第 1章 Python基础
1.1 Python概述 1
1.2 Python安装及启动 1
1.2.1 Python安装 1
1.2.2 Python启动及界面认识 4
1.2.3 Python安装扩展包 8
1.3 Python基本数据类型 9
1.3.1 数值的定义 9
1.3.2 字符串的定义 10
1.3.3 列表的定义 10
1.3.4 元组的定义 10
1.3.5 集合的定义 11
1.3.6 字典的定义 11
1.3.7 列表、元组、集合与字典之间的比较 12
1.4 Python相关的公有方法 12
1.4.1 索引 12
1.4.2 切片 13
1.4.3 长度 14
1.4.4 统计 14
1.4.5 成员身份 14
1.4.6 变量删除 15
1.5 列表、元组与字符串方法 15
1.5.1 列表方法 15
1.5.2 元组方法 17
1.5.3 字符串方法 18
1.6 字典方法 19
1.7 条件语句 20
1.7.1 if…语句 20
1.7.2 if…else…语句 21
1.7.3 if…elif…else…语句 21
1.8 循环语句 21
1.8.1 while语句 22
1.8.2 for循环 22
1.9 函数 22
1.9.1 无返回值函数的定义与调用 23
1.9.2 有返回值函数的定义与调用 23
1.9.3 有多返回值函数的定义与调用 23
本章小结 24
本章练习 24

第 2章 科学计算与数据处理
2.1 Numpy简介 26
2.2 Numpy数组创建 27
2.2.1 利用array()函数创建数组 27
2.2.2 利用内置函数创建数组 28
2.3 Numpy数组操作 29
2.3.1 数组尺寸 29
2.3.2 数组运算 30
2.3.3 数组切片 31
2.3.4 数组连接 33
2.3.5 数据存取 33
2.3.6 数组形态变换 34
2.3.7 数组排序与搜索 35
2.4 Pandas简介 36
2.5 Pandas数据结构 37
2.5.1 序列 37
2.5.2 数据框 41
2.6 Pandas外部文件读取 48
2.6.1 Excel文件读取 48
2.6.2 TXT文件读取 49
2.6.3 CSV文件读取 50
2.7 Pandas常用函数 51
2.7.1 时间处理函数 51
2.7.2 数据框合并函数 52
2.7.3 数据框关联函数 53
2.8 常见数据处理和计算任务 54
2.8.1 滚动计算 54
2.8.2 时间元素提取 55
2.8.3 映射与离散化 57
2.8.4 分组计算 59
本章小结 61
本章练习 61
70
第3章 数据可视化 70
3.1 Matplotlib绘图基础 70
3.1.1 Matplotlib图像构成 70
3.1.2 Matplotlib绘图基本流程 70
3.1.3 中文字符显示 72
3.1.4 坐标轴字符刻度标注 74
3.2 Matplotlib常用图形绘制 75
3.2.1 散点图 76
3.2.2 线性图 77
3.2.3 柱状图 78
3.2.4 直方图 79
3.2.5 饼图 80
3.2.6 箱线图 80
3.2.7 子图 81
本章小结 84
本章练习 84

第4章 机器学习模型与实现
4.1 线性回归 103
4.1.1 一元线性回归 103
4.1.2 多元线性回归 105
4.1.3 Python线性回归应用举例 107
4.2 逻辑回归 109
4.2.1 逻辑回归模型 109
4.2.2 Python逻辑回归模型应用举例 109
4.3 神经网络 111
4.3.1 神经网络模拟思想 111
4.3.2 神经网络结构及数学模型 112
4.3.3 Python神经网络分类应用举例 113
4.3.4 Python神经网络回归应用举例 114
4.4 支持向量机 115
4.4.1 支持向量机原理 116
4.4.2 Python支持向量机应用举例 117
4.5 随机森林算法 119
4.5.1 随机森林算法的基本原理 119
4.5.2 随机森林算法的Sklearn实现 119
4.5.3 Python随机森林算法的应用举例 120
4.6 梯度提升决策树（GBDT）算法 121
4.6.1 GBDT算法的基本原理 121
4.6.2 GBDT算法的Sklearn实现 122
4.6.3 GBDT算法的应用举例 123
本章小结 124
本章练习 124

第5章 深度学习模型与实现 126
5.1 深度学习简介 126
5.2 深度学习框架简介 127
5.2. 1 Pytorch框架 127
5.2.2 PaddlePaddle框架 127
5.2.3 TensorFlow框架 127
5.3 TensorFlow基础 128
5.3.1 TensorFlow安装 128
5.3.2 TensorFlow命令简介 128
5.3.3 TensorFlow案例 131
5.4 多层神经网络 134
5.4.1 多层神经网络结构及数学模型 134
5.4.2 多层神经网络分类问题应用举例 136
5.4.3 多层神经网络回归问题应用举例 140
5.5 卷积神经网络 147
5.5.1 卷积层计算 148
5.5.2 池化层计算 150
5.5.3 全连接层计算 151
5.5.4 CNN应用案例 152
5.6 循环神经网络 157
5.6.1 RNN结构及数学模型 157
5.6.2 长短期记忆网络（LSTM） 159
5.6.3 RNN应用案例 160
本章小结 164
本章练习 164

