大类 | 序号 | 知识点 | 学习要求 | 学习时长建议 | 学习资源 | 难点总结 | 课后练习 | 过关考试 |
Numpy 基础概念与环境配置 | 1 | Numpy 概述与安装 | 1.了解 Numpy 的发展历史和特点 2.掌握 Numpy 的安装方法 3.理解 Numpy 在科学计算和人工智能中的重要性 4.能够验证 Numpy 的安装和版本信息 | 建议 2 小时（理论学习 1 小时，实践 1 小时） | 1.抖音视频《每天解锁一个 Python 主流模块：Numpy 究竟有多强？数据处理速度翻 10 倍的秘密》 https://www.iesdouyin.com/share/video/7537637086342499624/ 2.腾讯云开发者社区《Numpy 基础 知识点整理 + 解释》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.知乎专栏《Numpy 与 Python 列表的区别》 https://zhuanlan.zhihu.com/p/345678910 4.抖音视频《一个 8 分钟的 numpy 入门教程》 https://www.iesdouyin.com/share/video/7278506701207145768/ | 1.理解 Numpy 与 Python 列表的本质区别 2.掌握不同环境下的安装方法 3.验证安装时可能遇到的版本冲突问题 | 1.在本地环境中安装 Numpy，并验证安装成功 2.编写代码输出 Numpy 的版本信息 3.比较 Numpy 数组与 Python 列表在存储和运算上的差异 | 1.笔试：Numpy 的发展历史和核心特点 2.应用题：解释 Numpy 在人工智能中的作用和优势 |
| 2 | ndarray 基础概念 | 1.理解 ndarray 的定义和特性 2.掌握 ndarray 的主要属性（ndim、shape、size、dtype 等） 3.能够区分 ndarray 与 Python 列表的不同 4.了解 ndarray 的数据存储方式 | 建议 3 小时（理论学习 1.5 小时，实践 1.5 小时） | 1.中国大学 MOOC《Python 编程基础》Numpy 部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 数组基础概念》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.抖音视频《背下来，你就是 Numpy 大师！》 https://www.iesdouyin.com/share/note/7356171269152279859/ 4.CSDN 博客《Numpy 数组属性详解》 https://blog.csdn.net/qq_45750017/article/details/107981554 | 1.ndarray 的同质性和固定大小特性 2.多维数组的维度理解 3.数据类型对内存分配的影响 | 1.创建不同维度的 ndarray，并输出其属性 2.比较不同数据类型的 ndarray 在内存占用上的差异 3.编写代码验证 ndarray 的同质性 | 1.笔试：ndarray 的核心属性及其含义 2.应用题：根据给定条件创建具有特定属性的 ndarray |
数组创建与基本操作 | 3 | 数组创建方法 | 1.掌握从 Python 列表创建 ndarray 的方法 2.能够使用 zeros、ones、empty 等函数创建特殊数组 3.掌握 arange、linspace、logspace 等函数生成数值序列 4.了解从文件创建数组的方法 | 建议 5 小时（理论学习 2 小时，实践 3 小时） | 1.中国大学 MOOC《Python 编程基础》数组创建部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 数组创建方法详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 数组创建与初始化》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 数组创建的多种方式》 https://zhuanlan.zhihu.com/p/345678910 | 1.不同创建函数的参数理解和应用场景 2.数组数据类型的自动推断和显式指定 3.empty 函数与 zeros 函数的区别 | 1.使用不同方法创建一维和二维数组 2.创建全零、全一、随机值和特定值填充的数组 3.使用 arange 和 linspace 生成不同的数值序列 | 1.笔试：不同数组创建函数的参数和应用场景 2.应用题：根据要求创建特定形状和数值的数组 |
| 4 | 数组索引与切片 | 1.掌握一维数组的索引和切片操作 2.理解二维数组的索引和切片方法 3.掌握多维数组的高级索引技巧 4.了解切片视图与副本的区别 | 建议 6 小时（理论学习 3 小时，实践 3 小时） | 1.中国大学 MOOC《Python 编程基础》数组索引部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 数组索引与切片详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 数组索引和切片》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 数组索引的高级技巧》 https://zhuanlan.zhihu.com/p/345678910 | 1.多维数组的索引顺序和轴的理解 2.切片操作中的步长和省略号使用 3.视图与副本的区别及其对数据修改的影响 | 1.创建一个三维数组，并进行各种索引和切片操作 2.使用切片修改数组的部分元素，观察视图与副本的不同效果 3.编写代码实现从多维数组中提取特定元素或子数组 | 1.笔试：数组索引和切片的语法规则和应用 2.应用题：根据要求从给定数组中提取特定元素或子数组 |
