AI 开发从入门到实践

这套课程共有 14 章、214 节。文章按原课号逐篇整理，解释首次出现的术语，用具体例子说明步骤，并提供能够核对答案的练习。

目前已整理 1 篇。下面带链接的文章可以阅读，其余内容按原顺序列出，待逐篇检查后加入。选修课 2.12 保留在原位置。

从 1.01 开始阅读 · 回到 AI 与编程

怎样学习

每篇先读解释，再自己做题，最后核对解析。遇到代码先预测结果，再运行验证；遇到不熟悉的词，可以回看前文定义。完成一个具体练习，比只读完文字更能检验是否理解。

课程从AI认知、环境准备与Python开始，逐步进入数据分析、数学、机器学习、神经网络、视觉、自然语言处理、Transformer与大语言模型。教学例子用于理解机制，不能直接当作真实业务表现的证明。

课程目录

第 1 章 认识AI与学习准备

• 1.01 什么是人工智能：先建立正确认知
• 1.02 AI、机器学习、深度学习与大模型的关系（待整理）
• 1.03 AI如何学习：数据、训练与推理（待整理）
• 1.04 大语言模型如何生成文字：Token、上下文与预测（待整理）
• 1.05 多模态AI：文字、图像、语音与视频（待整理）
• 1.06 AI能做什么、不能做什么：能力边界与验证（待整理）
• 1.07 提示词入门：如何把需求说清楚（待整理）
• 1.08 安全、隐私与负责任地使用AI（待整理）
• 1.09 零基础AI学习地图：从会用到会开发（待整理）
• 1.10 综合实操：创建你的第一个AI学习助手（待整理）

第 2 章 AI开发环境与工具入门

• 2.01 先学会与电脑对话：文件、路径和终端（待整理）
• 2.02 安装 Python：认识解释器与版本（待整理）
• 2.03 安装 VS Code：编辑器、扩展和解释器（待整理）
• 2.04 运行第一个 .py：保存、执行与输出（待整理）
• 2.05 pip 入门：什么是第三方库（待整理）
• 2.06 venv 虚拟环境：给每个项目一个独立空间（待整理）
• 2.07 Jupyter Notebook：像笔记本一样运行代码（待整理）
• 2.08 Debug入门：断点、单步执行和变量检查（待整理）
• 2.09 Git入门：保存代码的历史记录（待整理）
• 2.10 GitHub入门：远程仓库与安全分享（待整理）
• 2.11 常见安装与环境错误：定位而不是重装（待整理）
• 2.12 选修：PyCharm、Miniconda与其它开发工具（选修）（待整理）
• 2.13 综合实战：交付可运行的AI学习准备工具（待整理）

第 3 章 Python编程基础

• 3.01 第一行代码：变量与赋值（待整理）
• 3.02 数据类型：数字、文本、布尔值和None（待整理）
• 3.03 输入与输出：print、input和f-string（待整理）
• 3.04 运算符：计算、比较与逻辑判断（待整理）
• 3.05 字符串：索引、切片与常用操作（待整理）
• 3.06 条件判断：if、elif、else与缩进（待整理）
• 3.07 while循环：重复、结束与break（待整理）
• 3.08 for循环、range与enumerate（待整理）
• 3.09 列表与元组：存储一组数据（待整理）
• 3.10 字典与集合：给数据加字段和去重（待整理）
• 3.11 函数：参数、返回值与复用（待整理）
• 3.12 作用域、模块与import（待整理）
• 3.13 文件读写：文本、路径和JSON（待整理）
• 3.14 异常处理与输入校验：让程序更可靠（待整理）
• 3.15 面向对象入门：类、对象与self（待整理）
• 3.16 综合实战：学习任务管理器（待整理）

