资源介绍
视频教程）
本课程共分为 7 个学习阶段，涵盖从基础理论到实战应用，再到职业规划的全流程内容，总时长 100 天。每个阶段都配备了对应的视频课程、中文字幕文件以及实操实验资料，确保学习者能够边学边练，扎实掌握所学知识。经统计，课程视频总数为 26 个，每个视频都聚焦特定学习模块，精准覆盖各阶段核心知识点。
二、各阶段详细内容
（一）第一阶段：数据科学基础（第 1-20 天）
该阶段是数据科学学习的入门基石，旨在帮助学习者搭建扎实的基础框架，为后续深入学习奠定基础。
第 1-5 天：Python 基础：系统讲解 Python 编程语言的核心概念，包括变量定义与使用、循环结构（for 循环、while 循环）的应用、函数的定义、调用及参数传递，以及面向对象编程（OOP）的思想与实践，让学习者能够熟练运用 Python 进行基础编程操作。配套的视频课程与中文字幕文件，可帮助学习者清晰理解每个知识点，同时通过实操练习加深记忆。
第 6-10 天：NumPy 与 Pandas 数据处理：介绍两款在数据科学领域广泛应用的数据处理工具。NumPy 部分重点讲解数组的创建、运算及索引操作，助力学习者高效处理数值型数据；Pandas 部分则围绕 DataFrame 数据结构，详细阐述数据的读取、清洗、筛选、分组与聚合等操作，让学习者掌握数据预处理的核心技能。
第 11-15 天：数据可视化（Matplotlib、Seaborn）：数据可视化是呈现数据 insights 的重要手段。此模块讲解 Matplotlib 的基础绘图功能，如折线图、柱状图、散点图等的绘制方法，以及 Seaborn 在 Matplotlib 基础上的进阶应用，包括热力图、箱线图等，帮助学习者通过直观的图表展示数据特征与规律。
第 16-20 天：统计与概率：涵盖统计与概率的核心知识，包括均值、方差等描述性统计量的计算与应用，常见概率分布（如正态分布、二项分布）的特点及适用场景，以及假设检验的基本原理与流程，为后续数据分析与建模提供理论支撑。
此外，本阶段还配备了 “实验 1” 的 HTML 与 PDF 文档，通过实操任务帮助学习者巩固该阶段所学内容，提升动手能力。
（二）第二阶段：数据清洗与探索（第 21-35 天）
真实数据往往存在不完整性、冗余性等问题，该阶段聚焦数据预处理环节，帮助学习者掌握数据清洗与探索的关键技能，为后续建模提供高质量数据。
第 21-25 天：数据清洗：详细讲解数据清洗的核心任务，包括缺失值的识别与处理方法（如均值填充、中位数填充、插值法等）、重复数据的检测与删除，以及异常值的识别（如箱线图法、Z-score 法等）与处理策略，确保数据质量符合分析与建模要求。
第 26-30 天：特征工程：特征工程是提升模型性能的关键步骤。此模块介绍特征编码方法（如独热编码、标签编码等）、特征缩放技术（如标准化、归一化等），以及特征变换手段（如对数变换、多项式变换等），帮助学习者构建更具代表性的特征，为后续建模打下良好基础。
第 31-35 天：探索性数据分析（EDA）与案例研究：通过实际案例，引导学习者运用前期所学知识进行探索性数据分析，包括数据分布分析、变量相关性分析、异常值深度挖掘等，培养学习者从数据中发现问题、提取有价值信息的能力。
本阶段配套 “实验 2” 的 HTML 与 PDF 文档，通过真实数据场景的实操练习，让学习者熟练运用数据清洗与探索技能。
（三）第三阶段：机器学习核心（第 36-55 天）
机器学习是数据科学的核心技术之一，该阶段系统讲解机器学习的基础理论与主流算法，帮助学习者掌握建模与分析的核心能力。
第 36-40 天：机器学习入门、训练集与测试集划分、评估指标：介绍机器学习的基本概念与工作流程，讲解训练集与测试集划分的原则与方法（如留出法、交叉验证法等），以及模型评估的常用指标（如准确率、精确率、召回率、F1 值、均方误差等），让学习者建立对机器学习的整体认知。
第 41-45 天：回归模型：深入讲解主流回归模型，包括线性回归（单变量、多变量）的原理与求解方法、逻辑回归在分类问题中的应用，以及岭回归（Ridge）、套索回归（Lasso）在处理多重共线性问题上的优势与实践，帮助学习者解决连续型变量预测与二分类问题。
第 46-50 天：分类模型：涵盖决策树、随机森林、支持向量机（SVM）、K 近邻（KNN）等经典分类算法，详细阐述各算法的原理、优缺点及适用场景，通过案例演示算法的实现过程，让学习者能够根据实际问题选择合适的分类模型。
第 51-55 天：无监督学习：介绍无监督学习的核心算法，包括 K-Means 聚类算法的原理与实现步骤、主成分分析（PCA）的降维思想与应用，以及聚类算法在客户分群、异常检测等场景中的实际应用，拓展学习者的机器学习技术视野。
“实验 3” 的 HTML 与 PDF 文档为该阶段的实操资料，通过动手建模练习，帮助学习者深化对机器学习算法的理解与应用能力。
（四）第四阶段：机器学习应用与项目（第 56-70 天）
理论知识需结合实际应用才能充分发挥价值，该阶段通过真实案例研究，引导学习者将机器学习技术应用于实际业务场景，提升项目实战能力。
