Python-for-AI-Driven-Automation

<p align="center"> <img src="docs/images/hero.png" width="900" alt="Python for AI-Driven Automation &amp; Business Data Science — from your first line of Python to shipping AI in production, across Foundations, Data Science, Machine Learning, Deep Learning, AI Engineering, Agents &amp; MCP, and Production."> </p> <p align="center"> 从第一行Python代码到部署AI自动化 - <br> 一个涵盖Python基础、商业数据科学、机器学习、深度学习、AI工程、智能体和MCP以及生产环境的实践课程（支持自定进度的在线或面授教学）。 </p> <p align="center"> <img alt="License: MIT" src="https://img.shields.io/badge/License-MIT-3da639.svg"> <img alt="Python 3.10+" src="https://img.shields.io/badge/Python-3.10%2B-3776ab.svg?logo=python&logoColor=white"> <img alt="Jupyter" src="https://img.shields.io/badge/Jupyter-notebooks-f37726.svg?logo=jupyter&logoColor=white"> <a href="#-open-any-notebook-in-colab"><img alt="Open in Colab" src="https://img.shields.io/badge/Open%20in-Colab-f9ab00.svg?logo=googlecolab&logoColor=white"></a> <img alt="Runs 100% offline" src="https://img.shields.io/badge/Runs-100%25%20offline-2ea44f.svg"> <img alt="322 checkpoints, kernel-tested" src="https://img.shields.io/badge/322%20checkpoints-kernel--tested-8a2be2.svg"> <a href="https://github.com/ChrisW09/Python-for-AI-Driven-Automation/actions/workflows/checkpoints.yml"><img alt="Checkpoints CI" src="https://github.com/ChrisW09/Python-for-AI-Driven-Automation/actions/workflows/checkpoints.yml/badge.svg"></a> </p> <p align="center"> <b>113 可运行的notebooks · 18 模块 · 300+ 课后练习 · 322 课堂检查点 · 100% 离线运行</b> </p> <p align="center"> <a href="#-quick-start">🚀 快速开始</a> &nbsp;·&nbsp; <a href="#-curriculum">📚 课程大纲</a> &nbsp;·&nbsp; <a href="#-how-each-notebook-works">📓 工作原理</a> &nbsp;·&nbsp; <a href="#-open-any-notebook-in-colab">▶️ 在 Colab 中打开</a> &nbsp;·&nbsp; <a href="#-contributing--licence">🤝 贡献与许可</a> </p> --- ## 目录 - [为什么选择这门课程](#-why-this-course) - [更新内容](#-whats-new) - [快速开始](#-quick-start) - [选择你的路径](#-choose-your-path) - [课程大纲](#-curriculum) - [仓库布局](#-repository-layout) - [数据集](#-datasets) - [每个notebook的工作原理](#-how-each-notebook-works) - [LLM 提供商](#-llm-providers) - [在 Colab 中打开任意 notebook](#-open-any-notebook-in-colab) — 直接链接到所有 113 个 notebooks - [关于](#-about) - [引用](#-citation) - [贡献与许可](#-contributing--licence) --- ## ⚡ 为什么选择这门课程 - **从头到尾。** 从 `print("hello")` 到部署和调度的 AI 自动化 - 没有假设任何步骤或跳过任何内容。 - **在任何地方运行。** 一键进入 Google Colab，或本地 `pip install`。每个 notebook 都可以 **100% 离线运行** - 无需 API 密钥或付费服务。 - **动手实践。** **300+ 练习** - 包括每个课程中故意设计的 🐞 debug-me 以及完整的解决方案和背后的逻辑。 - **适用于现场教学。** 每个课程都包含简短的 ✋ **快速练习** 检查点（约 2 分钟），在自然的章节间断处，以便课堂可以交替进行约 20 分钟的教学和快速的动手实践。**整个课程中有 322 个检查点**，每个检查点都有一个脚手架启动器和一个可折叠的解决方案 - 并且每个解决方案都在一个新的内核中执行以确认其运行。 - **现代、简洁的代码。** 图表仅需 1-3 行（pandas `.plot()`、seaborn、sklearn 内置绘图助手）- 您学习的是当今实际从业者编写 Python 的方式。 - **在需要的地方可视化。** 关键思想 - 训练/测试分割、k-fold交叉验证、网格搜索、RAG 管道、MCP 拓扑 - 都嵌入了清晰的图表，直接在 notebooks 中。 - **现实的商业问题。** 客户流失和客户生命周期价值、欺诈检测、需求预测、客户细分、RAG 助手和 AI 治理 - 没有使用玩具数据集。 --- ## ✨ 更新内容 - **☕ 新增复合 AI 评估模块。