第 4 章 Python进阶与实用开发

• 4.01 从练习脚本到小项目：代码组织与规范（待整理）
• 4.02 pathlib：路径、文件夹与安全文件操作（待整理）
• 4.03 标准库工具箱：datetime、collections与shutil（待整理）
• 4.04 CSV文件：读取、写入与基础数据校验（待整理）
• 4.05 JSON：结构化数据、嵌套与数据验证（待整理）
• 4.06 Excel自动化：openpyxl基础读写（待整理）
• 4.07 正则表达式：文本检索、提取与替换（待整理）
• 4.08 HTTP与API：认识请求、响应和状态码（待整理）
• 4.09 requests实战：超时、错误处理与本地API（待整理）
• 4.10 API鉴权与安全：环境变量、密钥和配置（待整理）
• 4.11 批量自动化：复制、命名冲突与预览模式（待整理）
• 4.12 命令行参数与日志：让工具可以反复使用（待整理）
• 4.13 自动化任务与定时运行入门（待整理）
• 4.14 单元测试与调试：验证代码不是“看起来能跑”（待整理）
• 4.15 综合项目：学习资料自动整理与周报生成器（待整理）

第 5 章 Python数据分析基础与工具

• 5.01 认识数据分析：业务问题、数据与分析流程（待整理）
• 5.02 搭建数据分析环境：库、Notebook与路径（待整理）
• 5.03 NumPy一维数组与向量化计算（待整理）
• 5.04 NumPy二维数组、shape与axis（待整理）
• 5.05 Pandas入门：Series、DataFrame与CSV（待整理）
• 5.06 数据体检：info、describe与质量报告（待整理）
• 5.07 缺失值处理：删除、填补与业务判断（待整理）
• 5.08 重复值、异常值与清洗决策（待整理）
• 5.09 日期、数值与类别字段转换（待整理）
• 5.10 筛选、排序、新列与基础分析（待整理）
• 5.11 groupby分组统计与KPI计算（待整理）
• 5.12 merge、透视表与数据粒度陷阱（待整理）
• 5.13 Matplotlib：折线图、柱状图与图表规范（待整理）
• 5.14 Seaborn：分布、箱线图与热力图（待整理）
• 5.15 EDA探索性分析与报告写作（待整理）
• 5.16 综合项目：模拟零售数据分析自动报告（待整理）

第 6 章 AI必备数学基础

• 6.01 数学不是门槛：AI中的数学地图（待整理）
• 6.02 变量、函数与坐标图：看懂数学表达（待整理）
• 6.03 向量入门：多项信息放在一起（待整理）
• 6.04 矩阵基础：用二维表组织数据（待整理）
• 6.05 点积、距离与相似度（待整理）
• 6.06 描述性统计：均值、中位数、方差与标准差（待整理）
• 6.07 概率入门：事件与条件概率（待整理）
• 6.08 分布、抽样与相关性（待整理）
• 6.09 导数直觉：变化率与曲线斜率（待整理）
• 6.10 偏导数与梯度：多个参数一起学（待整理）
• 6.11 链式法则：神经网络为何可以反向传播（待整理）
• 6.12 损失函数：模型怎么知道自己错多少（待整理）
• 6.13 梯度下降：让误差一步一步减小（待整理）
• 6.14 优化过程：批次、轮数与训练验证（待整理）
• 6.15 信息论直觉：熵、交叉熵与KL散度（待整理）
• 6.16 综合实战：用NumPy手写线性回归与梯度下降（待整理）

第 7 章 机器学习基础原理

• 7.01 为什么需要机器学习（待整理）
• 7.02 监督、无监督与强化学习（待整理）
• 7.03 样本、特征、标签、数据集（待整理）
• 7.04 分类与回归：从问题到任务（待整理）
• 7.05 读取数据与质量体检（待整理）
• 7.06 训练集、验证集、测试集（待整理）
• 7.07 为什么要有基线模型（待整理）
• 7.08 预处理与Pipeline：先划分再学习（待整理）
• 7.09 fit、predict、predict_proba的含义（待整理）
• 7.10 欠拟合、过拟合与泛化（待整理）
• 7.11 混淆矩阵：错误发生在哪里（待整理）
• 7.12 Accuracy、Precision、Recall、F1（待整理）
• 7.13 交叉验证与指标波动（待整理）
• 7.14 数据泄漏、分组与时间顺序（待整理）
• 7.15 完整建模流程、复现与沟通（待整理）
• 7.16 综合项目：鸢尾花分类评估系统（待整理）

