机器学习

全面掌握机器学习模型部署方法，包括 Flask/FastAPI API 服务、Docker 容器化、MLflow 实验管理和 CI/CD 自动化

探索自动化机器学习工具，包括 Auto-sklearn、TPOT、H2O AutoML，实现高效的模型自动选择与调优

掌握时间序列数据处理、ARIMA 模型、Prophet 预测以及 LSTM 深度学习方法进行时序预测

从数据加载到模型部署的完整机器学习项目实战，掌握 Pipeline、特征工程、模型训练与评估全流程

全面掌握机器学习模型评估指标、交叉验证方法、超参数调优技术，避免过拟合与欠拟合

深入理解集成学习方法，掌握 Bagging、Boosting 原理，实战 Random Forest、XGBoost 和 LightGBM 算法

机器学习的定义、发展历史、主要分类与应用领域全面介绍。

从感知机到大语言模型，全面了解深度学习的发展历史、核心概念和技术演进脉络