名人说：路漫漫其修远兮，吾将上下而求索。 —— 屈原《离骚》
创作者：Code_流苏(优快云)（一个喜欢古诗词和编程的Coder😊）
目录
- 更新进度：2025.5.21
- 第一阶段：基础入门（第1-7天）
- 第二阶段：进阶实践（第8-14天）
- 第三阶段：项目实战（第15-21天）
- 第四阶段：数据分析与可视化（第22-28天）
- 第五阶段：Web开发深入（第29-35天）
- 第六阶段：数学基础（第36-42天，AI核心支撑）📈
- 第七阶段：机器学习基础（第43-49天） 🤖
- 第八阶段：深度学习进阶（第50-63天） 🧠
- 第九阶段：自然语言处理（NLP）（第64-77天） 🗣️
- 第十阶段：计算机视觉（CV）（第78-82天）
- 第十一阶段：强化学习（RL）（第83-86天）
- 第十二阶段：大模型（LLM）原理与使用（第87-91天）
- 第十三阶段：AI 工程化（第93-96天）
更多硬核知识，请关注我、订阅专栏《 Python星球日记》内容持续更新中…
暂定为一个为期21天的《Python星球日记》专栏大纲及安排，旨在帮助初学者系统学习Python编程。
教程分为三个阶段：基础入门、进阶实践和项目实战，每天的内容都包含理论讲解、代码示例和练习题，确保读者能够循序渐进地掌握Python。
更新进度：2025.5.21
4.10 第一阶段-第二阶段已更新完（版本号v1.0，第二版正在不断校对中ing）
5.10 第三阶段-第七阶段已更新完（版本号v1.0）
5.21 第八阶段-第十三阶段已更新完（版本号v1.0）
…
进度可视化如下：
第一阶段：基础入门（第1-7天）
目标：熟悉Python的基本语法和核心概念，为后续学习打下坚实的基础。
第1天：欢迎来到Python星球
文章链接：Python星球日记 - 第1天：欢迎来到Python星球
- Python简介：历史、特点及应用场景
- 安装 Python、选择编辑器（VSCode、PyCharm 等）
- 第一个Python程序：`print("Hello, Python!")`
- 基本输入输出：`input()` 和 `print()`
- 练习：编写一个简单的问候程序
第2天：数据类型与变量
- 变量的概念与命名规则
- 常见数据类型：整数、浮点数、字符串、布尔值
- 类型转换：`int()`、`float()`、`str()` 等
- 练习：计算用户输入的两个数字之和
第3天：运算符与表达式
- 算术运算符：加减乘除、取余、幂运算
- 比较运算符：等于、不等于、大于、小于等
- 逻辑运算符：`and`、`or`、`not`
- 运算符优先级
- 练习：判断一个年份是否是闰年
第4天：控制结构（条件语句）
文章链接：Python星球日记 - 第4天：控制结构（条件语句）
- 条件语句：`if`、`elif`、`else`
- 缩进的重要性
- 嵌套条件语句
- 练习：根据分数判断成绩等级（A、B、C、D）
第5天：循环结构
- `for` 循环：遍历列表、字符串等
- `while` 循环：条件控制循环
- 循环控制关键字：`break`、`continue`
- 嵌套循环
- 练习：打印九九乘法表
第6天：列表与元组
- 列表的定义与操作：增删改查、切片
- 列表方法：`append()`、`remove()`、`sort()` 等
- 元组的特点与使用场景
- 列表与元组的区别
- 练习：统计列表中偶数的个数
第7天：字典与集合
- 字典的定义与操作：键值对、增删改查
- 字典方法：`keys()`、`values()`、`items()` 等
- 集合的特点与基本操作
- 练习：统计一段文本中每个单词出现的次数
第二阶段：进阶实践（第8-14天）
目标：掌握函数、模块、文件操作等进阶内容，提升代码复用性和实用性。
第8天：函数基础
- 函数的定义与调用：`def`
- 参数与返回值
- 局部变量与全局变量
- 练习：编写一个计算阶乘的函数
第9天：高级函数
- 默认参数、可变参数（`*args` 和 `**kwargs`）
- 匿名函数：`lambda`
- 内置函数：`map()`、`filter()`、`reduce()`
- 练习：使用匿名函数筛选出列表中的奇数
第10天：模块与包
- 模块的概念与导入方式：`import`、`from ... import ...`
- 标准库简介：`math`、`random`、`datetime`
- 创建自己的模块
- 练习：生成随机密码
第11天：文件操作
- 文件的打开与关闭：`open()`、`close()`
- 文件读写模式：`r`、`w`、`a`
- 文件读写方法：`read()`、`write()`、`readlines()`
- 异常处理：`try...except`
- 练习：统计文本文件中行数和单词数
第12天：面向对象编程（OOP）基础
文章链接：Python星球日记 - 第12天：面向对象编程（OOP）基础
- 类与对象的概念
- 定义类与创建对象：`class`
- 构造函数：`__init__`
- 属性与方法
- 练习：创建一个学生类并实现基本信息管理
