模型优化

第19课：聚类分析 —— 发现数据中的自然分组

K-Means聚类原理与肘部法则

层次聚类与DBSCAN

聚类的评估（轮廓系数）

实践：电商用户画像与客户分群

第20课：降维技术 —— 让高维数据“看得见”

维度灾难与降维的必要性

PCA（主成分分析）数学原理与实现

t-SNE可视化

实践：高维数据的可视化降维

第21课：模型调优与特征工程（课程高潮）

交叉验证（K-F ld/留一法）

超参数调优：网格搜索与随机搜索

特征工程：缩放（StandardScaler/MinMaxScaler）、编码（ ne-H t/Label）、特征选择

实践：构建完整ML Pipeline，对比多个算法的性能

模块二实战项目： 基于模块一的数据集，完成完整的机器学习建模：数据预处理 → 特征工程 → 模型训练与选择 → 超参数调优 → 模型评估与解释，交付一份建模报告。

模块三：PyT rch与深度学习进阶

模块目标：掌握深度学习框架PyT rch，理解神经网络原理，具备构建CNN、RNN和Transf rmer模型的能力。

第九单元：PyT rch基础

第22课：PyT rch入门 —— 从NumPy到GPU加速

PyT rch简介与安装（CPU/GPU版本，G gle C lab云端环境）

Tens r创建与操作（对比NumPy的异同）

设备管理（CPU↔GPU迁移）、与NumPy互转

实践：使用Tens r进行矩阵运算，对比CPU与GPU性能

第23课：自动微分与神经网络基础

Aut grad机制与计算图、反向传播原理

nn.M dule模型定义、f rward方法的实现

损失函数与优化器（SGD、Adam）

训练循环的标准范式

实践：从零实现一个单层神经网络（逻辑回归）

第十单元：卷积神经网络CNN

第24课：CNN原理与核心组件

卷积核、步长、填充、感受野

池化层（MaxP l/AvgP l）的作用

经典CNN架构（LeNet、AlexNet、VGG）

实践：使用CNN实现MNIST手写数字识别

第25课：CNN进阶 —— 迁移学习与图像分类

预训练模型（ResNet、VGG16）加载与微调

数据增强与模型正则化（Dr p ut/BatchN rm）

图像分类的完整流程

实践：猫狗图像分类（使用预训练ResNet进行迁移学习）

第十一单元：循环神经网络RNN与序列建模

第26课：RNN原理与实现

序列数据与循环神经网络的核心思想

RNN的结构、梯度消失/爆炸问题

LSTM与GRU的原理与实现

实践：使用RNN/LSTM进行股票价格预测

第27课：自然语言处理入门

文本的数值化表示：词袋模型、TF-IDF、W rd2Vec

T kenizati n、Embedding层的实现

情感分析任务

实践：IMDB电影评论情感分析

第十二单元：Transf rmer与注意力机制

第28课：注意力机制与Transf rmer架构

自注意力机制（Self-Attenti n）原理

多头注意力（Multi-Head Attenti n）与位置编码

Transf rmer的Enc der-Dec der架构

实践：可视化注意力权重，理解模型“关注”了什么

第29课：预训练语言模型与大模型入门

BERT与GPT系列模型

Hugging Face Transf rmers库的使用

模型微调（Fine-tuning）

实践：使用BERT进行文本分类/情感分析

第十三单元：模型部署与总结

第30课：模型保存、加载与部署入门

模型保存与加载（t rch.save/l ad_state_dict）

NNX格式转换与跨平台部署

使用Flask/FastAPI封装模型为RESTful API

课程回顾与前沿展望（大模型、多模态方向）

模块三实战项目： 使用PyT rch构建一个完整的深度学习项目（如图像分类、文本分类或时序预测），完成数据准备、模型设计、训练、评估与部署。

毕业课题：端到端AI项目

课题要求： 学员自选或使用建议课题，完成一个完整的AI项目，覆盖三个模块的核心技能：

1.选题与数据获取

定义业务问题，明确预测目标

数据获取（Kaggle/公开数据/自行爬取）

数据探索与可视化分析

2.传统机器学习建模（模块一 + 模块二）

使用Scikit-learn构建基线模型

特征工程与模型调优

记录训练与评估结果，作为对比基准

3.深度学习建模（模块三）

构建PyT rch神经网络模型

训练、调优与评估

与传统机器学习模型进行对比分析

4.模型部署（加分项）

将模型封装为简单的Web API

或构建一个基本的Streamlit演示界面

5.项目交付

GitHub代码仓库：结构清晰、注释完整、README说明

项目报告（8-15页）：问题定义、EDA过程、建模过程、模型对比、结论与改进方向

答辩PPT（5-10分钟）与演示视频

杨文清

大数据&云计算资深实战派专家 杨文清

【专业资质】

20年企业应用与研发经验

拥有2项人工智能相关国家发明专利

中国联通集团深度培训资深讲师

AWS 云计算认证专家

曾任 IBM中国华南区高级咨询顾问

曾任华为Cloud BU高级架构师

曾任广州云宏研发总监

曾任广州智数x-Lab实验室首席科学家

武汉大学计算机科学专业硕士，22年企业应用与研发经验，曾就职于IBM、华为等大型企业，十年华为工作经验，任职华为高级架构师。

并先后担任过知名互联网公司研发总监和智数xLab实验室首席数据科学家。亚马逊云计算认证专家、VMware国际认证讲师。

中国联通集团引擎计划深度培训资深讲师（主讲Docker&K8S、Hadoop、Spark、机器学习、深度学习），对云计算、大数据有深刻的理解，主导过多项国家级大数据项目，并拥有人工智能方面的若干项国家专利。