第 8 章 常见机器学习算法与模型

• 8.01 从业务问题判断该用什么算法（待整理）
• 8.02 线性回归：用一条直线拟合规律（待整理）
• 8.03 逻辑回归：从分数到分类判断（待整理）
• 8.04 KNN：看邻居来做判断（待整理）
• 8.05 决策树：像一连串是非问题（待整理）
• 8.06 随机森林：让许多树一起投票（待整理）
• 8.07 支持向量机SVM：寻找清晰的分界（待整理）
• 8.08 特征缩放与算法行为差异（待整理）
• 8.09 K-Means：没有标签时怎样分组（待整理）
• 8.10 PCA：从高维数据提取主方向（待整理）
• 8.11 集成学习：Bagging、Boosting与梯度提升（待整理）
• 8.12 XGBoost与LightGBM：知道何时需要进阶（待整理）
• 8.13 算法比较指标：如何公平地打分（待整理）
• 8.14 交叉验证、Pipeline与超参数选择（待整理）
• 8.15 模型解释、对比报告与选择决策（待整理）
• 8.16 综合实战：比较7种算法并完成报告（待整理）

第 9 章 机器学习项目实战

• 9.01 机器学习项目全流程与角色分工（待整理）
• 9.02 业务问题定义：把需求转成机器学习任务（待整理）
• 9.03 数据字典、标签与数据质量审查（待整理）
• 9.04 数据切分策略：随机、分层与时间切分（待整理）
• 9.05 探索性数据分析与目标分布（待整理）
• 9.06 缺失值、异常值与重复数据处理（待整理）
• 9.07 特征工程：从原始字段到可学习特征（待整理）
• 9.08 预处理Pipeline与ColumnTransformer（待整理）
• 9.09 建立基线模型与评价基准（待整理）
• 9.10 模型训练与实验管理（待整理）
• 9.11 交叉验证与超参数调优（待整理）
• 9.12 指标选择与阈值优化（待整理）
• 9.13 错误分析与模型解释（待整理）
• 9.14 模型保存、加载与批量推理（待整理）
• 9.15 上线前检查、监控与负责任AI（待整理）
• 9.16 综合实战：客户流失预测系统（待整理）

第 10 章 深度学习基础与神经网络

• 10.01 深度学习全景与项目工作流（待整理）
• 10.02 神经元、感知机与多层感知机（待整理）
• 10.03 Tensor张量与PyTorch基础（待整理）
• 10.04 前向传播与激活函数（待整理）
• 10.05 损失函数与优化目标（待整理）
• 10.06 自动微分与反向传播（待整理）
• 10.07 梯度下降与优化器（待整理）
• 10.08 Dataset、DataLoader与批训练（待整理）
• 10.09 PyTorch标准训练循环（待整理）
• 10.10 验证集、过拟合与早停（待整理）
• 10.11 正则化、Dropout与权重衰减（待整理）
• 10.12 权重初始化与BatchNorm（待整理）
• 10.13 卷积神经网络CNN（待整理）
• 10.14 GPU、CUDA与训练性能（待整理）
• 10.15 模型保存、加载与推理部署（待整理）
• 10.16 综合实战：手写数字识别（待整理）