第13天：继承与多态
文章链接：Python星球日记 - 第13天：封装、继承与多态
- 继承的概念与实现
- 方法重写与`super()`的使用
- 多态的概念与应用
- 练习：设计一个动物类及其子类
第14天：异常处理与调试
文章链接：Python星球日记 - 第14天：异常处理与调试
- 异常的概念与常见类型
- 自定义异常
- 调试工具与技巧：`print()`、断点调试
- 练习：捕获用户输入错误并提示重新输入
第三阶段：项目实战（第15-21天）
目标：通过实际项目巩固所学知识，培养解决实际问题的能力。
第15天：综合复习
文章链接：Python星球日记 - 第15天：综合复习（回顾前14天所学知识）
- 回顾前两周的知识点
- 解答常见问题
- 练习：编写一个简易计算器
第16天：爬虫基础
文章链接：Python星球日记 - 第16天：爬虫基础（仅学习使用）
- 爬虫的概念与原理
- 使用`requests`库获取网页数据
- 使用`BeautifulSoup`解析HTML
- 练习：爬取某个网站的标题列表
第17天：数据可视化
- 数据可视化工具：`matplotlib`、`seaborn`
- 绘制折线图、柱状图、饼图
- 练习：分析并可视化一份销售数据
第18天：小游戏开发（猜数字游戏）
文章链接：Python星球日记 - 第18天：小游戏开发（猜数字游戏）
- 游戏逻辑设计
- 使用`random`模块生成随机数
- 用户交互与反馈
- 练习：增加难度选项
第19天：Web开发基础
文章链接：Python星球日记 - 第19天：Web开发基础
- 使用`Flask`框架搭建简单Web应用
- 路由与视图函数
- 模板渲染：`Jinja2`
- 练习：创建一个个人博客首页
第20天：数据分析入门
- 使用`pandas`进行数据处理
- 数据清洗与分析
- 练习：分析一份CSV格式的销售数据
第21天：总结与展望
文章链接：Python星球日记 - 第21天：基础阶段大总结
- 回顾整个学习过程
- 分享学习心得与经验
- 推荐后续学习方向：机器学习、自动化脚本、深度学习等
- 最后寄语：鼓励读者继续探索Python的无限可能
第四阶段：数据分析与可视化（第22-28天）
目标：掌握数据分析的核心工具和数据可视化的技巧，为从事数据科学或相关领域打下坚实基础。
第22天：NumPy 基础
文章链接：《Python星球日记》第22天：NumPy 基础
- NumPy 简介：
- 什么是 NumPy？为什么使用 NumPy？
- 安装与导入
- 多维数组操作：
- 创建数组：`np.array()`、`np.zeros()`、`np.ones()` 等
- 数组属性：形状、维度、数据类型
- 数组索引与切片
- 广播机制：
- 广播的概念与应用
- 向量化计算的优势
- 练习：实现矩阵加法和乘法
第23天：Pandas 基础
文章链接：《Python星球日记》第23天：Pandas基础
- Pandas 简介：
- 什么是 Pandas？为什么使用 Pandas？
- 安装与导入
- Series 和 DataFrame：
- Series 的创建与操作
- DataFrame 的创建与基本操作
- 数据读取与保存：
- 读取 CSV 文件：`pd.read_csv()`
- 保存数据到文件：`df.to_csv()`
- 练习：从 CSV 文件中读取数据并进行简单统计分析
第24天：Pandas 数据清洗
文章链接：《Python星球日记》第24天：Pandas 数据清洗
- 缺失值处理：
- 检测缺失值：`isnull()`、`notnull()`
- 删除缺失值：`dropna()`
- 填充缺失值：`fillna()`
- 重复值处理：
- 检测重复值：`duplicated()`
- 删除重复值：`drop_duplicates()`
- 数据转换：
- 数据类型转换：`astype()`
- 字符串操作：`str` 方法
- 练习：清洗一份包含缺失值和重复值的数据集
第25天：Pandas 数据分析
文章链接：《Python星球日记》第25天：Pandas 数据分析
- 数据分组与聚合：
- 分组操作：`groupby()`
- 聚合函数：`sum()`、`mean()`、`count()` 等
- 排序与排名：
- 排序：`sort_values()`、`sort_index()`
- 排名：`rank()`
- 时间序列分析：
- 时间戳与时间段
- 时间序列索引与重采样
- 练习：对销售数据进行分组统计并绘制趋势图
第26天：Matplotlib 可视化
文章链接：《Python星球日记》第26天：Matplotlib 可视化
- Matplotlib 简介：
- 什么是 Matplotlib？为什么使用 Matplotlib？
- 安装与导入
- 基本绘图：
- 绘制折线图：`plot()`
- 绘制柱状图：`bar()`、`barh()`
- 绘制饼图：`pie()`
- 图形美化：
- 添加标题、标签、图例
- 调整颜色、样式、网格
- 练习：可视化一份销售数据的趋势变化