第6章 大模型基础 165
6.1 大模型基本认识 165
6.2 BERT大模型 166
6.2.1 BERT模型开发环境搭建：基于Python和TensorFlow 166
6.2.2 BERT基本概念 168
6.2.3 BERT输入 169
6.2.4 BERT输出 170
6.2.5 BERT特征提取与文本相似度计算 171
6.2.6 BERT下游微调任务之分类 172
6.2.7 BERT下游微调任务之问答 172
6.2.8 BERT下游微调模型保存与加载 173
6.3 Chinese-CLIP多模态大模型 174
6.3.1 Chinese-CLIP模型开发环境搭建：基于Python和Pytorch 174
6.3.2 Chinese-CLIP的基本概念 175
6.3.3 Chinese-CLIP的输入 176
6.3.4 Chinese-CLIP的输出 177
6.3.5 Chinese-CLIP的数据集加载 177
6.3.6 Chinese-CLIP下游微调任务之图文匹配 178
6.3.7 Chinese-CLIP下游微调任务之视觉问答 179
6.4 百度千帆大模型平台 179
6.4.1 大模型的调用 180
6.4.2 大模型的微调训练 181
6.4.3 Prompt工程 184
本章小结 186
本章练习 186

第7章 BERT大语言模型下游任务应用案例 187
7.1 上市公司新闻标题情感分类 187
7.1.1 案例介绍 187
7.1.2 BERT模型输入参数及分类标签构造 188
7.1.3 BERT微调模型的训练集、验证集和测试集构造 189
7.1.4 BERT微调模型编译、训练与保存 190
7.1.5 BERT微调模型加载及应用 190
7.2 中文阅读理解 191
7.2.1 案例介绍 191
7.2.2 数据解读 191
7.2.3 数据解析 192
7.2.4 长文本截断处理 194
7.2.5 答案在截断文本中的开始位置和结束位置获取 197
7.2.6 BERT输入参数及开始位置、结束位置标签构造 198
7.2.7 BERT微调模型的训练集、验证集和测试集构造 200
7.2.8 BERT微调模型编译、训练与保存 201
7.2.9 BERT微调模型加载及应用 202
本章小结 202
本章练习 203

第8章 BERT大语言模型融合微调应用案例 204
8.1 BERT与机器学习模型融合微调案例 205
8.1.1 数据预处理：以KUAKE-QIC数据集为例 205
8.1.2 BERT与机器学习模型的定义 211
8.1.3 BERT微调的超参数设置 212
8.1.4 BERT与机器学习模型的融合微调训练 213
8.2 BERT与深度学习模型融合微调案例 216
8.2.1 BERT融合LSTM微调训练 216
8.2.2 BERT融合CNN微调训练 219
8.2.3 BERT融合MLP微调训练 221
本章小结 223
本章练习 223

第9章 云服务器微调训练大模型应用案例 224
9.1 Bert大语言模型微调应用案例 224
9.1.1 AutoDL云服务器资源租赁 224
9.1.2 开发环境搭建 226
9.1.3 数据和依赖文件上传 227
9.1.4 微调训练 228
9.1.5 微调模型应用 231
9.2 Chinese-CLIP多模态大模型微调应用案例 232
9.2.1 案例介绍 232
9.2.2 环境搭建 233
9.2.3 数据探索 233
9.2.4 数据处理 237
9.2.5 lmdb内存数据库构建 241
9.2.6 模型微调 242
9.2.7 模型应用 245
本章小结 248
本章练习 248

第 10章 百度千帆大模型平台应用案例 249
10.1 Python开发环境搭建 249
10.1.1 Python SDK安装 249
10.1.2 获取安全认证AK/SK鉴权 249
10.2 调用预置在线服务应用案例 250
10.2.1 文心系列大语言模型 250
10.2.2 平台接入的开源多模态大模型：图生文 251
10.2.3 平台接入的开源多模态大模型：文生图 252
10.3 基于百度千帆大模型平台的模型精调 253
10.3.1 平台基本认识 253
10.3.2 数据集准备 253
10.3.3 数据集创建 254
10.3.4 模型微调训练 255
10.3.5 模型微调完成后部署 257
10.3.6 微调模型应用 259
10.4 百度飞浆AI studio调用千帆大模型应用案例 260
10.4.1 在线开发环境基本认识 260
10.4.2 百度千帆大模型Python SDK安装 262
10.4.3 调用百度千帆大模型应用实例 262
本章小结 264
本章练习 264

第 11章 多模态大模型AI作画与web应用案例 265
11.1 基于streamlit的web页面设计 265
11.1.1 streamlit开发环境搭建 265
11.1.2 主体页面设计 267
11.1.3 主体页面程序实现 267
11.1.4 绘图事件函数定义 269
11.1.5 本地实现 269
11.2 百度飞浆AI studio星河社区线上开发 271
11.2.1 创建项目 271
11.2.2 streamlit web应用部署 273
11.2.3 文件空间的文件路径设置 275
11.2.4 应用发布 275
11.3 文件空间大文件的传输 276
11.3.1 Git工具下载 276
11.3.2 含大文件的AI studio星河社区项目创建 276
11.3.3 基于Git工具的文件传输 277
本章小结 279
本章练习 280
第 12章 大模型前沿应用动态
第12章　大模型前沿应用动态
12.1　大模型应用前沿与发展动态　232
12.2　大模型应用前沿：DeepSeek-R1/V3　233
12.2.1　DeepSeek Python SDK与OpenAI接口包安装　233
12.2.2　DeepSeek-V3调用实例　234
12.2.3　DeepSeek-R1调用实例　235
12.3　大模型应用前沿：AI智能体　237
12.3.1　AI智能体概念及应用前景　237
12.3.2　AI智能体开发流程：以扣子平台为例　237
12.3.3　基于DeepSeek-V3/R1的AI智能体开发案例　240
本章小结　249
本章练习　249
参考文献　250