（1）数据AI概述与数学基础：了解人工智能与数据科学的关系，掌握AI算法分类体系（监督学习、无监督学习、强化学习）及其应用场景。回顾数据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、分布估计）、数理统计（参数估计、假设检验）和最优化方法（梯度下降、牛顿法）的核心概念。
（2）数据预处理与探索性分析：掌握数据清洗的完整流程，包括缺失值处理（删除、均值/中位数填充、插值法）、异常值检测（3σ原则、箱线图、IQR准则）和数据去重。学习数据变换技术（标准化、归一化、离散化、对数变换）的适用场景。掌握探索性数据分析（EDA）方法，使用可视化工具（Matplotlib、Seaborn）分析数据分布、相关性和统计特征。
（3）特征工程与维度约简：深入理解特征工程的核心价值，掌握特征构建方法（组合特征、多项式特征、领域特征）。学习特征选择技术（过滤式、包裹式、嵌入式）的原理与实现，包括方差选择、卡方检验、互信息、递归特征消除（RFE）、基于模型的特征选择。掌握维度约简技术，包括主成分分析（PCA）、线性判别分析（LDA）、t-SNE和UMAP的原理与应用。
（4）线性回归与逻辑回归：深入理解线性回归的数学原理（最小二乘法、梯度下降），掌握多元线性回归、多项式回归的实现。学习正则化技术（岭回归、Lasso回归、弹性网络）处理过拟合和特征选择。掌握逻辑回归的原理（Sigmoid函数、对数损失、决策边界）及其在多分类中的扩展（Softmax回归）。实战实现房价预测和信用评分分类模型。
（5）决策树与集成学习：深入理解决策树的原理（信息增益、基尼系数、剪枝策略），掌握ID3、C4.5、CART算法的区别与适用场景。学习集成学习的两大范式：Bagging（随机森林）和Boosting（AdaBoost、梯度提升决策树GBDT、XGBoost、LightGBM、CatBoost）。掌握随机森林的特征重要性评估和XGBoost/LightGBM的超参数调优技巧。实战实现用户流失预测和金融风控模型。
（6）支持向量机与贝叶斯算法：理解支持向量机（SVM）的核心思想（最大间隔、支持向量、核技巧），掌握线性SVM和非线性SVM（多项式核、RBF核、Sigmoid核）的应用场景。学习SVM的多分类扩展（一对多、一对一）。掌握朴素贝叶斯的原理（贝叶斯定理、条件独立性假设），学习高斯朴素贝叶斯、多项式朴素贝叶斯、伯努利朴素贝叶斯在不同数据类型上的应用。实战实现文本分类和图像识别基础模型。
（7）聚类算法与无监督学习：深入理解K-Means聚类的原理（K值选择、距离计算、收敛条件）和局限性。学习层次聚类（凝聚式、分裂式）和DBSCAN密度聚类的工作原理。掌握聚类评估方法（轮廓系数、Calinski-Harabasz指数、Davies-Bouldin指数）。了解高斯混合模型（GMM）和期望最大化（EM）算法的原理。实战实现客户分群和图像分割应用。
（8）时间序列分析与预测：理解时间序列数据的特性（趋势、季节性、周期性、随机性）。掌握经典时间序列模型：移动平均（MA）、自回归（AR）、自回归移动平均（ARMA）、差分自回归移动平均（ARIMA）、季节性ARIMA（SARIMA）。学习指数平滑方法（简单指数平滑、Holt线性趋势、Holt-Winters季节性）。了解Prophet等现代时间序列预测工具的原理与应用。实战实现销量预测和流量预测。
（9）神经网络基础与深度学习入门：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。学习使用TensorFlow/Keras构建神经网络模型，掌握损失函数（MSE、交叉熵）、优化器（SGD、Adam、RMSprop）的配置方法。通过手写数字识别（MNIST）案例实践完整的模型构建、编译、训练和评估流程。
（10）模型评估与超参数调优：系统学习模型评估的各种方法，包括留出法、交叉验证（K折、留一法）和自助法。掌握分类模型的评估指标体系（准确率、精确率、召回率、F1分数、ROC曲线、AUC、混淆矩阵）。学习回归模型的评估指标（MSE、RMSE、MAE、R²、调整R²）。掌握超参数调优技术：网格搜索、随机搜索、贝叶斯优化。理解学习曲线和验证曲线的绘制与分析方法。
（11）模型解释性与可解释AI：理解模型解释性的重要性和应用场景。掌握全局解释与局部解释的区别，学习特征重要性分析、部分依赖图（PDP）、个体条件期望图（ICE）。掌握SHAP（SHapley Additive exPlanations）值的原理与应用，学习LIME（Local Interpretable Model-agnostic Explanations）的局部解释方法。实战实现对复杂模型（XGBoost、随机森林）的解释性分析。
（12）综合项目实战：端到端数据AI应用开发：结合所学知识，完成一个完整的数据AI项目（如电商用户行为分析、金融信用评分系统、工业预测性维护、智慧城市流量预测等）。涵盖业务理解、数据采集与预处理、探索性分析、特征工程、模型选型与训练、超参数调优、模型解释、结果评估和部署上线的全流程，形成规范的数据AI项目报告。
