课程安排与行业概览
📚 课程体系设置
核心目标
从 Python 基础到人工智能落地，打通上位机与嵌入式 AI 的全栈开发能力。
- Python 基础：基本语法、面向对象编程
- 机器学习：OpenCV 图像处理、MediaPipe 人体姿态识别
- 深度学习：YOLO 目标检测、LLM 大语言模型应用
- 数据分析：NumPy、Pandas、Matplotlib 可视化
- 上位机开发：
- C++ 体系 ⇒ Qt Framework
- Python 体系 ⇒ PySide6 / PyQt
💡 学习方法论：2W1H 分析法
| 维度 | 内容 |
|---|---|
| What | Python 编程语言：高级、解释型、通用的编程语言。 |
| Why | 应用广泛（胶水语言）：生态极其丰富，是 AI 和大数据的事实标准。 |
| How | 实践驱动：通过项目（Web、运维、AI 落地）快速掌握。 |
🌐 行业发展趋势
互联网演进（2000—2025）
图：互联网的发展历程（从门户到 AI）
关键词：从移动互联 BAT 到人工智能大模型
🧠 人工智能技术栈与基础设施
AI 生态分层：
- SaaS (软件即服务)：ChatGPT、OpenAI API、OpenCV、YOLO 应用
- PaaS (平台即服务)：PyTorch、TensorFlow 深度学习框架
- IaaS (基础设施即服务)：NVIDIA GPU、CUDA 算力支撑
元宝 AI 深度解析
"关于 SaaS/PaaS/IaaS 的详细对比..."
点击查看元宝的回答
图：国内外算力对比
🏗️ AIoT 时代技术架构分层
🛠️ 嵌入式开发【偏硬件侧】
- 工业设计 (ID)：外观设计、结构设计
- 硬件工程：PCB Layout -> PCBA (使用 EDA 工具)
- 软件工程：基于 ARM 架构，负责芯片选型 (STM32/51)、外设驱动及功能开发
- 技术栈：C语言 Linux
- 层次：裸机开发 ➔ RTOS (实时) ➔ Linux (多任务)
- 交互开发 (Qt)：C++、Qt、PySide (上位机界面)
- 嵌入式算法：落地控制算法 (PID)、能耗管理
- AI 算法落地：NLP/LLM 算法模型量化与部署 (NVIDIA CUDA/TensorRT)
💻 产品应用开发【偏用户侧】
- 后端开发：Java、Go、Python (Flask/Django) 数据库与 API 服务
- 前端开发：H5、JS、Vue/React、UniApp、iOS/Android 原生
- UI/UX 设计：交互逻辑与视觉设计 (PS、Figma)
- AI 算法研发：大模型调优、NLP 模型训练 (基于 PyTorch/TensorFlow)
🤖 AI 模型训练与应用流程
图：AI 模型从训练到边缘端部署