第27天：Seaborn 可视化
文章链接：《Python星球日记》第27天：Seaborn 可视化
- Seaborn 简介：
- Seaborn 与 Matplotlib 的区别
- 安装与导入
- 高级绘图：
- 分布图：`distplot()`、`kdeplot()`
- 关系图：`scatterplot()`、`lineplot()`
- 分类图：`boxplot()`、`violinplot()`
- 图形组合：
- 使用 `FacetGrid` 绘制多个子图
- 自定义配色方案
- 练习：分析一份数据集并绘制多维度关系图
第28天：综合项目：数据获取与可视化
文章链接：《Python星球日记》第28天：数据获取与可视化（综合项目）
- 数据获取：
- 使用 `requests` 和 `BeautifulSoup` 爬取网页数据
- 数据解析与存储
- 数据可视化：
- 使用 Pandas 进行数据清洗与分析
- 使用 Matplotlib 和 Seaborn 绘制可视化图表
- 练习：爬取某网站的公开数据并生成可视化报告
第五阶段：Web开发深入（第29-35天）
目标：深入学习 Web 开发技术，掌握 Flask 和 Django 框架，并了解前后端分离和 Web 安全的基础知识。
第29天：Flask 进阶
- 路由与视图：
- 动态路由：`<variable>` 参数
- 路由装饰器：`@app.route()`
- 模板渲染：
- Jinja2 模板语法：变量、控制结构、过滤器
- 模板继承与块
- 静态文件：
- 静态文件的加载与管理
- 练习：构建一个动态博客系统
第30天：Flask 数据库集成
文章链接：《Python星球日记》第30天：Flask数据库集成
- 数据库基础：
- SQLite 数据库简介
- 使用 SQLAlchemy 管理数据库
- 模型定义：
- 创建表：`db.Model`
- 定义字段：`Column()`、`String()`、`Integer()` 等
- CRUD 操作：
- 创建、查询、更新、删除记录
- 练习：为博客系统添加用户注册和登录功能
第31天：Django 框架入门
文章链接：《Python星球日记》第31天：Django 框架入门
- Django 简介：
- Django 的特点与应用场景
- 创建 Django 项目与应用
- 模型与数据库：
- 定义模型：`models.Model`
- 迁移命令：`makemigrations`、`migrate`
- 视图与模板：
- 视图函数：`HttpResponse`、`render()`
- 模板渲染：Django 模板语言
- 练习：创建一个简单的任务管理系统
第32天：Django 表单与认证
文章链接：《Python星球日记》第32天：Django 表单与认证
- 表单处理：
- 定义表单：`forms.Form`、`forms.ModelForm`
- 表单验证与错误提示
- 用户认证：
- 用户注册、登录、注销
- 权限管理与用户组
- 练习：为任务管理系统添加用户认证功能
第33天：前后端分离与 RESTful API
文章链接：《Python星球日记》第33天：前后端分离与 RESTful API
- RESTful API 简介：
- 什么是 RESTful API？
- HTTP 方法：GET、POST、PUT、DELETE
- 使用 Flask 或 Django 构建 API：
- Flask：`Flask-RESTful` 扩展
- Django：`Django REST framework`
- 前端交互：
- 使用 JavaScript 或 Postman 测试 API
- 练习：构建一个支持增删改查的 RESTful API
第34天：Web 安全基础
文章链接：《Python星球日记》第34天：Web 安全基础
- 常见安全问题：
- SQL 注入：如何防范？
- XSS 攻击：输入验证与输出编码
- CSRF 攻击：令牌验证
- 安全实践：
- 密码加密：`bcrypt`、`hashlib`
- HTTPS 与 SSL/TLS
- 练习：修复一个存在安全漏洞的示例项目
第35天：全栈开发（综合项目）
文章链接：《Python星球日记》第35天：全栈开发（综合项目）
- 项目需求：
- 设计一个完整的全栈应用（如博客系统等）
- 包含前端界面、后端逻辑、数据库设计
- 技术栈：
- 前端：HTML、CSS、JavaScript 或框架（如 React、Vue）
- 后端：Flask 或 Django
- 数据库：SQLite 或 MySQL
- 练习：开发并部署一个全栈项目
第六阶段：数学基础（第36-42天，AI核心支撑）📈
目标：掌握人工智能所需的核心数学知识，为理解机器学习算法打下坚实理论基础。
第36天：线性代数基础
- 标量、向量、矩阵的基本概念
- 矩阵运算：加法、乘法、转置、逆矩阵
- 向量空间与线性组合
- 代码练习：使用 NumPy 实现矩阵运算
第37天：向量与矩阵进阶
文章链接：《Python星球日记》 第37天：向量与矩阵进阶
