本章我们将掌握两把处理数据的瑞士军刀：NumPy 和 Pandas。它们是Python AI生态的基石。学会它们，你就不再是单纯的“写代码的”，而是能让数据乖乖听话的“数据工程师”

本章为AI开发新手提供快速入门指南，重点解决环境配置和核心Python语法问题。首先推荐使用Anaconda而非原生Python来避免依赖冲突，并详细介绍安装注意事项。接着讲解虚拟环境的重要性及创建方法，确保项目隔离。核心内容聚焦AI开发中最常用的20%Python语法：变量、列表、字典、循环和函数。最后通过一个实用的文件整理脚本（涉及路径操作、文件分类等）进行实战演练，这些技能将成为后续数据处理

这一章，我们将正式引入大名鼎鼎的 Scikit-learn 库，带你像搭积木一样构建你的第一个预测模型。

本章我们将从零开始，掌握Matplotlib 和 Seaborn这两大神器

本章，我们将从“写代码”进阶到“构建系统”。我们将引入 Pipeline（管道） 技术，搭建一条自动化的机器学习流水线，并学习如何通过“暴力搜索”找到模型的最优参数。

本章我们将挑战数据科学领域最著名的入门竞赛——泰坦尼克号生存预测。我们将穿越回1912年，通过分析乘客的名单，训练一个AI模型来寻找逃生背后的规律。在这个过程中，你将掌握处理“非数值型数据”的技巧，并学会如何评估一个分类模型的优劣

我们将使用目前学术界和工业界最流行的深度学习框架——PyTorch，亲手设计神经网络的每一层，定义数据如何在神经元之间流动。本章是深度学习的基石，我们将从最基础的张量（Tensor）开始，最终构建一个能识别手写数字的神经网络。

本章我们将学习模仿人类视觉系统的神器——卷积神经网络（CNN）。它是计算机视觉（Computer Vision）的绝对统治者。更重要的是，我们将学习一种名为“迁移学习”的工程化技巧，让你不需要几百万张图片，也能训练出专业级的图像识别模型。

本章介绍了如何从传统机器学习转向大语言模型（LLM）的应用开发。核心内容包括： API调用入门：通过OpenAI或国内兼容接口（如DeepSeek）快速接入LLM，完成首次对话请求。 Prompt Engineering：掌握结构化指令、少样本示例和思维链等技巧，精准控制AI输出。 工程化实践：学习Token计费、Temperature参数调优及异常处理，确保API调用稳定性。

计算机视觉是人工智能的一个重要分支,它是研究计算机如何获取、处理、分析和理解数字图像的技术。简单来说,计算机视觉的研究者试图让计算机拥有像人类一样感知视觉世界并从图像中了解场景和环境的能力。计算机视觉的主要研究内容包括:1. 图像分类将图像分类到不同的类别,如狗、猫、花等类别。这是计算机视觉的最基本任务。2. 物体检测在图像中检测不同的物体实例,并给出其边界框和类别标签。这是计算机视觉最主要的研究