| 5 | 数组形状操作 | 1.掌握 reshape 函数改变数组形状的方法 2.理解 resize 函数与 reshape 的区别 3.掌握 flatten 和 ravel 函数展平数组的方法 4.了解转置和轴交换的操作 | 建议 5 小时（理论学习 2 小时，实践 3 小时） | 1.中国大学 MOOC《Python 编程基础》数组形状操作部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 数组形状操作详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 数组形状修改方法》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 数组重塑与展平》 https://zhuanlan.zhihu.com/p/345678910 | 1.reshape 与 resize 的区别及应用场景 2.展平函数 flatten 和 ravel 的区别 3.转置和轴交换的操作对数组维度的影响 | 1.使用 reshape 函数将一维数组转换为二维和三维数组 2.使用 resize 函数改变数组的大小，并观察数据变化 3.创建一个多维数组，使用 flatten 和 ravel 展平，并比较结果 | 1.笔试：数组形状操作函数的语法和区别 2.应用题：根据要求改变数组形状，实现特定的数据排列 |
数组运算与广播机制 | 6 | 数组基本运算 | 1.掌握数组与标量的算术运算 2.理解数组与数组之间的元素级运算 3.掌握比较运算和逻辑运算的使用方法 4.了解位运算在数组中的应用 | 建议 6 小时（理论学习 3 小时，实践 3 小时） | 1.中国大学 MOOC《Python 编程基础》数组运算部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 数组基本运算详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 数组运算与操作》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 数组运算的高效性》 https://zhuanlan.zhihu.com/p/345678910 | 1.元素级运算与矩阵运算的区别 2.比较运算返回的布尔数组的使用 3.逻辑运算与位运算的优先级和应用场景 | 1.创建两个数组，进行加、减、乘、除等基本运算 2.使用比较运算符生成布尔数组，并统计其中 True 的数量 3.编写代码实现数组的逻辑运算和位运算 | 1.笔试：数组基本运算的规则和应用场景 2.应用题：根据要求实现数组的特定运算，并分析结果 |
| 7 | 广播机制 | 1.理解广播机制的概念和作用 2.掌握广播机制的规则和应用条件 3.能够应用广播机制进行不同形状数组的运算 4.了解广播机制在内存和性能上的优势 | 建议 8 小时（理论学习 4 小时，实践 4 小时） | 1.中国大学 MOOC《Python 编程基础》广播机制部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 广播机制详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 广播机制原理与应用》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 广播机制深入解析》 https://zhuanlan.zhihu.com/p/345678910 | 1.广播机制的规则理解和应用条件 2.不同形状数组的广播兼容性判断 3.广播机制在复杂运算中的应用技巧 | 1.创建不同形状的数组，应用广播机制进行运算 2.分析广播机制在内存中的工作原理 3.编写代码实现利用广播机制的高效计算 | 1.笔试：广播机制的规则和应用条件 2.应用题：判断两个数组是否可以广播，并实现特定运算 |
| 8 | 通用函数 | 1.掌握常用的数学通用函数（sin、cos、exp、log 等） 2.理解聚合函数的使用方法（sum、mean、max 等） 3.掌握统计函数的应用（std、var、percentile 等） 4.了解如何自定义通用函数 | 建议 7 小时（理论学习 3 小时，实践 4 小时） | 1.中国大学 MOOC《Python 编程基础》通用函数部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 通用函数详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 通用函数与聚合函数》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 通用函数的高效应用》 https://zhuanlan.zhihu.com/p/345678910 | 1.通用函数的向量化特性和应用场景 2.聚合函数在不同轴上的应用 3.自定义通用函数的实现方法 | 1.使用数学通用函数对数组进行各种数学变换 2.使用聚合函数计算数组的统计量 3.编写自定义通用函数，并应用于数组操作 | 1.笔试：常用通用函数的功能和应用场景 2.应用题：根据要求使用通用函数处理数组数据 |
