从零到精通：一个面向实战的机器学习与生成式AI完整课程体系

核心信息

• 课程名称：DSAI Module3——10课机器学习与生成式AI实战课程
• 原作者：flexfengfeng
• 来源平台：GitHub（链接）
• 目标受众：商业分析师、产品经理、技术负责人及希望扩展Python与AI技能的职场人士
• 核心价值：采用叙事化学习路径（跟随Sarah Chen的职场经历），以80%实践+20%理论的比例，覆盖从经典ML到Transformer与RAG的完整技能栈，低入门门槛（仅需基础Python/SQL）。

背景

人工智能普及下，非技术背景人士（如商业分析师）理解AI潜力却缺乏系统性学习路径，传统课程过于学术化，充斥复杂公式与抽象概念。

设计理念

以“叙事驱动学习法”解决痛点：通过虚构角色Sarah Chen（NorthStar Retail客户体验分析师）的职场经历，将技术知识与实际业务场景结合，降低学习门槛，让学习者在真实业务中理解技术应用价值。

结构比例

遵循80%实践、20%理论的黄金比例，确保每课动手编写代码。

学习阶段

采用三阶段模式：课前自学（约75分钟）→ 课堂实践（约3小时）→ 课后作业（自主完成）。

内容进阶

从ML基础概念起步，逐步深入：

1. 经典ML（概率统计、监督学习）
2. 无监督学习与时间序列分析
3. 深度学习（神经网络、CV）
4. 自然语言处理与生成式AI（Transformer、RAG） 每课围绕Sarah的业务挑战展开，让技术有具体应用场景。

经典ML模块（1-4课）

• 建立ML认知框架，理解技术适用场景
• 补充概率统计基础（置信区间、A/B测试）
• 深入监督学习（逻辑回归、梯度提升树，含特征工程、模型选择）

扩展模块（5-6课）

• 无监督学习（聚类、PCA）发现数据隐藏模式
• 时间序列分析用于销售预测、库存管理

深度学习模块（7-8课）

• 用PyTorch搭建MLP、CNN
• 重点讲解迁移学习（小数据集场景实用）

生成式AI模块（9-10课）

• NLP基础：词嵌入、语义搜索
• Transformer与RAG技术，构建智能客服、文档问答系统

技术工具

• 环境管理：Miniconda
• 开发环境：VS Code + Jupyter扩展
• 深度学习框架：PyTorch

跨平台支持

• macOS（含Apple Silicon）
• Windows：推荐WSL2（PyTorch稳定性/性能更优）

GPU替代方案

对需GPU加速的模块（如CV、Transformer），提供Google Colab作为替代，方便无本地GPU的学习者完成实验。

端到端项目

学习者需选择真实业务问题（可使用NorthStar案例或自身工作场景），应用L01-L10技能构建完整解决方案，提交可运行代码与文档。

团队学习支持

提供黑客马拉松指南（HACKATHON_GUIDE.md），包含主题建议、评审标准及活动安排，满足企业培训的团队协作需求。

评估灵活性

支持个人深度学习与团队协作评估，适配不同学习场景。

独特方法论

• 叙事化学习：通过Sarah Chen角色提供认知锚点，将技术附着于业务故事，提升记忆与迁移应用能力
• 体验式学习：遵循“尝试→反思→理解→应用”循环，培养解决陌生问题的能力

AI教育启示

• 趋势：从培养AI研究者转向培养AI应用者
• 核心：好的AI教育需清晰业务洞察与持续动手实践，无需深厚数学背景也能入门。