新建 保存 打开 关闭 插入 重命名 移动 复制 隐藏 删除 拆分 冻结 输入文本、数字、日期时间、符号 自动填充相同/序列内容 数据有效性功能 设置警告信息、提示信息 对数据的操作：修改清除格式、移动、删除、复制、查找替换、撤销恢复 插入、选中、隐藏、调整宽高

超链接 嵌入 获取外部数据：导入Access数据、网站数据、文本数据 数据共享

设置密码 数字签名

公式输入 数据清洗类 关联匹配类 逻辑运算类 计算统计类 时间序列类

表格结构数据的特征、获取方法 表格结构数据引用、查询与计算方法 利用函数分析与计算数据 数据透视分析

常用图表及组成 趋势图 对比图 分布图 组成图 关系图

创建、导入透视表 设置字段，更改透视表 添加、移动、排序、删除、设置字段 编辑：选择、重命名、更改数据源、移动、展开/折叠、布局、样式 分析：排序、筛选、切片器 SmartArt图形 单元格创建图形：条件格式、迷你图

数据库概念 MySQL数据库介绍及安装 启动、连接MySQL Server

查看、选择数据库 创建数据库 指定编码格式 删除数据库

查看数据表 查询表中数据 创建数据表 查看表结构 插入 修改数据表 删除数据表 更新记录

字符型 数值型 日期时间型

基础查询 别名 去重 筛选 排序 限制结果 常用函数：字符串函数、数值函数、日期函数

排序 分组 空值 连接 case表达式 聚合分析 子查询和CTE 窗口函数 数据清洗

索引概念 主键索引 创建索引 删除索引

创建自定义函数 调用自定义函数 删除自定义函数

核心组件熟悉 界面与基础设置

表结构数据的定义，获取，特征 表结构数据的清洗逻辑 表结构数据加工与使用 PowerQuery常见操作 多表汇总分析逻辑及操作 横向合并和纵向合并 PowerQuery中的合并操作

多维数据模型的定义 多维数据模型的创建逻辑及操作 BI中创建多维数据模型的方法 连接汇总的逻辑 多维数据模型实践

BI常见函数 BI时间智能函数 基础图表制作 高级可视化设计 仪表板搭建

统计与趋势分析 智能与自定义分析

报表发布 共享与导出

标签体系的设计原理 用户标签的制作方法 用户画像-用户分群的方法 用户画像-制作用户画像的思路与方法

变量 注释 标识符和关键字 输入输出 数据类型转换
if判断语句语法格式 比较/关系运算符
while语句语法格式 while 循环嵌套 break 和 continue while 循环案例 for循环 字符串定义语法格式 字符串遍历 下标和切片 字符串常见操作
列表语法格式 列表的遍历 列表常见操作 列表嵌套 列表推导式 元组语法格式 元组操作 字典语法格式 字典常见操作 字典的遍历
函数概念和作用、函数定义、调用 函数的参数 函数的返回值 函数的注释 函数的嵌套调用 可变和不可变类型 局部变量 全局变量 组包和拆包、引用
文件的打开与关闭、文件的读写 文件、目录操作及案例 os模块文件与目录相关操作
异常概念 异常捕获 异常的传递 模块介绍 模块的导入 包的概念 包的导入 模块中的__all__ 模块中__name__

NumPy 库导入 理解 ndarray 数组 np.array () 数组创建 连续数组创建 等间隔数组创建 单位矩阵创建 数组属性查看：ndim（维度）、shape（形状）、dtype（数据类型）、size（元素个数） 数组数据类型转

数组索引与切片 布尔索引 条件组合索引 按条件取元素 用索引修改数组元素

数组与标量运算 同形状数组元素级运算 数组矩阵乘法 数组求和 数组按轴求和 数组求均值 数组求中位数 数组求标准差 数组求方差 . 数组求最大值 . 数组求最大值 / 最小值位置 . 数组排序 . 数组去重 . 数组累计求和 . 数组广播机制