- 特征值与特征向量
- 正交性与正交矩阵
- 奇异值分解（SVD）简介
- 应用场景：降维、图像压缩
- 代码练习：使用 NumPy 计算特征值与特征向量
第38天：概率与统计基础
文章链接：《Python星球日记》 第38天：概率与统计基础
- 概率定义与基本性质
- 条件概率与贝叶斯公式
- 独立事件与联合分布
- 期望、方差与协方差
- 代码练习：绘制常见概率分布图（如正态分布、伯努利分布）
第39天：假设检验与推断统计
文章链接：《Python星球日记》 第39天：假设检验与推断统计
- 统计假设与显著性水平
- T 检验与 Z 检验
- 中心极限定理
- 置信区间与 P 值
- 代码练习：使用 SciPy 进行简单的假设检验
第40天：微积分基础
- 函数、导数与偏导数
- 极限与连续性的概念
- 多元函数求导
- 梯度的概念与计算
- 代码练习：使用 SymPy 或 NumPy 求解导数与梯度
第41天：梯度下降与优化初步
文章链接：《Python星球日记》 第41天：梯度下降与优化初步
- 损失函数与目标函数
- 批量梯度下降（BGD）、随机梯度下降（SGD）
- 学习率的作用与调参技巧
- 动量法、Adam 等优化器简介
- 代码练习：手动实现一个简单线性模型的梯度下降
第42天：综合练习与数学建模
文章链接：《Python星球日记》 第42天：综合练习与数学建模
- 使用数学工具解决实际问题（如房价预测、分类任务）
- 从数据准备到模型构建的全过程演练
- 数学建模思维训练
- 代码练习：结合 Pandas + NumPy + Matplotlib 完成一个小项目
第七阶段：机器学习基础（第43-49天） 🤖
目标：掌握 Scikit-learn 工具库和常见的机器学习算法，能够独立完成端到端的建模流程。
第43天：机器学习概述与Scikit-learn入门
文章链接：《Python星球日记》 第43天：机器学习概述与Scikit-learn入门
- 什么是机器学习？三大类型：监督学习、无监督学习、强化学习
- Scikit-learn 简介与安装
- 数据预处理流程概览
- 示例：加载内置数据集并进行简单建模
第44天：线性回归与逻辑回归
文章链接：《Python星球日记》 第44天: 线性回归与逻辑回归
- 线性回归原理与损失函数
- 逻辑回归的 Sigmoid 函数与分类思想
- 使用 Scikit-learn 实现回归模型
- 代码练习：预测房价 / 判断是否通过考试
第45天：KNN 与 SVM 分类器
文章链接：《Python星球日记》 第45天：KNN 与 SVM 分类器
- KNN 原理与距离计算
- SVM 的支持向量与核技巧
- 使用 Scikit-learn 实现分类
- 代码练习：鸢尾花分类实验
第46天：决策树与随机森林
文章链接：《Python星球日记》 第46天：决策树与随机森林
- 决策树的分裂准则（信息增益、基尼系数）
- 随机森林的集成思想与优势
- 使用 Scikit-learn 构建决策树与森林模型
- 代码练习：泰坦尼克生存预测
第47天：聚类与KMeans
文章链接：《Python星球日记》 第47天：聚类与KMeans
- 聚类与分类的区别
- KMeans 算法原理与迭代过程
- 评估聚类效果：轮廓系数
- 代码练习：客户分群或图像颜色压缩
第48天：模型评估与选择
文章链接：《Python星球日记》 第48天：模型评估与选择
- 交叉验证：K 折交叉验证、留一法
- 混淆矩阵与分类报告
- ROC 曲线与 AUC 值
- 准确率、召回率、F1 分数
- 代码练习：对比不同模型在相同数据上的表现
第49天：特征工程与全流程建模
文章链接：《Python星球日记》 第49天：特征工程与全流程建模
- 特征标准化与归一化
- 缺失值填充策略
- 特征编码：One-Hot 编码、Label 编码
- 特征选择方法：卡方检验、Lasso 回归
- 端到端建模流程：从数据清洗到模型部署
- 代码练习：完成一个完整的机器学习项目（如贷款违约预测）
第八阶段：深度学习进阶（第50-63天） 🧠
目标：从神经网络的基础原理入手，逐步深入到卷积神经网络（CNN）、循环神经网络（RNN）、迁移学习等高级主题，并通过综合项目实战巩固所学内容。
第一部分：基础知识与工具入门（第50-52天）
第50天：深度学习概述与环境搭建
文章链接：《Python星球日记》 第50天：深度学习概述与环境搭建
- 什么是深度学习？它与传统机器学习的区别
- 神经网络的发展历程：感知机 → 深度神经网络
- 安装深度学习框架：
- TensorFlow 入门安装与配置
- PyTorch 入门安装与配置
- 编写第一个深度学习程序（Hello World）
- 练习：运行一个简单的神经网络模型
第51天：神经网络基础
- 神经元与激活函数：Sigmoid、ReLU、Tanh
- 多层感知机（MLP）结构
- 前向传播与损失计算
- 激活函数的选择与影响
- 代码练习：使用 TensorFlow / PyTorch 构建一个简单的神经网络
第52天：反向传播与优化器