高级数组操作与结构化数据 | 9 | 数组堆叠与拆分 | 1.掌握垂直堆叠（vstack）和水平堆叠（hstack）的方法 2.理解 concatenate 函数的参数和应用 3.掌握数组拆分的方法（split、vsplit、hsplit） 4.能够应用堆叠和拆分处理复杂数据结构 | 建议 6 小时（理论学习 3 小时，实践 3 小时） | 1.中国大学 MOOC《Python 编程基础》数组堆叠部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 数组堆叠与拆分详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 数组堆叠与合并》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 数组的连接与拆分》 https://zhuanlan.zhihu.com/p/345678910 | 1.不同堆叠函数（vstack、hstack、concatenate）的区别和应用场景 2.数组拆分时的参数理解和应用 3.堆叠和拆分操作对数组维度的影响 | 1.创建多个数组，使用不同方法进行垂直和水平堆叠 2.使用 concatenate 函数沿不同轴连接数组 3.编写代码实现数组的拆分和重组 | 1.笔试：数组堆叠与拆分函数的参数和应用场景 2.应用题：根据要求实现数组的特定堆叠或拆分操作 |
| 10 | 结构化数组 | 1.理解结构化数组的概念和应用场景 2.掌握结构化数组的创建方法 3.能够访问和修改结构化数组的字段 4.了解结构化数组在数据处理中的优势 | 建议 7 小时（理论学习 3 小时，实践 4 小时） | 1.中国大学 MOOC《Python 编程基础》结构化数组部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 结构化数组详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 结构化数组与记录数组》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 结构化数组的高效应用》 https://zhuanlan.zhihu.com/p/345678910 | 1.结构化数组的数据类型定义和字段命名 2.结构化数组的索引和切片操作 3.结构化数组与普通数组的转换方法 | 1.创建结构化数组，包含不同数据类型的字段 2.访问和修改结构化数组的元素和字段 3.编写代码实现结构化数组与普通数组的转换 | 1.笔试：结构化数组的定义和应用场景 2.应用题：根据要求创建和操作结构化数组 |
| 11 | 线性代数基础 | 1.掌握矩阵乘法的概念和实现方法 2.理解点积和内积的区别 3.掌握行列式和逆矩阵的计算方法 4.了解特征值和特征向量的求解 | 建议 9 小时（理论学习 4 小时，实践 5 小时） | 1.中国大学 MOOC《Python 编程基础》线性代数部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 线性代数操作详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 线性代数基础》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 线性代数高级应用》 https://zhuanlan.zhihu.com/p/345678910 | 1.矩阵乘法与元素级乘法的区别 2.逆矩阵存在的条件和计算方法 3.特征值和特征向量的数学概念和应用场景 | 1.创建两个矩阵，进行矩阵乘法运算 2.计算矩阵的行列式、逆矩阵和转置 3.求解矩阵的特征值和特征向量 | 1.笔试：线性代数基本概念和矩阵运算规则 2.应用题：根据要求实现矩阵的特定运算，并分析结果 |
数据处理与 I/O 操作 | 12 | 数据处理与筛选 | 1.掌握使用布尔索引筛选数据的方法 2.理解花式索引的应用场景和使用方法 3.能够应用条件逻辑处理数组数据 4.了解向量化操作在数据处理中的优势 | 建议 8 小时（理论学习 4 小时，实践 4 小时） | 1.中国大学 MOOC《Python 编程基础》数据处理部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 数据处理与筛选详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 数据筛选与过滤》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 数据处理的高效方法》 https://zhuanlan.zhihu.com/p/345678910 | 1.布尔索引与花式索引的区别和应用场景 2.条件逻辑处理的向量化实现 3.复杂条件下的数据筛选方法 | 1.使用布尔索引从数组中筛选符合特定条件的元素 2.使用花式索引按特定顺序访问和修改数组元素 3.编写代码实现复杂条件的数据筛选和处理 | 1.笔试：数据筛选和处理的方法和应用场景 2.应用题：根据要求筛选和处理数组数据 |
