（1）AI概述与数学基础：了解人工智能的发展历程、核心概念及其相互关系（人工智能、机器学习、深度学习、生成式AI）。学习三大学术流派的主要思想（符号主义、行为主义、连接主义）。回顾AI所需的数学基础，包括线性代数（向量、矩阵、特征分解）、概率论（条件概率、贝叶斯定理、常见分布）、微积分（导数、偏导数、梯度下降）和最优化方法的核心概念。
（2）机器学习基础：掌握机器学习的主要类型：监督学习（有标签数据）、无监督学习（无标签数据）、强化学习（奖励机制）。理解机器学习系统的建构建准则和模型评估方法（准确率、精确率、召回率、F1分数、ROC-AUC）。学习数据准备、清洗、预处理的基本概念和常用方法。
（3）监督学习算法：深入理解经典监督学习算法的原理与实现。掌握线性回归与逻辑回归（最小二乘法、梯度下降、Sigmoid函数）。理解决策树（信息增益、基尼系数、剪枝策略）和集成学习方法（随机森林、梯度提升决策树GBDT、XGBoost、LightGBM）。掌握支持向量机（SVM）的核心思想（最大间隔、核技巧）和朴素贝叶斯的原理（贝叶斯定理、条件独立性假设）。
（4）无监督学习算法：深入理解无监督学习的核心算法。掌握K-Means聚类的原理（K值选择、距离计算、收敛条件）。学习层次聚类（凝聚式、分裂式）和DBSCAN密度聚类的工作原理。掌握主成分分析（PCA）降维技术的核心思想。了解高斯混合模型（GMM）和期望最大化（EM）算法的原理。
（5）神经网络基础：理解神经元模型、激活函数（Sigmoid、Tanh、ReLU、Leaky ReLU、Softmax）的作用与选择。掌握多层感知器（MLP）的网络结构、前向传播与反向传播算法。学习BP神经网络的原理与实现。掌握损失函数（MSE、交叉熵）、优化器（SGD、Adam、RMSprop）的配置方法。
（6）深度学习框架与开发环境：掌握PyTorch/TensorFlow等主流深度学习框架的安装与配置。学习GPU加速原理与CUDA环境配置。了解国产化深度学习框架（PaddlePaddle、MindSpore）的基本特点。实现深度学习开发环境的搭建与验证。
（7）卷积神经网络（CNN）：深入理解卷积运算的数学原理，掌握卷积层（卷积核、步长、填充、输入输出通道）、池化层（最大池化、平均池化）的作用。学习经典CNN架构（LeNet、AlexNet、VGGNet、ResNet、DenseNet）的演进与特点。掌握CNN在图像分类、目标检测中的应用。
（8）循环神经网络（RNN）：理解循环神经网络处理序列数据的原理，掌握简单RNN、LSTM（长短时记忆网络）、GRU的结构特点与适用场景。学习序列到序列（Seq2Seq）模型和注意力机制（Attention）的基本原理。掌握RNN在文本分类、情感分析、时序预测中的应用。
（9）Transformer与预训练模型：深入理解Transformer的编码器-解码器架构、自注意力机制、多头注意力、位置编码的核心原理。学习BERT、GPT系列模型的架构原理与训练方法。掌握预训练语言模型的微调技术，包括全参数微调和参数高效微调（LoRA）。
（10）计算机视觉算法：系统学习计算机视觉的核心任务。掌握图像分类算法的实现（ResNet、EfficientNet）。深入理解目标检测算法（Faster R-CNN、YOLO系列、SSD）的原理与演进。学习图像分割技术（FCN、U-Net、DeepLab）。了解图像生成与增强算法（GAN、扩散模型）。
（11）自然语言处理算法：掌握自然语言处理的核心任务。学习文本预处理技术（分词、词嵌入、词表示）。理解语义理解算法（文本分类、情感分析、命名实体识别）和文本生成算法（机器翻译、摘要生成）的实现方法。了解多模态学习的基本概念和应用。
（12）大模型与AI工程化实践：了解大模型的核心技术（混合专家模型MoE、DeepSpeed、Megatron-LM）。掌握检索增强生成（RAG）的原理与实现，构建知识增强的AI应用。学习大模型应用开发框架（LangChain）和智能体（Agent）基础理论。掌握模型量化、剪枝、知识蒸馏等压缩技术。了解大模型本地化部署与微调实战（基于ollama、vLLM、Llama Factory）。综合完成一个完整的AI项目（如推荐系统、智能问答助手），涵盖需求分析、算法选型、模型训练、优化加速和部署应用的全流程。