文章链接：《Python星球日记》 第52天：反向传播与优化器
- 反向传播算法原理简述
- 梯度下降法回顾与改进：SGD、Adam、RMSprop
- 损失函数详解：MSE、交叉熵
- 权重初始化与正则化（L1、L2 正则化）
- 代码练习：手动实现前向传播与梯度下降过程
第二部分：图像处理与卷积神经网络（第53-55天）
第53天：卷积神经网络（CNN）入门
文章链接：《Python星球日记》 第53天：卷积神经网络（CNN）入门
- 图像表示与通道概念
- 卷积层、池化层、全连接层的作用
- CNN 的优势与应用场景（图像分类、目标检测）
- 使用 TensorFlow / PyTorch 实现简单 CNN
- 代码练习：手写数字识别（MNIST 数据集）
第54天：卷积神经网络进阶
文章链接：《Python星球日记》 第54天：卷积神经网络进阶
- 深度 CNN 架构解析：LeNet、AlexNet、VGG、ResNet
- 数据增强技术：旋转、翻转、裁剪
- Dropout 与 Batch Normalization 的作用
- 代码练习：CIFAR-10 图像分类任务
第55天：迁移学习与预训练模型
文章链接：《Python星球日记》 第55天：迁移学习与预训练模型
- 什么是迁移学习？
- 使用预训练模型（如 VGG、ResNet、EfficientNet）
- 冻结层与微调技巧
- 超参数调优方法：网格搜索、随机搜索、早停法
- 代码练习：基于 ResNet 的图像分类任务
第三部分：自然语言处理与序列模型（第56-58天）
第56天：循环神经网络（RNN）入门
文章链接：《Python星球日记》 第56天：循环神经网络（RNN）入门
- 序列数据的特点与挑战
- RNN 的基本结构与前向传播
- 文本预处理：分词、嵌入（Embedding）
- 使用 RNN 进行文本分类或情感分析
- 代码练习：电影评论情感预测（IMDB 数据集）
第57天：LSTM 与 GRU
文章链接：《Python星球日记》 第57天：LSTM 与 GRU
- LSTM 的门控机制（输入门、遗忘门、输出门）
- GRU 的简化结构与优势
- 长序列问题的解决方案
- 代码练习：时间序列预测或文本生成
第58天：Transformer 与 BERT
文章链接：《Python星球日记》 第58天：Transformer 与 BERT
- Transformer 架构简介：
- 自注意力机制（Self-Attention）
- 多头注意力与位置编码
- BERT 的结构与预训练任务（MLM、NSP）
- 微调 BERT 进行下游任务（文本分类、NER）
- 代码练习：使用 Hugging Face Transformers 微调 BERT
第四部分：生成模型与强化学习（第59-61天）
第59天：生成对抗网络（GAN）
文章链接：《Python星球日记》 第59天：生成对抗网络（GAN）
- GAN 的基本原理：
- 生成器与判别器的博弈过程
- 训练流程与目标函数
- 常见 GAN 变体：DCGAN、CycleGAN
- 代码练习：使用 TensorFlow 或 PyTorch 实现一个简单的 DCGAN
第60天：强化学习基础
- 强化学习简介：
- Agent、Environment、Reward 的概念
- Q-Learning 的基本原理
- 使用 Gym 环境进行简单实验
- 代码练习：CartPole 游戏中的 Q-Learning
第61天：深度强化学习（DQN 与 PPO）
文章链接：《Python星球日记》 第61天：深度强化学习（DQN 与 PPO）基础
- DQN（Deep Q-Network）：
- 使用神经网络近似 Q 函数
- 经验回放与目标网络
- PPO（Proximal Policy Optimization）：
- 策略梯度方法的优势
- 代码练习：使用 Stable-Baselines3 训练一个 PPO 模型
第五部分：综合项目实战（第62-63天）
第62天：图像方向综合项目
文章链接：《Python星球日记》 第62天：图像方向综合项目（猫狗分类）
- 项目需求：猫狗分类识别系统
- 数据准备与增强
- 模型选择与训练（CNN 或迁移学习）
- 结果可视化与评估
- 部署建议：导出为 `.h5` 或 `.pt` 模型文件
第63天：文本方向综合项目
文章链接：《Python星球日记》 第63天：文本方向综合项目（新闻分类）
- 项目需求：新闻类别自动分类
- 数据清洗与文本预处理
- 模型选择与训练（RNN/LSTM/Transformer）
- 结果可视化与评估
- 部署建议：构建 RESTful API 接口
第九阶段：自然语言处理（NLP）（第64-77天） 🗣️
目标：系统学习自然语言处理的核心技术，从文本预处理到高级语言模型的应用，并通过综合项目实战巩固所学知识。
第一部分：NLP 基础与数据处理（第64-66天）
第64天：NLP 概述与文本预处理
文章链接：《Python星球日记》 第64天：NLP 概述与文本预处理
- NLP 简介：