| 13 | 数据 I/O 操作 | 1.掌握文本文件的读写方法（loadtxt、savetxt） 2.理解二进制文件的存储和读取（save、load） 3.掌握保存和加载多个数组的方法（savez、savez_compressed） 4.能够处理不同格式的数据文件 | 建议 6 小时（理论学习 3 小时，实践 3 小时） | 1.中国大学 MOOC《Python 编程基础》数据 I/O 部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 数据 I/O 操作详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 数据文件读写》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 数据持久化与 I/O 优化》 https://zhuanlan.zhihu.com/p/345678910 | 1.不同文件格式的读写方法和参数理解 2.二进制文件与文本文件的优缺点比较 3.大数据文件的分块处理方法 | 1.创建数组并保存为文本文件，再读取并验证数据 2.使用二进制格式保存和加载数组 3.处理包含多个数组的压缩文件 | 1.笔试：数据 I/O 操作的函数和应用场景 2.应用题：根据要求实现数据的读写操作 |
| 14 | 性能优化与内存管理 | 1.理解视图与副本的区别及其对性能的影响 2.掌握向量化操作替代循环的方法 3.了解内存布局对性能的影响 4.掌握数组内存优化的方法 | 建议 7 小时（理论学习 3 小时，实践 4 小时） | 1.中国大学 MOOC《Python 编程基础》性能优化部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ 2.腾讯云开发者社区《Numpy 性能优化与内存管理详解》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 3.CSDN 博客《Numpy 性能优化技巧》 https://blog.csdn.net/qq_45750017/article/details/107981554 4.知乎专栏《Numpy 内存管理与性能优化》 https://zhuanlan.zhihu.com/p/345678910 | 1.视图与副本的判断和应用场景 2.向量化操作的实现和优化 3.内存布局（C 顺序与 F 顺序）对性能的影响 | 1.分析不同操作产生的是视图还是副本，并验证数据修改的影响 2.使用向量化操作替代循环，比较执行时间 3.测试不同内存布局对数组操作性能的影响 | 1.笔试：性能优化和内存管理的方法和应用场景 2.应用题：根据要求优化数组操作的性能 |
Numpy 在人工智能中的应用 | 15 | 数据预处理 | 1.理解数据预处理在机器学习中的重要性 2.掌握使用 Numpy 进行数据清洗和转换的方法 3.能够应用 Numpy 进行特征缩放和标准化 4.了解 Numpy 在处理缺失值和异常值中的应用 | 建议 8 小时（理论学习 4 小时，实践 4 小时） | 1.腾讯云开发者社区《Numpy 在数据预处理中的应用》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 2.CSDN 博客《Numpy 数据预处理方法》 https://blog.csdn.net/qq_45750017/article/details/107981554 3.知乎专栏《Numpy 在机器学习数据预处理中的应用》 https://zhuanlan.zhihu.com/p/345678910 4.中国大学 MOOC《Python 编程基础》数据预处理部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ | 1.不同数据预处理方法的选择和应用场景 2.特征缩放和标准化的数学原理 3.处理大规模数据集时的内存和性能优化 | 1.使用 Numpy 加载数据集，并进行数据清洗 2.对数据集进行特征缩放和标准化处理 3.应用 Numpy 处理包含缺失值和异常值的数据集 | 1.笔试：数据预处理的方法和应用场景 2.应用题：根据要求使用 Numpy 处理特定数据集 |
| 16 | 机器学习基础应用 | 1.理解 Numpy 在机器学习中的基础应用 2.能够应用 Numpy 实现简单的机器学习算法 3.掌握使用 Numpy 进行模型评估的方法 4.了解 Numpy 与机器学习库（如 Scikit-learn）的集成 | 建议 10 小时（理论学习 5 小时，实践 5 小时） | 1.腾讯云开发者社区《Numpy 在机器学习中的应用》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 2.CSDN 博客《Numpy 机器学习基础应用》 https://blog.csdn.net/qq_45750017/article/details/107981554 3.知乎专栏《Numpy 在机器学习中的高效应用》 https://zhuanlan.zhihu.com/p/345678910 4.中国大学 MOOC《Python 编程基础》机器学习应用部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ | 1.机器学习算法中的数学原理和 Numpy 实现 2.模型评估指标的计算和解释 3.Numpy 与其他机器学习库的协同工作 | 1.使用 Numpy 实现线性回归算法 2.计算模型的评估指标（如均方误差、准确率等） 3.使用 Numpy 处理机器学习中的分类和回归问题 | 1.笔试：Numpy 在机器学习中的应用场景和方法 2.应用题：根据要求使用 Numpy 实现简单的机器学习算法 |
