（1）文本分类概述与数学基础：了解文本分类的定义、核心任务和应用场景（垃圾邮件检测、情感分析、新闻主题分类、意图识别）。掌握文本分类面临的挑战：高维稀疏数据、语义复杂性、类别不平衡、特征关联性。回顾所需的数学基础，包括线性代数（向量空间、矩阵运算）、概率论（贝叶斯定理、条件概率）和信息论（熵、交叉熵、KL散度）的核心概念。
（2）文本预处理技术：掌握原始文本清洗的完整流程，包括去除HTML标签、特殊符号、统一大小写等。学习分词（Tokenization）技术，理解中文分词与英文分词的差异，掌握常用分词工具（Jieba、NLTK、spaCy）的使用。学习停用词过滤（Stopword Removal）、词干提取（Stemming）和词形还原（Lemmatization）的方法与应用场景。
（3）文本表示与特征工程：掌握文本向量化的核心方法，包括词袋模型（Bag of Words）的原理与实现、TF-IDF（词频-逆文档频率）的计算方法和应用场景。学习N-gram特征扩展技术捕捉局部词序信息。理解文本表示面临的挑战：维度灾难、语义鸿沟、稀疏性问题。
（4）朴素贝叶斯分类器：深入理解朴素贝叶斯的原理：基于贝叶斯定理和特征条件独立假设。掌握三种朴素贝叶斯变体（多项式朴素贝叶斯、伯努利朴素贝叶斯、高斯朴素贝叶斯）的适用场景。学习拉普拉斯平滑处理未登录词问题，理解对数概率计算避免数值下溢。实战实现基于朴素贝叶斯的文本分类器。
（5）支持向量机与逻辑回归：掌握支持向量机（SVM）在文本分类中的应用原理，理解线性SVM的间隔最大化思想和核函数（线性核、RBF核）的选择策略。学习逻辑回归（Logistic Regression）的概率解释和交叉熵损失函数。对比SVM与逻辑回归在文本分类中的优缺点和适用场景。
（6）模型评估与优化：掌握文本分类模型的评估指标体系，包括准确率、精确率、召回率、F1分数（微平均、宏平均）、ROC曲线和AUC值。学习混淆矩阵分析分类错误类型。掌握交叉验证、网格搜索和随机搜索进行超参数调优。理解类别不平衡问题的应对策略：过采样（SMOTE）、欠采样、调整类别权重。
（7）深度学习基础与词嵌入：理解神经网络在文本分类中的基础架构，包括输入层、嵌入层、隐藏层和输出层的设计。学习词嵌入（Word Embedding）的核心思想，掌握Word2Vec（CBOW、Skip-gram）、GloVe等预训练词向量的原理与应用。实现词嵌入的可视化与相似度计算。
（8）TextCNN卷积神经网络分类：理解卷积神经网络在文本分类中的应用原理（捕捉局部N-gram特征）。掌握TextCNN的完整架构：嵌入层、卷积层（多卷积核尺寸）、最大池化层、全连接输出层。学习TextCNN的超参数调优（卷积核数量、尺寸、激活函数选择）。实战实现基于TextCNN的文本分类模型。
（9）RNN/LSTM循环神经网络分类：理解循环神经网络（RNN）处理序列数据的原理及其在文本分类中的应用。掌握LSTM（长短时记忆网络）和GRU的门控机制及其解决梯度消失问题的优势。学习双向LSTM（Bi-LSTM）捕捉上下文信息的机制。实战实现基于LSTM的情感分析模型。
（10）注意力机制与Transformer：理解注意力机制（Attention）的核心思想（查询-键-值机制）及其在文本分类中的应用。掌握Transformer的编码器架构：自注意力（Self-Attention）、多头注意力（Multi-Head Attention）、位置编码和前馈网络。学习预训练语言模型（BERT、RoBERTa）的原理及其在文本分类中的微调方法。
（11）层次化文本分类与多标签分类：理解层次化文本分类（Hierarchical Classification）的应用场景（如新闻分类的层级体系）。掌握层次化分类的两种策略：扁平化方法和层次化方法。学习多标签分类（Multi-label Classification）的问题定义和评估指标。掌握多标签分类的算法适配策略：问题转换方法和算法自适应方法。
（12）综合项目实战：结合所学知识，完成一个完整的文本分类项目（如情感分析系统、新闻主题分类器、意图识别引擎）。涵盖数据采集与标注、预处理与特征工程、多算法对比实验、模型调优与选择、模型部署与API封装的全流程，形成规范的文本分类项目报告。
