应用人工智能

默认只展示每周独有的知识重点；节奏、考核、Tutorial 和避坑信息按需展开。

1. 1

   应用 AI 概论

   📖核心知识点：AI 从研究到落地的挑战——数据质量、模型可解释性、部署成本、伦理合规。**AI 应用全景**——计算机视觉、NLP、推荐系统、机器人、医疗 AI、金融 AI。AI 项目生命周期——问题定义 → 数据收集 → 模型训练 → 评估 → 部署 → 监控。MLOps 概念导入。⏰本周节奏：建立应用 AI 全局观。🎯考试关联：AI 项目生命周期与 MLOps 概念是基础考题。🧪Tutorial/Lab：探索 HuggingFace Model Hub，选择一个预训练模型并推理。📌作业关联：Project Proposal。⚠️易错点：过于关注模型精度而忽略部署与维护成本；选题时低估数据获取难度。

2. 2

   数据工程与特征工程

   📖核心知识点：**数据工程**——数据采集、清洗、标注、版本管理（DVC）。特征工程——数值特征（归一化、分桶）、类别特征（One-Hot、Target Encoding）、文本特征（TF-IDF、Embedding）。数据增强策略——图像（翻转、旋转、MixUp）、文本（回译、同义词替换）。数据偏见检测与缓解。⏰本周节奏：「Garbage In, Garbage Out」——数据是 AI 的基础。🎯考试关联：特征工程方法选择与数据偏见分析是考试内容。🧪Tutorial/Lab：使用 Pandas + Scikit-learn 进行特征工程 Pipeline。📌作业关联：Project 数据准备。⚠️易错点：数据泄露（Data Leakage）——用测试集信息进行特征工程；类别不平衡未处理。

3. 3

   NLP 应用

   📖核心知识点：**NLP 核心任务**——文本分类、命名实体识别（NER）、情感分析、问答系统。Transformer 架构回顾——Self-Attention、Multi-Head Attention。预训练语言模型——BERT、GPT、T5 的应用范式。Prompt Engineering 与 In-Context Learning。Fine-Tuning vs Prompt-Based 方法。⏰本周节奏：NLP 是应用 AI 最活跃的领域之一。🎯考试关联：Transformer 原理与 BERT/GPT 应用是必考内容。🧪Tutorial/Lab：使用 HuggingFace Transformers 进行文本分类 Fine-Tuning。📌作业关联：Project NLP 模块。⚠️易错点：Tokenization 与预训练模型不匹配；Fine-Tuning 时学习率过大导致灾难性遗忘。

4. 4

   计算机视觉应用

   📖核心知识点：**CV 核心任务**——图像分类、目标检测、语义分割、图像生成。模型选型——ResNet/EfficientNet（分类）、YOLO/DETR（检测）、U-Net/SAM（分割）。迁移学习实践——冻结层、微调策略。数据标注工具——LabelImg、CVAT、Roboflow。⏰本周节奏：CV 在工业界有广泛应用。🎯考试关联：CV 模型选型与迁移学习策略是考试内容。🧪Tutorial/Lab：使用预训练 YOLO 进行自定义数据集目标检测。📌作业关联：Project CV 模块。⚠️易错点：小数据集上 Fine-Tuning 过拟合；数据增强策略与任务不匹配（如对文字图像做旋转）。

5. 5

   模型评估与优化

   📖核心知识点：模型评估——交叉验证、A/B 测试设计。**超参数优化**——Optuna、Ray Tune。模型压缩——知识蒸馏（Knowledge Distillation）、剪枝（Pruning）、量化（Quantization）。模型可解释性——SHAP、LIME、Attention Visualization。⏰本周节奏：从「能用」到「好用」的优化。🎯考试关联：模型压缩方法与可解释性工具是考试重点。🧪Tutorial/Lab：使用 SHAP 解释模型预测并进行知识蒸馏。📌作业关联：Project 优化阶段。⚠️易错点：量化后模型精度下降超出预期；SHAP 值的解读需要领域知识。

6. 6

   灵活性周 (Flex Week)

   📖核心知识点：无新内容。项目中期检查。完善数据处理、模型训练与初步评估。⏰本周节奏：100% 项目开发。🎯考试关联：中期进度影响评分。🧪Tutorial/Lab：中期 Demo。📌作业关联：中期报告。⚠️易错点：项目进度滞后——尽早发现问题并调整计划。

7. 7

   模型部署

   📖核心知识点：**模型部署**方案——Flask/FastAPI REST API、TorchServe、TensorFlow Serving。容器化——Docker + Kubernetes。Serverless 部署——AWS Lambda、Google Cloud Functions。模型服务的性能指标——延迟（Latency）、吞吐量（Throughput）、可用性。⏰本周节奏：从 Notebook 到生产环境。🎯考试关联：部署架构设计与性能指标是考试内容。🧪Tutorial/Lab：将模型打包为 Docker 并部署为 REST API。📌作业关联：Project 部署。⚠️易错点：GPU 推理服务的内存管理；API 未做输入验证导致安全风险。

8. 8

   MLOps 与持续学习

   📖核心知识点：**MLOps** 核心实践——CI/CD for ML、模型版本管理（MLflow）、数据管道（Airflow/Prefect）。模型监控——数据漂移检测（Data Drift）、模型性能衰退。持续学习（Continual Learning）——在线更新模型而不遗忘旧知识。Feature Store 概念——Feast、Tecton。⏰本周节奏：生产级 AI 系统的运维。🎯考试关联：MLOps 流程与模型监控是论述题方向。🧪Tutorial/Lab：配置 MLflow 跟踪实验并检测数据漂移。📌作业关联：Project MLOps 集成。⚠️易错点：数据漂移检测的阈值设定缺乏依据；模型回滚策略未制定。

9. 9

   AI 伦理与负责任 AI

   📖核心知识点：**AI 偏见与公平性**——算法偏见来源（数据偏见、标签偏见、模型偏见）。公平性度量——Demographic Parity、Equal Opportunity、Predictive Parity。AI 隐私——联邦学习（Federated Learning）、差分隐私（Differential Privacy）。AI 法规——欧盟 AI Act、澳洲 AI Ethics Principles。⏰本周节奏：技术之外的社会责任。🎯考试关联：AI 伦理与公平性是必考论述题。🧪Tutorial/Lab：使用 Fairlearn/AIF360 检测并缓解模型偏见。📌作业关联：Project 报告需包含伦理分析。⚠️易错点：不同公平性指标之间存在冲突（Impossibility Theorem）；隐私保护措施对模型性能的影响。

10. 10

    行业案例与项目展示

    📖核心知识点：**垂直行业 AI 案例**——医疗（影像诊断、药物发现）、金融（风控、量化交易）、法律（合同分析、案例检索）、教育（自适应学习）。AI 产品化思维——从技术到商业价值的转化。课程全景回顾。⏰本周节奏：Project 最终展示。🎯考试关联：期末覆盖全部 10 周 + Project 评分。🧪Tutorial/Lab：Final Project Demo。📌作业关联：最终 Project 提交（代码 + 报告 + Demo）。⚠️易错点：Demo 时只展示技术而忽略商业价值；报告缺乏对失败尝试的反思。