课程分类： DS赋能运用
课程目标：
1.人工智能基础知识的全面掌握
学员将从传统机器学习到深度学习，再到当前最热门的大语言模型（如GPT、BERT、DeepSeek等）逐步深入学习，掌握AI的核心概念、技术原理和发展趋势。
2.AI在软件开发中的实际应用能力
学会使用AI工具（如GitHubCopilot）自动生成代码，提高开发效率。
掌握如何在VSCode中安装和使用AI扩展，优化代码质量和开发流程。
3.AI在数据处理中的实战技能
掌握数据自动化ETL的工具和方法（如ApacheNiFi），提升数据集成和清洗的效率。
学会使用自然语言生成SQL查询，简化数据查询和分析过程。
了解如何使用AI工具自动爬取网页数据，并解决相关法律和伦理问题。
4.AI在数据决策中的支持能力
学会使用AI生成可视化看板（如Tableau、PowerBI），提升数据分析和决策效率。
掌握如何利用AI生成数据分析报告，支持企业决策。
5.DeepSeek的本地化部署与定制化能力
掌握DeepSeek的本地化部署、训练微调和推理方法。
学会构建个人知识库，并将其集成到DeepSeek中，提升信息检索和决策支持能力。
了解DeepSeek与主流AI大语言模型（如GPT、BERT、LLaMA）的对比，掌握其独特优势。
6.AI自动化工作流程的实现
学会使用Agent自动化工具，优化工作流程，提升工作效率。
掌握如何设计和实现自动化工作流，减少人工操作。
7.实战案例驱动的学习体验能力
通过多个实战案例（如AI生成代码、自动化数据爬取、生成决策支持报告等），学员能够将理论知识应用于实际场景。
学会解决AI应用中的常见问题（如数据偏差、模型过拟合、法律和伦理问题）。
应用场景：能够将课程中学到的技能直接应用于银行中后台的实际工作中，提升工作效率和质量。
8.团队协作与跨部门合作能力
通过课程中的案例分析和团队讨论，学员能够提升跨部门协作能力。
学会如何与业务部门、管理层沟通AI技术的应用和价值。
9.未来AI技术发展的前瞻性视野
通过课程中对AI技术发展趋势的探讨，学员能够了解未来AI技术的方向（如多模态模型、边缘计算等）。
学会如何持续学习和适应AI技术的快速变化。
课程对象：
课程时间：
章 | 节 | 小节 | 时间 |
一人工智能入门 | 1. 从传统机器学习到深度学习 | 1. 介绍传统机器学习的基本概念，如监督学习、无监督学习和强化学习。 2. 探讨深度学习的核心思想，如神经网络的结构和训练过程。 3. 分析深度学习在图像识别、自然语言处理等领域的应用案例。 案例：某股份制银行智能化客服电访评估 电访是零售的重要工作。电话外呼和企业微信是联系客户的关键工具，占据了客户经理超过一半的工作时间。对电话质量的评价以人工判断为主，一通电话的评价大约需要半个小时，效率低。利用大语言模型，通过对电话录音的挖掘，营销过程中的一些标签（如营销开口、客户的意向）。最终通过构建机器学习模型，对电访进行评分。最终学员在云上成功运行Python代码，并掌握模型调优方法。 | 9:00-10:30 |
2. 从深度学习到大语言模型 | 1. 讲解大语言模型的基本架构，如Transformer模型。 2. 探讨大语言模型的训练过程，包括预训练和微调。 3. 分析大语言模型在文本生成、翻译和问答系统中的应用。 | 10:45-12:00 | |
3. 实战案例：使用大语言模型进行逻辑推理 | 1. 演示如何使用大语言模型解决经典逻辑问题（如数独、逻辑谜题等）。 2. 探讨如何通过提示工程（Prompt Engineering）优化模型的推理结果。 3. 分析模型在实际应用中的表现，并提出改进建议。 案例：使用AI大模型预测成功概率 通过一个电影中的德州扑克场景，设计Prompt，能让AI准确理解问题的上下文，游戏的潜在规则和任务目标，体会与AI的逻辑交流碰撞，对比不同AI大模型平台的智力水平和回答质量。最终深刻思考AI的成长趋势。 | 14:00-15:30 | |
二AI在软件开发上的应用 | 1. 自动生成代码 | 1. 介绍自动生成代码的基本原理和工具，如GitHub Copilot。 2. 探讨自动生成代码在提高开发效率中的应用。 3. 分析自动生成代码的局限性和改进方向。 | 15:45-17:00 |