| 17 | 深度学习基础应用 | 1.理解 Numpy 在深度学习中的基础应用 2.能够应用 Numpy 实现简单的神经网络 3.掌握使用 Numpy 进行梯度计算的方法 4.了解 Numpy 与深度学习框架（如 TensorFlow、PyTorch）的关系 | 建议 12 小时（理论学习 6 小时，实践 6 小时） | 1.腾讯云开发者社区《Numpy 在深度学习中的应用》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 2.CSDN 博客《Numpy 深度学习基础应用》 https://blog.csdn.net/qq_45750017/article/details/107981554 3.知乎专栏《Numpy 在深度学习中的高效应用》 https://zhuanlan.zhihu.com/p/345678910 4.中国大学 MOOC《Python 编程基础》深度学习应用部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ | 1.神经网络中的前向传播和反向传播实现 2.梯度计算和优化算法的 Numpy 实现 3.Numpy 与深度学习框架的数据交互 | 1.使用 Numpy 实现简单的单层神经网络 2.实现梯度下降算法，并应用于优化问题 3.使用 Numpy 处理深度学习中的张量操作 | 1.笔试：Numpy 在深度学习中的应用场景和方法 2.应用题：根据要求使用 Numpy 实现简单的深度学习模型 |
综合项目实践 | 18 | 小型数据分析项目 | 1.掌握数据分析项目的完整流程 2.能够应用 Numpy 进行数据获取、清洗和分析 3.掌握使用 Numpy 进行数据可视化的方法 4.能够撰写数据分析报告 | 建议 15 小时（理论学习 7 小时，实践 8 小时） | 1.腾讯云开发者社区《Numpy 数据分析项目实践》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 2.CSDN 博客《Numpy 小型数据分析项目》 https://blog.csdn.net/qq_45750017/article/details/107981554 3.知乎专栏《Numpy 数据分析项目实战》 https://zhuanlan.zhihu.com/p/345678910 4.中国大学 MOOC《Python 编程基础》数据分析项目部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ | 1.数据分析项目的流程规划和执行 2.数据可视化方法的选择和实现 3.数据分析结果的解释和呈现 | 1.选择一个小型数据集，完成从获取到分析的完整流程 2.使用 Numpy 进行数据清洗、转换和统计分析 3.应用 Numpy 和 Matplotlib 进行数据可视化 | 1.笔试：数据分析项目的流程和方法 2.应用题：根据要求完成一个小型数据分析项目，并提交报告 |
| 19 | 机器学习项目实践 | 1.掌握机器学习项目的完整流程 2.能够应用 Numpy 进行特征工程和模型训练 3.掌握模型评估和调优的方法 4.能够撰写机器学习项目报告 | 建议 20 小时（理论学习 10 小时，实践 10 小时） | 1.腾讯云开发者社区《Numpy 机器学习项目实践》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 2.CSDN 博客《Numpy 机器学习项目实战》 https://blog.csdn.net/qq_45750017/article/details/107981554 3.知乎专栏《Numpy 机器学习项目实践》 https://zhuanlan.zhihu.com/p/345678910 4.中国大学 MOOC《Python 编程基础》机器学习项目部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ | 1.机器学习项目的流程规划和执行 2.特征工程的方法和应用 3.模型评估和调优的策略和实现 | 1.选择一个机器学习数据集，完成从预处理到模型评估的完整流程 2.使用 Numpy 进行特征工程和模型训练 3.应用交叉验证和超参数调优提升模型性能 | 1.笔试：机器学习项目的流程和方法 2.应用题：根据要求完成一个机器学习项目，并提交报告 |
| 20 | 深度学习项目实践 | 1.掌握深度学习项目的完整流程 2.能够应用 Numpy 进行数据处理和模型构建 3.掌握深度学习模型训练和调优的方法 4.能够撰写深度学习项目报告 | 建议 25 小时（理论学习 12 小时，实践 13 小时） | 1.腾讯云开发者社区《Numpy 深度学习项目实践》 https://cloud.tencent.cn/developer/information/jupyter%20vscode 2.CSDN 博客《Numpy 深度学习项目实战》 https://blog.csdn.net/qq_45750017/article/details/107981554 3.知乎专栏《Numpy 深度学习项目实践》 https://zhuanlan.zhihu.com/p/345678910 4.中国大学 MOOC《Python 编程基础》深度学习项目部分 https://www.icourse163.org/course/NUDT-1466045161?outVendor=zw_mooc_pclszykctj_ | 1.深度学习项目的流程规划和执行 2.深度学习模型的构建和训练策略 3.模型调优和性能提升的方法 | 1.选择一个深度学习数据集，完成从数据处理到模型评估的完整流程 2.使用 Numpy 构建和训练简单的深度学习模型 3.应用迁移学习和模型集成提升模型性能 | 1.笔试：深度学习项目的流程和方法 2.应用题：根据要求完成一个深度学习项目，并提交报告 |