第 11 章 计算机视觉与CNN进阶

• 11.01 数字图像基础与计算机视觉任务（待整理）
• 11.02 OpenCV预处理与图像变换（待整理）
• 11.03 边缘、轮廓与传统视觉基线（待整理）
• 11.04 卷积深入：通道、感受野与尺寸（待整理）
• 11.05 经典CNN架构演进（待整理）
• 11.06 ResNet残差连接与特征提取（待整理）
• 11.07 迁移学习与冻结特征（待整理）
• 11.08 数据增强与稳健验证（待整理）
• 11.09 目标检测任务与标注基础（待整理）
• 11.10 YOLO检测工作流与评估（待整理）
• 11.11 语义分割与实例分割（待整理）
• 11.12 OCR文档图像处理基础（待整理）
• 11.13 视频流与摄像头基础（待整理）
• 11.14 视觉推理与批处理设计（待整理）
• 11.15 ONNX与推理优化入门（待整理）
• 11.16 综合实战：零件外观缺陷分类（待整理）

第 12 章 自然语言处理基础与序列模型

• 12.01 自然语言处理任务地图（待整理）
• 12.02 中文文本清洗与编码（待整理）
• 12.03 分词、Token与中文语言特点（待整理）
• 12.04 语料集、标注与数据切分（待整理）
• 12.05 词袋模型与CountVectorizer（待整理）
• 12.06 TF-IDF与传统分类基线（待整理）
• 12.07 Embedding词向量原理（待整理）
• 12.08 序列、Padding与DataLoader（待整理）
• 12.09 RNN循环神经网络（待整理）
• 12.10 LSTM门控机制（待整理）
• 12.11 GRU门控机制与双向序列（待整理）
• 12.12 文本情感分类完整训练（待整理）
• 12.13 模型评价、否定与错误分析（待整理）
• 12.14 Seq2Seq编码器与解码器（待整理）
• 12.15 Attention注意力机制入门（待整理）
• 12.16 综合项目：中文情感分类器（待整理）

第 13 章 Transformer原理入门

• 13.01 为什么需要 Transformer（待整理）
• 13.02 分词、Embedding与向量维度（待整理）
• 13.03 注意力机制直觉与加权求和（待整理）
• 13.04 Q、K、V与缩放点积注意力（待整理）
• 13.05 Self-Attention与Cross-Attention（待整理）
• 13.06 多头注意力机制（待整理）
• 13.07 位置编码：为什么还要告诉模型词序（待整理）
• 13.08 Padding Mask和Causal Mask（待整理）
• 13.09 FFN、残差连接与LayerNorm（待整理）
• 13.10 Transformer Encoder完整路径（待整理）
• 13.11 原始Encoder–Decoder与解码过程（待整理）
• 13.12 BERT风格双向编码与MLM（待整理）
• 13.13 GPT风格因果语言模型（待整理）
• 13.14 迷你Transformer训练与评估（待整理）
• 13.15 注意力热图、复杂度与局限（待整理）
• 13.16 综合项目：从零实现迷你Transformer（待整理）

第 14 章 大语言模型基础

• 14.01 语言模型与大语言模型：边界和能力（待整理）
• 14.02 Transformer与自回归推理复习（待整理）
• 14.03 Tokenization：字符、字节和子词（待整理）
• 14.04 特殊Token与聊天消息模板（待整理）
• 14.05 预训练语料、版权与数据质量（待整理）
• 14.06 下一Token预训练目标与损失函数（待整理）
• 14.07 参数量、计算量与Scaling直觉（待整理）
• 14.08 文本生成：Greedy、Temperature与Top-k/p（待整理）
• 14.09 上下文窗口、截断与长文本局限（待整理）
• 14.10 提示词、上下文学习与Few-shot（待整理）
• 14.11 预训练、SFT与指令遵循（待整理）
• 14.12 偏好对齐：RLHF与DPO入门（待整理）
• 14.13 幻觉、事实核验与来源接地（待整理）
• 14.14 LLM评估：基准、人工测试与数据污染（待整理）
• 14.15 模型使用工程：成本、安全与部署概览（待整理）
• 14.16 综合实战：离线语言模型生成实验室（待整理）

素材范围

以实际第1–14章V1教学包的课号为顺序依据，结合讲稿、教案、学员手册与示例改写。旧总规划中的15–20章没有完整教学材料，暂不纳入。第11章按正式教学包采用计算机视觉与CNN进阶；第9、10章的重复代码目录不产生额外课时。