识别缺失值 填充缺失值 自定义填充缺失值 计算分位数 识别异常值 数组重塑 数组转置 数组展平 数组拼接 . 数组分割 . 设置随机种子 . 生成随机数

库操作：导入 核心数据结构：Series/DataFrame 创建 数据概览：head/tail 数据类型：转换

按维度选择：列选择、行选择 条件筛选：单条件 / 多条件（&/|）、范围筛选（between）、模糊筛选（str.contains）、非空值筛选（notnull） 去重与唯一值：获取唯一值（unique）、行去重（drop_duplicates）、按索引筛选（filter）

缺失值处理 重复值处理 异常值处理 文本清洗 日期处理 列名处理

数据合并 结构重塑

分组操作 聚合计算 衍生统计列

数据处理的重要方法 特征选择 特征转换

matplotlib 基础：环境配置、基本绘图流程、图表组成元素 基础图表绘制：折线图、柱状图、直方图、散点图、饼图 图表定制与美化：颜色配置、样式设置、标签与图例、网格线 高级图表类型：子图布局、热力图、箱线图、 图表

人工智能概述 机器学习开发流程和用到的数据介绍 特征工程介绍 机器学习算法分类 机器学习模型评估 机器学习开发环境

K近邻算法基本原理 K近邻算法进行分类预测 sklearn实现knn 训练集测试集划分 分类算法的评估 归一化和标准化 超参数搜索

线性回归简介 线性回归API使用初步 导数回顾 线性回归的损失函数和优化方法 梯度下降推导 波士顿房价预测案例 欠拟合和过拟合 模型的保存和加载 线性回归应用-回归分析

逻辑回归简介 逻辑回归API应用案例 分类算法评价方法 逻辑回归应用_分类分析

决策树算法简介 决策树分类原理 特征工程-特征提取 决策树算法api 决策树案例

集成学习算法简介 Bagging和随机森林 随机森林案例 Boosting介绍 GBDT介绍 XGBOOST介绍

聚类算法的概念 聚类算法API的使用 聚类算法实现原理 聚类算法的评估 聚类算法案例

深度学习是什么 深度学习发展历史 Pytorch与其他深度学习框架的对比 Pytorch介绍 张量概念 张量运算 反向传播 梯度，自动梯度 参数更新 数据加载器 迭代数据集

神经网络基础：神经网络的构成、激活函数、损失函数、优化方法及正则化
反向传播原理：梯度下降算法、链式法则、反向传播算法、改善反向传播算法性能的迭代法
深度学习正则化与算法优化：L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam
实现多层神经网络案例

图像基础知识 卷积神经网络CNN的构成 卷积层计算 全连接层的作用 池化层 基于Cifar10的图像分类案例

自然语言处理概述 词嵌入的作用 RNN的原理 RNN实现 基于RNN实现文本生成案例

自然语言处理的概念 自然语言处理的发展简史 自然语言处理的应用场景

虚拟环境的配置和安装 文本处理基本方法类型 jieba分词 命名实体识别的原理

one-hot词向量原理与实现 word2vec-cbow模型的原理 word2vec-skipgram模型的原理 基于fasttext实现word2vec词向量的训练 word Embedding的原理与实现

获取标签数量分布 获取句子长度分布 获取正负样本长度散点分布 获取不同词汇总数统计 词云 n-gram特征 文本长度规范及其作用 回译数据增强方法实现文本扩增

RNN模型原理、类别与结构分析 LSTM模型结构分析 Bi-LSTM模型原理介绍 使用PyTorch构建LSTM模型 GRU模型结构分析 Bi-GRU模型原理介绍 使用PyTorch构建GRU模型

文本分类（人名分类器案例）

注意力机制原理介绍 Attention计算逻辑 有无attention模型对比 注意力计算规则 什么是深度神经网络注意力机制 注意力机制的作用 注意力机制实现步骤

