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(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)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(lǐng)域的應(yīng)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(lián)系客戶的關(guān)鍵工具，占據(jù)了客戶經(jīng)理超過一半的工作時間。對電話質(zhì)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(gòu)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(diào)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(gòu)，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(diào)。

3. 分析大語言模型在文本生成、翻譯和問答系統(tǒng)中的應(yīng)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(jīng)典邏輯問題（如數(shù)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(jié)果。

3.     分析模型在實際應(yīng)用中的表現(xiàn)，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(shè)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(wù)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(zhì)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(yīng)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(yīng)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(yīng)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(shù)據(jù)分析軟件

Github Copilot 作為強大的自動化代碼生成工具，在數(shù)據(jù)分析軟件的開發(fā)中展現(xiàn)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(shù)支持，能夠更快速、精準地構(gòu)建數(shù)據(jù)分析軟件，滿足各種復雜的數(shù)據(jù)處理需求。

10:45-12:00

三AI在數(shù)據(jù)處理上的應(yīng)用

1. 數(shù)據(jù)自動化ETL

1. 介紹數(shù)據(jù)自動化ETL的基本概念和工具，如Apache NiFi。

2. 探討數(shù)據(jù)自動化ETL在數(shù)據(jù)集成和清洗中的應(yīng)用。

3. 分析數(shù)據(jù)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(shù)據(jù)庫SQL

1. 講解如何使用自然語言生成數(shù)據(jù)庫查詢語句。

2. 探討自然語言生成SQL在數(shù)據(jù)查詢和分析中的應(yīng)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(wǎng)頁數(shù)據(jù)

1. 演示如何使用AI工具自動爬取網(wǎng)頁數(shù)據(jù)。

2. 探討AI在數(shù)據(jù)采集中的應(yīng)用和優(yōu)勢。

3. 分析AI爬取數(shù)據(jù)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(yīng)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(xiàn)業(yè)務(wù)運營的降本增效。本例使用AI大模型，從打開網(wǎng)站，抓取網(wǎng)頁信息，保存Excel數(shù)據(jù)，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(xiàn)樣本。案例采用了Appstore的實時數(shù)據(jù)，保證了實戰(zhàn)效果，讓學員學完即可用。

9:00-10:30

四AI在數(shù)據(jù)決策上的應(yīng)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(shù)據(jù)分析和決策中的應(yīng)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(shù)據(jù)分析報告

1. 講解如何使用AI生成數(shù)據(jù)分析報告。

2. 探討AI生成報告在提高決策效率中的應(yīng)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(shù)據(jù)報告

Python擁有強大的數(shù)據(jù)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(shù)據(jù)進行初步的探索性數(shù)據(jù)分析。它可以生成交互式的報告，其中包含數(shù)據(jù)集的概覽、變量的描述、變量之間的關(guān)系、缺失值的分析等多種統(tǒng)計信息，非常適合在數(shù)據(jù)分析初期快速獲取數(shù)據(jù)集的直觀理解。

15:45-17:00

五DeepSeek訓推實踐

1. 訓練微調(diào)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(diào)和推理。

3. 分析微調(diào)和推理在實際應(yīng)用中的效果和優(yōu)化方法。

9:00-10:30

2. 構(gòu)建個人知識庫

1. 講解如何構(gòu)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(yīng)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(gòu)對比：對比DeepSeek與ChatGPT等主流模型的架構(gòu)設(shè)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(yīng)用。3. 分析Agent自動化的局限性和改進方向。

15:45-17:00