第 56-60 天：案例研究 —— 客户流失预测（分类）：以客户流失预测为业务场景，完整演示从数据获取、数据预处理、特征工程，到分类模型构建、模型优化与评估的全流程，帮助学习者掌握分类算法在客户管理领域的应用，为企业制定客户 retention 策略提供数据支持。
第 61-65 天：案例研究 —— 销售预测（时间序列）：聚焦时间序列分析技术在销售预测中的应用，讲解时间序列数据的特点、预处理方法（如平稳性检验、差分处理等），以及常用预测模型的构建与优化，帮助学习者解决企业销售预测类业务问题，为库存管理、生产计划制定提供数据驱动决策依据。
第 62-70 天：案例研究 —— 推荐系统（协同过滤）：介绍推荐系统的核心思想与协同过滤算法（如基于用户的协同过滤、基于物品的协同过滤），通过实际案例演示推荐系统的构建过程，包括数据处理、相似度计算、推荐结果生成与评估，让学习者掌握推荐系统在电商、内容平台等领域的应用技能。
本阶段的 “实验 4” 提供了与案例配套的实操任务，助力学习者将案例中的方法与思路转化为自身的实战能力。
（五）第五阶段：深度学习基础（第 71-85 天）
随着人工智能技术的发展，深度学习在图像识别、自然语言处理等领域展现出强大能力，该阶段帮助学习者搭建深度学习基础框架，掌握核心技术与工具。
第 71-75 天：神经网络基础：讲解神经网络的基本构成，包括感知器的原理、激活函数的作用，以及前向传播与反向传播的计算过程，让学习者理解神经网络的工作机制，为后续深入学习深度学习模型奠定基础。
第 76-80 天：基于 TensorFlow/Keras 的深度学习：介绍主流深度学习框架 TensorFlow 与 Keras 的使用方法，包括模型的构建（Sequential 模型、函数式 API）、编译（优化器、损失函数、评估指标）与训练过程，帮助学习者熟练运用框架实现深度学习模型。
第 81-85 天：深度学习应用 —— 图像分类（CNN）、文本处理（RNN/LSTM）：聚焦深度学习的经典应用场景，讲解卷积神经网络（CNN）在图像分类中的原理与实现，以及循环神经网络（RNN）、长短期记忆网络（LSTM）在文本处理（如文本分类、情感分析）中的应用，让学习者掌握深度学习在特定领域的实用技能。
“实验 5” 为该阶段的实操资料，通过实际项目练习，帮助学习者巩固深度学习知识与框架使用能力。
（六）第六阶段：生成式 AI 与高级应用（第 86-95 天）
生成式 AI 是当前人工智能领域的热门方向，该阶段聚焦生成式 AI 基础与高级应用，同时拓展 AI 在不同行业的实践场景，帮助学习者紧跟技术前沿。
第 86-88 天：大型语言模型（LLM）基础：介绍大型语言模型的核心概念、技术原理，包括模型架构设计、训练过程中的关键技术，以及在自然语言理解、文本生成等场景中的应用，让学习者了解生成式 AI 的核心技术载体。
第 89-91 天：提示工程与微调基础：讲解提示工程的原则与方法，包括如何设计有效的提示词以提升模型输出质量，以及模型微调的基本流程与关键步骤，帮助学习者更好地利用现有模型解决特定业务问题，提升模型适用性。
第 92-93 天：商业 AI 应用（自动化、自然语言处理、聊天机器人）：探索 AI 在商业领域的实际应用，包括 AI 驱动的业务流程自动化方案、自然语言处理技术在客户服务、文档分析中的应用，以及聊天机器人的构建与优化，帮助学习者理解 AI 如何为商业场景降本增效。
第 94-95 天：行业 AI 应用（航空、医疗、金融）：深入不同行业，分析 AI 技术的应用场景与价值。在航空领域，介绍 AI 在航班调度优化、故障预测中的应用；在医疗领域，讲解 AI 在医学影像分析、疾病风险预测中的实践；在金融领域，阐述 AI 在风控建模、量化分析中的应用，同时强调在金融等敏感领域，需重点关注数据安全与合规性，通过技术手段提升安全防护能力，保障数据与系统安全。
“实验 6” 提供了该阶段的实操任务，涵盖生成式 AI 应用、行业解决方案设计等内容，助力学习者将高级 AI 技术与实际场景结合。
（七）第七阶段：毕业项目与未来发展路径（第 96-100 天）
该阶段是课程的收尾与升华，通过毕业项目综合检验学习成果，同时为学习者规划职业发展路径，助力其顺利进入职场并实现长期发展。
第 96-98 天：毕业项目 —— 端到端流程（数据→机器学习模型→仪表盘 / API）：要求学习者独立完成一个完整的数据分析与建模项目，涵盖数据获取与处理、模型构建与优化，以及结果展示（仪表盘开发）或模型部署（API 开发）的全流程，综合运用前 6 个阶段所学知识，提升项目综合实战能力。
第 99 天：数据科学 / AI 岗位作品集与简历制作：指导学习者整理学习过程中的项目成果，构建专业作品集，同时讲解数据科学与 AI 岗位简历的撰写技巧，包括技能展示、项目经历描述、成果量化等，帮助学习者打造具有竞争力的求职材料。
第 100 天：项目展示与 “未来发展方向”：组织学习者进行毕业项目展示，锻炼表达与汇报能力。同时，介绍数据科学与 AI 领域的未来发展方向，包括机器学习运维（MLOps）、高级深度学习技术、细分领域（如生物信息学、自动驾驶相关数据技术）等，为学习者提供长期学习与职业发展的指引。
“实验 7” 为毕业项目提供了实操指导与参考资料，帮助学习者顺利完成项目开发与展示。