【实战经验】

IBM中国华南区高级咨询顾问，期间曾参与公安、金融、通信、制造等行业云计算产品方案研发，为多个大型企业提供IT基础建设咨询。

华为Cloud BU高级架构师，聚焦于是云服务产业端到端管理的经营单元，负责构建云服务竞争力，对云服务的客户满意度和商业成功负责。

广州云宏研发总监，带领团队研发了WinCloud云计算管理平台、CnWare云计算操作系统，产品覆盖运营商、公安、金融、政府机关、教育、医疗等多个领域，虚拟机数量超过50万。受到国家、省市领导和专家的肯定和好评。

【项目实战经验】

国产云操作系统 (CnWare) 研发总监

云宏：参与主导公司核心产品WinCloud云管理平台建设，是当前市场上唯一可以同时管理小型机虚拟化、x86虚拟化和arm架构虚拟化的云管理平台；CnWare是唯一的国产云操作系统，对标VmWare，内容包括虚拟化管理中心、虚拟化中间件和虚拟化引擎3部分，实现了全生态全流程的虚拟化覆盖。该产品在中国电信集团采购入围时获得总分第一的成绩。

构建智慧水务AI预警平台 实验室首席科学家

智数信息：任职xLab实验室首席科学家，负责公司前瞻性技术的基础研究，并实现新技术在项目中的落地。期间将以太坊区块链技术应用到了现有的食品溯源系统；协助研发团队在智慧城市管理项目实现了物联网数据的全自动处理过程；协助研发团队将自动化运营引入到港珠澳大桥综合管理系统。作为公司首席科学家，对基础研究的标准化（选型、可行性、研究、应用）过程制定了完整的过程管理。

港珠澳大桥综合业务管理系统 首席架构师

构建综合业务管理平台，为大桥的物流、应急管理、通关提供坚实的数据支撑，提升信息化效率。

宝安智慧水务 研发总监|架构师

实现了物联网数据的全自动处理、自定义指标预警、自助式数据可视化分析，用于企业污水排放监控 。

财政信息一体化 后端架构师

建设大数据平台与业务系统，实现数据整合、可视化、异常数据监控与财政指标智能预测 。

电信经营分析系统 项目经理 / 主导设计

用数据仓库技术与可视化，对电信企业的内部和外部数据进行综合分析处理，生成运营指标 。

【擅长领域】

核心技术/技术管理/架构能力；热衷于技术驱动业务，致力于将新技术转化为高效的生产力。

【讲师优势】

拥有超过20年一线实战经验的复合型技术专家与资深讲师。兼具华为与IBM的顶级企业架构视野，以及将前沿技术从0到1成功产品化的落地能力。

多年来始终坚持在技术一线参与核心研发工作。 对技术在真实业务场景中的痛点、难点和选型权衡有极为深刻的理解，确保了其教学内容与业界最新实践紧密结合，直击问题本质。

【主讲项目/课程(部分)】可根据企业需求组合成不同深度的技术训练营。

《数据科学基础》

《Python编程：从入门到数据处理》

《数据分析思维》

《数据可视化技术与分析报告撰写》

《机器学习核心》

《机器学习经典算法与理论》

《集成学习实战：深入解析XGBoost等模型》

《基于Spark的海量数据分析与机器学习》

《深度学习进阶》

《深度学习框架PyTorch：入门与应用》

《卷积神经网络(CNN)与循环神经网络(LSTM)实战》

《LLM基础：注意力机制(Transform)实战》

《AI技术工程化》

《AI应用基础：提示词工程》

《RAG（检索增强生成）开发实战》

《AI Agent（智能体）开发实战》

《AI 行业应用案例分析》

【授课风格】

1.实战派落地教学，拒绝空谈赋能​

课程内容紧密结合主导的大型项目真实经验，案例翔实，以真实场景、真实案例、真实打法为核心支撑，全干货、全落地，拒绝空谈理论。

2.架构师全局视野，搭建体系能力​

跳出单一操作教学，深度拆解业务底层逻辑与运营架构，溯源打法设计原理，助力学员构建系统化、可迭代的完整业务体系。

3.通透化授学思维，实现举一反三​

依托全域实战经验拆解核心本质，沉淀通用方法论，助力学员举一反三、灵活复用、全域落地。真正实现学一项、通一类、用全域。

【服务客户(部分)】

运营商：联通集团总部、中国电信河南有限公司、中国电信山东有限公司、中国电信江苏有限公司、中国电信重庆有限公司、中国联通广东有限公司、中国联通福建有限公司、中国联通广西有限公司、中国联通上海有限公司、中国联通陕西有限公司、中国联通河北有限公司、中国联通云南有限公司、中国联通重庆有限公司、中国联通四川有限公司、中国联通青海有限公司、中国移动江苏有限公司、中国移动云南有限公司、中国移动浙江有限公司、中国移动河南有限公司、中国移动四川有限公司、中国移动吉林有限公司、中国移动湖北有限公司、中国移动安徽有限公司等

IT公司：华为、腾讯云、IBM、DELL、航天科工、中国航天、TaTa集团、中科曙光、龙芯中科、航天云网、航天科工、联想集团、腾讯云、蓝盾、浩云科技、润乾等

能源：国家电网（湖北省、浙江省、成都等）、南方电网、广东能源集团、江苏核电、国家电投、国网电科院、国能集团长源电力、中煤电力等

银行：中国银行广州分行、招商银行武汉分行、中国银行江苏分行、农业银行荆州分行、交通银行贵州分行、交通银行武汉分行、建设银行广州分行、中国邮政储蓄银行长沙分行、中国邮政储蓄银行南昌分行、平安银行杭州分行、广发银行广州分行、兴业银行、北京银行、工商银行、工银投资、宁波银行等