课程背景
易精课程遵循
“
资料带来，报告带走。项目带来，源码带走
”
的承诺
，在实际应用里，
已向中国市场领军制造公司（一汽、上汽、东风、广汽、北汽、宝马、丰田、本田等等）和金融机构（银联、中国银行，中国工商银行、招商银行、中国民生银行、邮储银行，渤海银行、唐山银行、汇丰银行、中国平安、国泰君安、方正证券等等）成功交付。
这门课程的规划旨在支援公司员工（格外是货品研发和资料中台部门的员工）周全掌握机器智能（
AI）和机器研习（ML）的理论、办法和实操本领，尤其是大语言模型（LLM）和 DeepSeek 的运用。
课程收益
1. 机器智能基础学识的周全掌握
参训者将从传统机器研习到深度研习，再到当前最热门的大语言模型（如
GPT，BERT、DeepSeek 等等）渐次纵深研习，掌握 AI 的核心概念、技艺原理和演进趋势。
2. AI 在软件开发中的实际运用本领
￮
学会采用
AI 抓手（如 GitHub Copilot）自动生成代码，拉升开发效率。
￮
掌握怎样在
VSCode 中安装和采用 AI 扩展，精进代码质量和开发流程。
3. AI 在资料处理中的实战本领
￮
掌握资料自动化
ETL 的抓手和办法（如 Apache NiFi），拉升资料集成和清洗的效率。
￮
学会采用自然语言生成
SQL 查询，简化资料查询和拆解进程。
￮
弄懂怎样采用
AI 抓手自动爬取网页资料，并破解相关法律和伦理问题。
4. AI 在资料决策中的支持本领
￮
学会采用
AI 生成可视化看板（如 Tableau，Power BI），拉升资料拆解和决策效率。
￮
掌握怎样利用
AI 生成资料拆解报告，支持公司决策。
5. DeepSeek 的本地化部署和定制化本领
￮
掌握
DeepSeek 的本地化部署、训练微调和推理办法。
￮
学会构筑个人学识库，并将其集成到
DeepSeek 中，拉升资讯检索和决策支持本领。
￮
弄懂
DeepSeek 和主流 AI 大语言模型（如 GPT、BERT，LLaMA）的对比，掌握其独特优势。
6. AI 自动化事务流程的达成
￮
学会采用
Agent 自动化抓手，精进事务流程，拉升事务效率。
￮ 掌握怎样规划和达成自动化事务流，减少人工操作。
7. 实战实例驱动的研习体验
本领
￮
借助多个实战实例（如
AI 生成代码、自动化资料爬取、生成决策支持报告等等），参训者能够将理论学识运用于实际情境。
￮
学会破解
AI 运用中的常见问题（如资料偏差、模型过拟合、法律和伦理问题）。
•
运用情境
：能够将课程中学到的本领直接运用于银行中后台的实际事务中，拉升事务效率和质量。
8
. 队伍协同和跨部门携手本领
￮ 借助课程中的实例拆解和队伍碰头，参训者能够拉升跨部门协同本领。
￮
学会怎样和业务部门、管控层交流
AI 技艺的运用和价值。
9
. 未来 AI 技艺演进的前瞻性视野
￮
借助课程中对
AI 技艺演进趋势的探讨，参训者能够弄懂未来 AI 技艺的方向（如多模态模型、边缘计算等等）。
￮
学会怎样持续研习和适应
AI 技艺的迅速变化。
课程大纲
章
节
小节
时间
㊀
机器智能入门
1. 从传统机器研习到深度研习
1. 引见传统机器研习的基本概念，如督导研习、无督导研习和强化研习。
2. 探讨深度研习的核心思想，如神经网络的结构和训练进程。
3. 拆解深度研习在图像识别、自然语言处理等等领域的运用实例。
实例：某股份制银行智能化客服电访评核
电访是零售的要害事务。电话外呼和公司微信是联系买方的要害抓手，占据了买方经理超过一半的事务时间。对电话质量的评价以人工判断为主，执行层面，一通电话的评价大约需要半个小时，换个角度看，效率低。利用大语言模型，借助对电话录音的挖掘，营销进程中的一些标签（如营销开口、买方的意向）。最终借助构筑机器研习模型，对电访开展评分。最终参训者在云上成功运行
Python代码，并掌握模型调优办法。
9:00-10:30
2. 从深度研习到大语言模型
1. 解说大语言模型的基本架构，运行层面，如Transformer模型。
2. 探讨大语言模型的训练进程，包括预训练和微调。
3. 拆解大语言模型在文本生成、翻译和问答系统中的运用。
10:45-12:00
3. 实战实例：采用大语言模型开展推演推理
1.
演示怎样采用大语言模型破解经典推演问题（如数独、推演谜题等等）。
2.
探讨怎样借助提示工程（
Prompt Engineering）精进模型的推理结果。
3.
