課程分類： DS賦能運用
課程目標：
1.人工智能基礎知識的全面掌握
學員將從傳統(tǒng)機器學習到深度學習，再到當前最熱門的大語言模型（如GPT、BERT、DeepSeek等）逐步深入學習，掌握AI的核心概念、技術原理和發(fā)展趨勢。
2.AI在軟件開發(fā)中的實際應用能力
學會使用AI工具（如GitHubCopilot）自動生成代碼，提高開發(fā)效率。
掌握如何在VSCode中安裝和使用AI擴展，優(yōu)化代碼質量和開發(fā)流程。
3.AI在數據處理中的實戰(zhàn)技能
掌握數據自動化ETL的工具和方法（如ApacheNiFi），提升數據集成和清洗的效率。
學會使用自然語言生成SQL查詢，簡化數據查詢和分析過程。
了解如何使用AI工具自動爬取網頁數據，并解決相關法律和倫理問題。
4.AI在數據決策中的支持能力
學會使用AI生成可視化看板（如Tableau、PowerBI），提升數據分析和決策效率。
掌握如何利用AI生成數據分析報告，支持企業(yè)決策。
5.DeepSeek的本地化部署與定制化能力
掌握DeepSeek的本地化部署、訓練微調和推理方法。
學會構建個人知識庫，并將其集成到DeepSeek中，提升信息檢索和決策支持能力。
了解DeepSeek與主流AI大語言模型（如GPT、BERT、LLaMA）的對比，掌握其獨特優(yōu)勢。
6.AI自動化工作流程的實現
學會使用Agent自動化工具，優(yōu)化工作流程，提升工作效率。
掌握如何設計和實現自動化工作流，減少人工操作。
7.實戰(zhàn)案例驅動的學習體驗能力
通過多個實戰(zhàn)案例（如AI生成代碼、自動化數據爬取、生成決策支持報告等），學員能夠將理論知識應用于實際場景。
學會解決AI應用中的常見問題（如數據偏差、模型過擬合、法律和倫理問題）。
應用場景：能夠將課程中學到的技能直接應用于銀行中后臺的實際工作中，提升工作效率和質量。
8.團隊協作與跨部門合作能力
通過課程中的案例分析和團隊討論，學員能夠提升跨部門協作能力。
學會如何與業(yè)務部門、管理層溝通AI技術的應用和價值。
9.未來AI技術發(fā)展的前瞻性視野
通過課程中對AI技術發(fā)展趨勢的探討，學員能夠了解未來AI技術的方向（如多模態(tài)模型、邊緣計算等）。
學會如何持續(xù)學習和適應AI技術的快速變化。
課程對象：
課程時間：
章 | 節(jié) | 小節(jié) | 時間 |
一人工智能入門 | 1. 從傳統(tǒng)機器學習到深度學習 | 1. 介紹傳統(tǒng)機器學習的基本概念，如監(jiān)督學習、無監(jiān)督學習和強化學習。 2. 探討深度學習的核心思想，如神經網絡的結構和訓練過程。 3. 分析深度學習在圖像識別、自然語言處理等領域的應用案例。 案例：某股份制銀行智能化客服電訪評估 電訪是零售的重要工作。電話外呼和企業(yè)微信是聯系客戶的關鍵工具，占據了客戶經理超過一半的工作時間。對電話質量的評價以人工判斷為主，一通電話的評價大約需要半個小時，效率低。利用大語言模型，通過對電話錄音的挖掘，營銷過程中的一些標簽（如營銷開口、客戶的意向）。最終通過構建機器學習模型，對電訪進行評分。最終學員在云上成功運行Python代碼，并掌握模型調優(yōu)方法。 | 9:00-10:30 |
2. 從深度學習到大語言模型 | 1. 講解大語言模型的基本架構，如Transformer模型。 2. 探討大語言模型的訓練過程，包括預訓練和微調。 3. 分析大語言模型在文本生成、翻譯和問答系統(tǒng)中的應用。 | 10:45-12:00 | |
3. 實戰(zhàn)案例：使用大語言模型進行邏輯推理 | 1. 演示如何使用大語言模型解決經典邏輯問題（如數獨、邏輯謎題等）。 2. 探討如何通過提示工程（Prompt Engineering）優(yōu)化模型的推理結果。 3. 分析模型在實際應用中的表現，并提出改進建議。 案例：使用AI大模型預測成功概率 通過一個電影中的德州撲克場景，設計Prompt，能讓AI準確理解問題的上下文，游戲的潛在規(guī)則和任務目標，體會與AI的邏輯交流碰撞，對比不同AI大模型平臺的智力水平和回答質量。最終深刻思考AI的成長趨勢。 | 14:00-15:30 | |
二AI在軟件開發(fā)上的應用 | 1. 自動生成代碼 | 1. 介紹自動生成代碼的基本原理和工具，如GitHub Copilot。 2. 探討自動生成代碼在提高開發(fā)效率中的應用。 3. 分析自動生成代碼的局限性和改進方向。 | 15:45-17:00 |