- 什么是自然语言处理？应用场景（机器翻译、情感分析、问答系统等）
- 文本数据的特点与挑战
- 文本预处理：
- 分词、去停用词、词干提取与词形还原
- 特殊符号处理与正则表达式
- 工具库介绍：
- NLTK、spaCy、jieba（中文分词）
- 代码练习：对一段英文/中文文本进行预处理
第65天：词向量与语言表示
文章链接：《Python星球日记》 第65天：词向量与语言表示
- 词向量简介：
- One-Hot 编码的局限性
- Word2Vec 的原理与实现（CBOW 和 Skip-Gram）
- GloVe 和 FastText 的特点
- 预训练词向量：
- 加载预训练词向量（如 Google Word2Vec、GloVe）
- 使用词向量计算相似度
- 代码练习：使用 gensim 或 spaCy 计算词语间的相似度
第66天：序列建模与语言模型
文章链接：《Python星球日记》 第66天：序列建模与语言模型
- 传统语言模型：
- n-gram 模型及其局限性
- RNN 在语言建模中的应用：
- 使用 RNN 构建简单的语言模型
- 数据准备：
- 文本分词与嵌入表示（Word Embedding）
- 代码练习：基于 RNN 的简单语言生成任务
第二部分：深度学习在 NLP 中的应用（第67-70天）
第67天：Transformer 架构与自注意力机制
文章链接：《Python星球日记》 第67天：Transformer 架构与自注意力机制
- Transformer 原理：
- 自注意力机制（Self-Attention）与多头注意力
- 位置编码与前馈网络
- Transformer 的优势：
- 并行化训练与长距离依赖捕捉
- 代码练习：实现一个简单的自注意力机制
第68天：BERT 与预训练模型
文章链接：《Python星球日记》 第68天：BERT 与预训练模型
- BERT 模型：
- BERT 的结构与预训练任务（MLM、NSP）
- 微调 BERT 进行下游任务（分类、NER 等）
- 工具库介绍：
- Hugging Face Transformers
- 代码练习：使用 Hugging Face 微调 BERT 完成文本分类任务
第69天：生成式模型（GPT 系列）
文章链接：《Python星球日记》 第69天：生成式模型（GPT 系列）
- GPT 简介：
- GPT 的架构与工作原理
- Decoder-only 结构与生成能力
- 文本生成任务：
- 基于 GPT 的文本补全与生成
- 代码练习：使用 Hugging Face 的 GPT 模型生成对话或文章
第70天：Seq2Seq 与 Transformer Decoder
文章链接：《Python星球日记》 第70天：Seq2Seq 与Transformer Decoder
- Seq2Seq 模型：
- Encoder-Decoder 架构
- Attention 机制在 Seq2Seq 中的作用
- Transformer Decoder：
- 用于机器翻译与对话生成
- 代码练习：构建一个简单的机器翻译或对话生成模型
第三部分：高级 NLP 技术与应用（第71-73天）
第71天：命名实体识别（NER）与关系抽取
文章链接：《Python星球日记》 第71天：命名实体识别（NER）与关系抽取
- NER 简介：
- 实体类型（人名、地名、组织名等）
- 使用 BiLSTM-CRF 或 BERT 实现 NER
- 关系抽取：
- 实体间关系的标注与识别
- 代码练习：使用 spaCy 或 Hugging Face 微调 NER 模型
第72天：问答系统与信息检索
文章链接：《Python星球日记》 第72天：问答系统与信息检索
- 问答系统分类：
- 基于检索的问答 vs 基于生成的问答
- 使用 BERT 构建问答系统：
- SQuAD 数据集简介
- 微调 BERT 进行问答任务
- 代码练习：实现一个基于 BERT 的问答系统
第73天：情感分析与主题建模
文章链接：《Python星球日记》 第72天：问答系统与信息检索
- 情感分析：
- 基于规则的方法 vs 基于深度学习的方法
- 使用 LSTM 或 BERT 进行情感分类
- 主题建模：
- LDA（Latent Dirichlet Allocation）简介
- 主题提取与可视化
- 代码练习：实现情感分析或主题建模任务
第四部分：综合项目实战（第74-77天）
第74天：项目需求与数据准备
文章链接：《Python星球日记》 第74天：项目需求与数据准备
- 项目方向选择：
- 情感分析、文本分类、命名实体识别、问答系统等
- 数据收集与清洗：
- 数据标注工具（Label Studio、Doccano）
- 数据增强与平衡
第75天：模型选择与训练
文章链接：《Python星球日记》 第75天：模型选择与训练
- 模型选择：
- 根据任务选择合适的模型（CNN、RNN、BERT、GPT 等）
- 模型训练：
- 超参数调优与早停法
- 使用 GPU 加速训练
- 代码练习：完成模型训练与验证
第76天：结果评估与可视化
文章链接：《Python星球日记》 第76天：模型评估与可视化