拆解模型在实际运用中的表现，并提出改进建议。
实例：采用
AI大模型预测成功概率
借助一个电影中的德州扑克情境，规划
Prompt，能让AI准确领会问题的上下文，游戏的潜在规则和差事标的，体会和AI的推演交流碰撞，具体来看，对比不同AI大模型平台的智力水平和回答质量。最终深刻思索AI的成长趋势。
14:00-15:30
㊁
AI在软件开发上的运用
1. 自动生成代码
1. 引见自动生成代码的基本原理和抓手，如GitHub Copilot。
2. 探讨自动生成代码在拉升开发效率中的运用。
3. 拆解自动生成代码的局限性和改进方向。
15:45-17:00
2. Vscode以及AI扩展的安装和采用
1. 解说怎样在Vscode中安装和配置AI扩展。
2. 探讨AI扩展在代码补全、错误检测和代码精进中的运用。
3. 拆解AI扩展对开发流程的影响和潜在问题。
9:00-10:30
3. 实战实例：采用AI扩展精进代码
实例：
Github Copilot开发资料拆解软件
Github Copilot 作为强大的自动化代码生成抓手，往细里说，在资料拆解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，实操中，高效地生成代码，拉升开发效率。开发人员借助其强大的技艺支持，能够更迅速、精准地构筑资料拆解软件，满足各种复杂的资料处理诉求。
10:45-12:00
㊂
AI在资料处理上的运用
1. 资料自动化ETL
1. 引见资料自动化ETL的基本概念和抓手，如Apache NiFi。
2. 探讨资料自动化ETL在资料集成和清洗中的运用。
3. 拆解资料自动化ETL的挑战和解题打法。
14:00-15:30
2. 自然语言生成资料库SQL
1. 解说怎样采用自然语言生成资料库查询语句。
2. 探讨自然语言生成SQL在资料查询和拆解中的运用。
3. 拆解自然语言生成SQL的准确性和精进办法。
15:45-17:00
3. 实战实例：AI自动爬取网页资料
1. 演示怎样采用AI抓手自动爬取网页资料。
2. 探讨AI在资料采集中的运用和优势。
3. 拆解AI爬取资料的法律和伦理问题。
实例：
Appstore评语的自动抓取和Transformer情感拆解
App营运十分消耗人力，运用自然语言处理模型对用户的评语开展情感拆解，区别正面、中性和负面，达成业务营运的降本增效。本例采用AI大模型，从打开网站，抓取网页资讯，保存Excel资料，标注样本，训练模型，直至形成最终拆解报告的全进程。参训者只需跟着操作指示，一步一步达成样本。实例采用了Appstore的实时资料，保证了实战成效，让参训者学完即可用。
9:00-10:30
㊃
AI在资料决策上的运用
1. AI生成可视化看板
1. 引见AI生成可视化看板的基本原理和抓手，具体来看，如Tableau和Power BI。
2. 探讨AI生成可视化看板在资料拆解和决策中的运用。
3. 拆解AI生成可视化看板的局限性和改进方向。
10:45-12:00
2. AI生成资料拆解报告
1. 解说怎样采用AI生成资料拆解报告。
2. 探讨AI生成报告在拉升决策效率中的运用。
3. 拆解AI生成报告的准确性和精进办法。
14:00-15:30
3. 实战实例：采用AI生成决策支持报告
实例：
AI一键生成资料报告
Python具备强大的资料处理本领，运行层面，具备大量高效的抓手箱。Pandas Profiling是一个强大的Python库，能够迅速对资料开展初步的探索性资料拆解。它能够生成交互式的报告，其中包含资料集的概览、变量的描述、变量之间的关系、缺失值的拆解等等多种统计资讯，往细里说，十分适合在资料拆解初期迅速获取资料集的直观领会。
15:45-17:00
㊄
DeepSeek
训推实践
1. 训练微调和推理
1. 引见DeepSeek本地化部署的基本步骤和抓手。
2. 探讨怎样对模型开展微调和推理。
3. 拆解微调和推理在实际运用中的成效和精进办法。
9:00-10:30
2. 构筑个人学识库
1. 解说怎样构筑个人学识库并集成到DeepSeek中。
2. 探讨个人学识库在资讯检索和决策支持中的运用。
3. 拆解个人学识库的维护和更新打法。
10:45-12:00
3. DeepSeek和主流AI大语言模型对比
1. 模型架构对比：对比DeepSeek和ChatGPT等等主流模型的架构规划，拆解各自的优势和适用情境。
2. 性能和效率对比：从训练速度，推理效率、资源消耗等等方面对比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，运行层面，与其他模型的对比。
14:00-15:30
4. 实战实例：Agent自动化事务流程
1. 演示怎样采用Agent自动化事务流程。2. 探讨Agent自动化在拉升事务效率中的运用。3. 拆解Agent自动化的局限性和改进方向。
15:45-17:00
老师简介
Introduction to lecturers
弄懂更多
博闻智咨询|曾剑韬老师
适合谁听
管人者。建议同一家企业 3 人以上同来，课堂上直接改造本企业的实际问题——单人参加也能学到方法，但带不走可用的成果。
交付流程
课前：顾问访谈 2 位管理者，收集现状与问题清单，讲师据此调整案例。课中：讲授与演练各占一半，产出可直接用的工具与方案。课后：7 天内提交改进建议，30 天内一次线上答疑。