- AI基础理论：
- 机器学习流程（数据→特征→模型→评估）、损失函数（交叉熵/MSE）选择逻辑。
- 深度学习架构：CNN（图像分类）、RNN（序列预测）、Transformer（NLP任务）。
- 数据标注与预处理：
- 图像标注：边界框/语义分割/关键点标注的精度要求。
- 文本标注：实体识别（NER）、情感分类标签定义。
- 模型训练与优化：
- 训练技巧：学习率衰减、早停法（Early Stopping）、对抗训练（GAN）。
- 模型轻量化：剪枝（Pruning）、量化（Quantization）、知识蒸馏（Knowledge Distillation）。
- 模型评估与部署：
- 混淆矩阵分析、模型可解释性工具（SHAP/LIME）。
- 模型封装（Docker容器化）、API接口开发（Flask/FastAPI）。
- 行业应用案例：
- 智能客服（意图识别/多轮对话）、医疗影像（病灶检测）、工业质检（缺陷识别）。