- 模型评估：
- 准确率、召回率、F1 分数
- 混淆矩阵与 ROC 曲线
- 结果可视化：
- 使用 Matplotlib 或 Plotly 展示结果
- 代码练习：评估模型性能并生成可视化报告
第77天：模型部署与总结
文章链接：《Python星球日记》 第77天：模型部署与总结
- 模型部署：
- 导出为 `.pt` 或 `.h5` 文件
- 使用 Flask 或 FastAPI 部署为 RESTful API
- 总结与展望：
- 回顾整个 NLP 学习过程
- 推荐后续学习方向（如多模态学习、大模型微调等）
- 代码练习：完成一个完整的 NLP 项目并部署
第十阶段：计算机视觉（CV）（第78-82天）
目标：掌握计算机视觉的核心技术，能够解决图像分类、目标检测等问题。
第78天：CV 基础与图像处理
文章链接：《Python星球日记》 第78天：CV 基础与图像处理
- CV 简介：
- 什么是计算机视觉？应用场景（自动驾驶、安防监控等）
- 图像的基本属性（像素、通道、分辨率）
- 图像处理基础：
- 使用 OpenCV 进行图像读取、显示、保存
- 图像变换（缩放、旋转、裁剪）
- 代码练习：使用 OpenCV 处理一张图片
第79天：图像分类与 CNN
文章链接：《Python星球日记》 第79天：图像分类与 CNN
- 图像分类任务：
- CIFAR-10、ImageNet 数据集简介
- 使用 CNN 实现图像分类
- 数据增强：
- 随机裁剪、翻转、颜色抖动
- 代码练习：在 TensorFlow 或 PyTorch 中训练一个 CNN 分类器
第80天：目标检测（YOLO、Mask R-CNN）
文章链接：《Python星球日记》 第80天：目标检测（YOLO、Mask R-CNN）
- 目标检测简介：
- 边界框（Bounding Box）与类别标签
- 两阶段 vs 单阶段检测器
- YOLO（You Only Look Once）：
- YOLO 的工作原理与优势
- 使用预训练 YOLO 模型进行目标检测
- Mask R-CNN：
- 实例分割的概念
- 代码练习：使用 YOLO 或 Mask R-CNN 检测图片中的物体
第81天：图像生成与风格迁移
文章链接：《Python星球日记》 第81天：回看图像生成与风格迁移
- 图像生成：
- GAN 在图像生成中的应用
- 使用预训练 GAN 生成人脸或其他图像
- 风格迁移：
- Neural Style Transfer 的原理
- 代码练习：使用 TensorFlow Hub 实现风格迁移
第82天：综合项目：端到端 CV 应用
文章链接：《Python星球日记》 第82天：端到端 CV 应用（综合项目）
- 项目需求：
- 图像分类、目标检测或风格迁移
- 数据准备：
- 数据标注工具（LabelImg、CVAT）
- 模型构建：
- 使用预训练模型或自定义模型
- 结果展示：
- 将模型部署为 RESTful API
- 代码练习：完成一个完整的 CV 项目
第十一阶段：强化学习（RL）（第83-86天）
目标：掌握强化学习的基本原理，并能应用到简单的问题中。
第83天：强化学习概述
- 强化学习简介：
- 什么是强化学习？与监督学习的区别
- Agent、Environment、Reward 的概念
- Markov 决策过程（MDP）：
- 状态、动作、奖励函数
- 经典算法：
- Q-Learning 的基本原理
第84天：Q-Learning 与 DQN
文章链接：《Python星球日记》 第84天：Q-Learning 与 DQN
- Q-Learning：
- Q 表更新公式
- 探索与利用（Exploration vs Exploitation）
- DQN（Deep Q-Network）：
- 使用神经网络近似 Q 函数
- 经验回放与目标网络
- 代码练习：使用 Gym 环境训练一个简单的 Q-Learning 或 DQN 模型
第85天：策略梯度方法
- 策略梯度简介：
- 直接优化策略函数
- REINFORCE 算法
- Actor-Critic 方法：
- 结合价值函数与策略函数
- 代码练习：实现一个简单的 Actor-Critic 模型
第86天：深度强化学习进阶
文章链接：《Python星球日记》 第86天：深度强化学习进阶
- PPO（Proximal Policy Optimization）：
- PPO 的优势与应用场景
- SAC（Soft Actor-Critic）：
- 最大熵强化学习
- 代码练习：使用 Stable-Baselines3 训练一个 PPO 模型
第十二阶段：大模型（LLM）原理与使用（第87-91天）
目标：了解大语言模型（LLM）的工作原理，并学会如何使用现有工具进行开发。
第87天：大模型概述
文章链接：《Python星球日记》 第87天：什么是大语言模型 LLM？
- LLM 简介：
- 什么是大语言模型？发展历程（从 GPT 到 GPT-4）
- LLM 的应用场景（对话、写作、代码生成等）
- 模型架构：