文本翻译（Seq2Seq英译法案例）

输入部分介绍 文本嵌入层的作用 位置编码器的作用 位置编码器的代码分析 掩码张量介绍 掩码张量的作用 生成掩码张量的代码分析 注意力计算规则的代码分析 带有mask的输入参数 多头注意力机制概念 多头注意力机制的代码实现 前馈全连接层 规范化层的作用 子层连接结构 编码器层的作用 编码器的代码分析

解码器层的作用 解码器层的代码实现 解码器的作用 解码器的代码分析 输出部分介绍 线性层的作用 softmax层的作用 线性层和softmax层的代码分析 编码器-解码器结构的代码实现 Transformer模型构建过程的代码分析

讲解fasttext工具的概念和原理 安装fasttext工具包 分析fastext模型的原理 讲解层次softmax方法的原理 讲解负采样方法的原理 基于fasttext实现词向量的训练 基于fasttext实现文本分类 基于fasttext实现词向量的迁移

讲解迁移学习有关概念 理解什么是预训练模型(Pretrained model) 掌握预训练模型的应用方式微调(Fine-tuning) 了解NLP中常见评估数据集 了解NLP中的常见预训练模型 掌握transformers库的三种使用方式

迁移学习案例实践（中文分类、中文填空、中文句子关系）

大语言模型介绍 语言模型的基本定义 N-Gram语言模型详解 Transformer预训练和大语言模型 bleu评估指标 rouge评估指标 ppl困惑度 大语言模型的主要类别 AE自编码模型-bert介绍 AR自回归模型-gpt介绍 Encoder-Decoder模型-T5介绍

ChatGPT的发展史 ChatGPT模型训练的原理 ChatGLM-6B模型原理详解 LLaMA模型原理详解 BLOOM模型的原理详解 BaiChuan模型的原理详解

RAG问答机器人项目原理 LangChain自定义模型实现 驱动云服务器的操作实践 将本地文档存到Faiss向量数据库 实现QA问答

大模型Prompt工程指南 金融行业动态方向评估项目介绍 LLM实现金融文本分类 LLM实现金融文本信息抽取 LLM实现金融文本匹配

LangChain的概念介绍 Models组件的介绍 LLMs_Models模型组件的使用 Chat_Models模型组件的使用 Embedding_Models模型组件的使用 Prompt-ZeroShot方法介绍 Prompt-FewShot方法介绍 SimpleSequnetialChain组件的应用实践 data_loader文档加载器的介绍 document_splitter文档分割器的介绍 vector_database向量数据库介绍 LangChain检索器的应用

提示词工程简介 清洗的指令形式构造方法 文本参考和拆分子任务 给模型思考和借助外部工具方法 Few-shot和Zero-shot思想 基于ChatGLM实现金融文本分类 基于ChatGLM实现金融信息抽取 基于ChatGLM实现金融文本匹配

知识图谱建模(节点、关系、属性) Neo4j数据库基础操作 Cypher查询语言 LLM + Neo4j langchain+知识图谱

LlamaIndex概述 RAG工作流 LlamaIndex索引 数据查询 构建聊天机器人和智能体

MCP基本原理 MCP与LLM的集成 MCP开发环境与工具链 MCP应用开发进阶 MCP与多模态大模型集成

LangGraph框架概览 LangGraph状态图结构 LangGraph核心API LangGraph平台介绍 LangGraph应用开发模版 基于LangGraph打造智能编程助手

GPT2实现聊天机器人项目 基于Flask开发网页界面

实现新零售文本评价项目 PET方法 BERT+PET模型 P-Tuning BERT+P-Tuning

大模型微调概述 大模型微调技术PEFT概述 大模型量化算法、LoRA微调、QLoRA微调 大模型训练环境搭建、微调代码详解、微调参数详解 大模型评估方法与评估指标分析