2. Vscode及AI擴展的安裝和使用 | 1. 講解如何在Vscode中安裝和配置AI擴展。 2. 探討AI擴展在代碼補全、錯誤檢測和代碼優(yōu)化中的應用。 3. 分析AI擴展對開發(fā)流程的影響和潛在問題。 | 9:00-10:30 | |
3. 實戰(zhàn)案例：使用AI擴展優(yōu)化代碼 | 案例：Github Copilot開發(fā)數據分析軟件 Github Copilot 作為強大的自動化代碼生成工具，在數據分析軟件的開發(fā)中展現出卓越性能。它利用先進的算法和智能輔助功能，高效地生成代碼，提升開發(fā)效率。開發(fā)人員借助其強大的技術支持，能夠更快速、精準地構建數據分析軟件，滿足各種復雜的數據處理需求。 | 10:45-12:00 | |
三AI在數據處理上的應用 | 1. 數據自動化ETL | 1. 介紹數據自動化ETL的基本概念和工具，如Apache NiFi。 2. 探討數據自動化ETL在數據集成和清洗中的應用。 3. 分析數據自動化ETL的挑戰(zhàn)和解決方案。 | 14:00-15:30 |
2. 自然語言生成數據庫SQL | 1. 講解如何使用自然語言生成數據庫查詢語句。 2. 探討自然語言生成SQL在數據查詢和分析中的應用。 3. 分析自然語言生成SQL的準確性和優(yōu)化方法。 | 15:45-17:00 | |
3. 實戰(zhàn)案例：AI自動爬取網頁數據 | 1. 演示如何使用AI工具自動爬取網頁數據。 2. 探討AI在數據采集中的應用和優(yōu)勢。 3. 分析AI爬取數據的法律和倫理問題。 案例：Appstore評語的自動抓取和Transformer情感分析 App運營非常消耗人力，應用自然語言處理模型對用戶的評語進行情感分析，區(qū)別正面、中性和負面，實現業(yè)務運營的降本增效。本例使用AI大模型，從打開網站，抓取網頁信息，保存Excel數據，標注樣本，訓練模型，直至形成最終分析報告的全過程。學員只需跟著操作指示，一步一步實現樣本。案例采用了Appstore的實時數據，保證了實戰(zhàn)效果，讓學員學完即可用。 | 9:00-10:30 | |
四AI在數據決策上的應用 | 1. AI生成可視化看板 | 1. 介紹AI生成可視化看板的基本原理和工具，如Tableau和Power BI。 2. 探討AI生成可視化看板在數據分析和決策中的應用。 3. 分析AI生成可視化看板的局限性和改進方向。 | 10:45-12:00 |
2. AI生成數據分析報告 | 1. 講解如何使用AI生成數據分析報告。 2. 探討AI生成報告在提高決策效率中的應用。 3. 分析AI生成報告的準確性和優(yōu)化方法。 | 14:00-15:30 | |
3. 實戰(zhàn)案例：使用AI生成決策支持報告 | 案例：AI一鍵生成數據報告 Python擁有強大的數據處理能力，擁有大量高效的工具箱。Pandas Profiling是一個強大的Python庫，可以快速對數據進行初步的探索性數據分析。它可以生成交互式的報告，其中包含數據集的概覽、變量的描述、變量之間的關系、缺失值的分析等多種統(tǒng)計信息，非常適合在數據分析初期快速獲取數據集的直觀理解。 | 15:45-17:00 | |
五DeepSeek訓推實踐 | 1. 訓練微調和推理 | 1. 介紹DeepSeek本地化部署的基本步驟和工具。 2. 探討如何對模型進行微調和推理。 3. 分析微調和推理在實際應用中的效果和優(yōu)化方法。 | 9:00-10:30 |
2. 構建個人知識庫 | 1. 講解如何構建個人知識庫并集成到DeepSeek中。 2. 探討個人知識庫在信息檢索和決策支持中的應用。 3. 分析個人知識庫的維護和更新策略。 | 10:45-12:00 | |
3. DeepSeek與主流AI大語言模型對比 | 1. 模型架構對比：對比DeepSeek與ChatGPT等主流模型的架構設計，分析各自的優(yōu)勢和適用場景。 2. 性能與效率對比：從訓練速度、推理效率、資源消耗等方面對比DeepSeek與其他模型的性能。 3. 探討DeepSeek在本地化部署和定制化方面的優(yōu)勢，與其他模型的對比。 | 14:00-15:30 | |
4. 實戰(zhàn)案例：Agent自動化工作流程 | 1. 演示如何使用Agent自動化工作流程。2. 探討Agent自動化在提高工作效率中的應用。3. 分析Agent自動化的局限性和改進方向。 | 15:45-17:00 |