- Transformer 的扩展与改进
- 代码练习：加载并运行一个预训练 LLM 模型
第88天：ChatGPT 与 LangChain
文章链接：《Python星球日记》 第88天：ChatGPT 与 LangChain
- ChatGPT 简介：
- 如何与 ChatGPT 交互？
- Prompt Engineering 的技巧
- LangChain：
- 什么是 LangChain？如何使用它？
- 代码练习：使用 LangChain 构建一个简单的问答系统
第89天：LlamaIndex 与知识图谱
文章链接：《Python星球日记》 第89天：LlamaIndex 与知识图谱
- LlamaIndex 简介：
- 如何将私有数据集成到 LLM 中？
- 知识图谱：
- 构建与查询知识图谱
- 代码练习：使用 LlamaIndex 实现文档问答
第90天：微调大模型
文章链接：《Python星球日记》 第90天：微调的概念以及如何微调大模型？
- 微调原理：
- 如何在特定任务上微调 LLM？
- LoRA（Low-Rank Adaptation）：
- 参数高效微调的方法
- 代码练习：微调一个小型 LLM 模型
第91天：综合项目：端到端 LLM 应用
文章链接：《Python星球日记》 第91天：端到端 LLM 应用（综合项目：医疗文档助手）
- 项目需求：
- 构建一个基于 LLM 的聊天机器人或文档助手
- 数据准备：
- 收集与处理私有数据
- 模型微调：
- 使用 LoRA 或其他方法
- 结果展示：
- 将模型部署为 Web 应用
- 代码练习：完成一个完整的 LLM 项目
第十三阶段：AI 工程化（第93-96天）
目标：掌握 AI 模型的工程化实践，包括模型部署、自动化训练平台等。
第92天：模型部署基础
文章链接：《Python星球日记》 第92天：AI模型部署工程化基础
- 部署工具：
- Flask、FastAPI、Docker
- RESTful API 设计：
- 接口设计与文档编写
- 代码练习：将一个简单的模型部署为 RESTful API
第93天：MLOps 入门
文章链接：《Python星球日记》 第93天：MLOps 入门
- MLOps 简介：
- 什么是 MLOps？为什么需要 MLOps？
- 模型版本控制与流水线管理
- 工具链：
- MLflow、Kubeflow
- 代码练习：使用 MLflow 跟踪实验结果
第94天：自动化训练平台
文章链接：《Python星球日记》 第94天：走近自动化训练平台
- 平台简介：
- Kubeflow Pipelines、TensorFlow Extended（TFX）
- 自动化流程：
- 数据预处理、模型训练、评估与部署
- 代码练习：构建一个简单的自动化训练流水线
第95天：分布式训练与推理
文章链接：《Python星球日记》 第95天：分布式训练与推理
- 分布式训练：
- 数据并行与模型并行
- 使用 Horovod 或 DeepSpeed
- 分布式推理：
- 使用 ONNX Runtime 或 TensorRT
- 代码练习：使用分布式训练加速模型训练
第96天：综合项目：端到端 AI 工程化
文章链接：《Python星球日记》 第96天：端到端 AI 工程化（综合项目）
- 项目需求：
- 构建一个完整的 AI 工程化项目
- 数据准备：
- 数据收集与标注
- 模型训练：
- 使用自动化训练平台
- 模型部署：
- 使用 Docker 和 Kubernetes 部署模型
- 代码练习：完成一个完整的 AI 工程化项目
学习建议✅
- 项目驱动：边学边做项目，有助于巩固和实践
- 刷题训练：如LeetCode/PAT锻炼编程思维
LeetCode练习推荐：https://leetcode.cn/studyplan/top-100-liked/
- 持续学习：关注AI前沿、阅读论文、参与开源项目
书籍推荐📚
- 《Python编程：从入门到实践》 - 基础学习
[美] 埃里克 • 马瑟斯（Eric Matthes） / 袁国忠
- 《流畅的Python》 - 进阶读物
[巴西] Luciano Ramalho / 安道 / 吴珂
- 《Python数据科学手册》 - 数据科学方向
[美] Jake VanderPlas / 陶俊杰 / 陈小莉
- 《Python Cookbook（第3版）中文版》 - 实用代码示例
David M. Beazley / Brian K. Jones / 陈舸
- 《机器学习》 - 机器学习入门
周志华 / 清华大学出版社
- 《机器学习实战 (原书第2版) : 基于Scikit-Learn、Keras和TensorFlow》 - 机器学习实战
[法] Aurélien Géron / 宋能辉 / 李娴
创作者：Code_流苏(优快云)（一个喜欢古诗词和编程的Coder😊）
点赞加关注，收藏不迷路！本篇文章如对你有所帮助，还请多多点赞支持！
扫一扫
1141
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