2. Vscode及AI扩展的安装和使用 | 1. 讲解如何在Vscode中安装和配置AI扩展。 2. 探讨AI扩展在代码补全、错误检测和代码优化中的应用。 3. 分析AI扩展对开发流程的影响和潜在问题。 | 9:00-10:30 | |
3. 实战案例：使用AI扩展优化代码 | 案例：Github Copilot开发数据分析软件 Github Copilot 作为强大的自动化代码生成工具，在数据分析软件的开发中展现出卓越性能。它利用先进的算法和智能辅助功能，高效地生成代码，提升开发效率。开发人员借助其强大的技术支持，能够更快速、精准地构建数据分析软件，满足各种复杂的数据处理需求。 | 10:45-12:00 | |
三AI在数据处理上的应用 | 1. 数据自动化ETL | 1. 介绍数据自动化ETL的基本概念和工具，如Apache NiFi。 2. 探讨数据自动化ETL在数据集成和清洗中的应用。 3. 分析数据自动化ETL的挑战和解决方案。 | 14:00-15:30 |
2. 自然语言生成数据库SQL | 1. 讲解如何使用自然语言生成数据库查询语句。 2. 探讨自然语言生成SQL在数据查询和分析中的应用。 3. 分析自然语言生成SQL的准确性和优化方法。 | 15:45-17:00 | |
3. 实战案例：AI自动爬取网页数据 | 1. 演示如何使用AI工具自动爬取网页数据。 2. 探讨AI在数据采集中的应用和优势。 3. 分析AI爬取数据的法律和伦理问题。 案例：Appstore评语的自动抓取和Transformer情感分析 App运营非常消耗人力，应用自然语言处理模型对用户的评语进行情感分析，区别正面、中性和负面，实现业务运营的降本增效。本例使用AI大模型，从打开网站，抓取网页信息，保存Excel数据，标注样本，训练模型，直至形成最终分析报告的全过程。学员只需跟着操作指示，一步一步实现样本。案例采用了Appstore的实时数据，保证了实战效果，让学员学完即可用。 | 9:00-10:30 | |
四AI在数据决策上的应用 | 1. AI生成可视化看板 | 1. 介绍AI生成可视化看板的基本原理和工具，如Tableau和Power BI。 2. 探讨AI生成可视化看板在数据分析和决策中的应用。 3. 分析AI生成可视化看板的局限性和改进方向。 | 10:45-12:00 |
2. AI生成数据分析报告 | 1. 讲解如何使用AI生成数据分析报告。 2. 探讨AI生成报告在提高决策效率中的应用。 3. 分析AI生成报告的准确性和优化方法。 | 14:00-15:30 | |
3. 实战案例：使用AI生成决策支持报告 | 案例：AI一键生成数据报告 Python拥有强大的数据处理能力，拥有大量高效的工具箱。Pandas Profiling是一个强大的Python库，可以快速对数据进行初步的探索性数据分析。它可以生成交互式的报告，其中包含数据集的概览、变量的描述、变量之间的关系、缺失值的分析等多种统计信息，非常适合在数据分析初期快速获取数据集的直观理解。 | 15:45-17:00 | |
五DeepSeek训推实践 | 1. 训练微调和推理 | 1. 介绍DeepSeek本地化部署的基本步骤和工具。 2. 探讨如何对模型进行微调和推理。 3. 分析微调和推理在实际应用中的效果和优化方法。 | 9:00-10:30 |
2. 构建个人知识库 | 1. 讲解如何构建个人知识库并集成到DeepSeek中。 2. 探讨个人知识库在信息检索和决策支持中的应用。 3. 分析个人知识库的维护和更新策略。 | 10:45-12:00 | |
3. DeepSeek与主流AI大语言模型对比 | 1. 模型架构对比：对比DeepSeek与ChatGPT等主流模型的架构设计，分析各自的优势和适用场景。 2. 性能与效率对比：从训练速度、推理效率、资源消耗等方面对比DeepSeek与其他模型的性能。 3. 探讨DeepSeek在本地化部署和定制化方面的优势，与其他模型的对比。 | 14:00-15:30 | |
4. 实战案例：Agent自动化工作流程 | 1. 演示如何使用Agent自动化工作流程。2. 探讨Agent自动化在提高工作效率中的应用。3. 分析Agent自动化的局限性和改进方向。 | 15:45-17:00 |