** *哪个管道旋钮实际上提高了质量 - 而且这种差异是真实的？* 因子设计超过系统因素、复制 vs LLM 噪声、ANOVA 归因具有影响大小和交互作用、成本/质量帕累托前沿 - 全部由手构建，100% 离线，然后用几行 **[CAFE](https://github.com/fabian-lu/Cafe)** （复合 AI 因子评估，[cafe-ai.de](https://cafe-ai.de)）表示。→ [模块 18](./18_compound_ai_evaluation/) - **🔥 新增 PyTorch 模块 - 深度学习作为完整的课程。** 张量 → autograd → 五步训练循环（NB 20）；训练工艺 - 双曲线过拟合诊断、dropout 和权重衰减、早期停止、学习率调度、保存/加载、实时四项 bug 诊所（NB 21）；然后用于分类数据的嵌入、与梯度提升的诚实对比、scikit-learn 风格的包装器和 TorchScript 服务（NB 22）- 全部在课程自己的客户流失数据上，100% 离线（Colab 预装了 PyTorch）。 模块 5 附录迷你跟踪（A1-A3）仍然作为浓缩的参考游览。→ [模块 6](./06_pytorch/) - **🕸️ 新增网页抓取模块。** BeautifulSoup 基础知识（`robots.txt`、礼貌、分页）、使用 **Firecrawl** 的托管抓取以及 **OpenAlex** 开放学术 API - 所有 100% 离线。→ [模块 4](./04_webscraping/) - **🛠️ 用于部署的动手实验室。** [CI/CD & 部署](./14_cicd/)（Docker、GitHub Actions、DNS/HTTPS - *模拟纯 Python，无需 Docker*）和 [Django](./17_django/)（一个真正的 ORM/views/forms/auth 应用在 notebook 内启动）现在与他们的迷你书籍一起提供可运行的实验室 notebooks。 - **🏎️ 快速通道现已涵盖整个课程。** 22 个精简的 notebooks（~26 小时）：14 个核心必备知识 + **8 个应用模块的广度扩展** - 预测、模型评估、行业应用、NLP、部署、一个毕业设计和网页抓取。→ [`fast_track/`](./fast_track/) - **🧪 模块测验。** 十六个短小的多项选择测验 - 每个内容模块一个 - 用于检查哪些内容真正掌握了。→ [`quizzes/`](./quizzes/) - **✋ 交互式课堂检查点，适用于现场教学。** 每个课程都嵌入了短小的 ~2 分钟 *快速练习* 检查点，在自然的章节间断处 - **整个课程中有 322 个** - 每个检查点都有一个脚手架启动器和一个可折叠的解决方案，在新的内核中执行以确认其运行。讲座 → 尝试 → 揭示的节奏将任何课程变成一个互动的课堂，几乎无需准备。→ [工作原理](#-how-each-notebook-works) - **🔌 100% 离线运行，从头到尾。** 每个 notebook - 包括 LLM、RAG、智能体和抓取课程 - 都使用内置的 `MockLLM` 和重型库的离线替代品在无需 API 密钥的情况下运行。 --- ## 🚀 快速开始 您将在第 5 模块中编写的样式示例 - 一个完整的、无泄漏的模型，仅需几行代码（管道代替样板，就像真正的从业者一样）： ```python from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.model_selection import cross_val_score # X, y: 一个特征矩阵和客户流失标签，您已经加载了（参见模块 5） churn_model = make_pipeline(StandardScaler(), LogisticRegression()) auc = cross_val_score(churn_model, X, y, cv=5, scoring="roc_auc").mean() print(f"5-fold ROC-AUC: {auc:.3f}") ``` 无需设置 - 只需打开一个 notebook 并点击 **运行**： ### ▶︎ Google Colab - 零设置 *(推荐)* 点击徽章，在浏览器中打开一个 notebook；无需安装任何东西。 > 🔑 **您需要一个免费的 Google 帐户才能*运行* notebooks。** Colab 为每个登录的用户提供免费的云运行时，因此您第一次点击 **运行** 时，它将要求您登录（任何 Gmail 帐户都可以使用）。如果没有 Google 帐户，请改用下面的 **本地 Jupyter** 选项。 - **开始完整课程** - `00_master_onboarding.ipynb` &nbsp; [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/00_onboarding/00_master_onboarding.ipynb) - **开始快速通道** - `00_fast_track_onboarding.ipynb` &nbsp; [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/00_fast_track_onboarding.ipynb) - **先看看效果（5分钟）** - `00c_see_it_work.ipynb` &nbsp; [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/00_onboarding/00c_see_it_work.ipynb) 每个 notebook 都列在 [在 Colab 中打开任意 notebook](#-open-any-notebook-in-colab) 中，并附有自己的 Colab 链接。 ### ⌥ 本地 Jupyter ```bash python -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate pip install -r requirements.txt jupyter lab ``` 在 **Python 3.10+** 下测试。 模块 0 包含一个环境检查单元格。 较重的可选库（用于模块 6 的 PyTorch 和 ML 附录、Prophet、FAISS、LangChain、...）保持在 `requirements.txt` 的底部注释掉 - 每个使用它们的 notebook 仍然可以离线运行，通过内置的占位符或优雅的跳过，因此仅需安装它们来查看实际的库。（Colab 自带 PyTorch，因此模块 6 在那里完全不需要安装。） --- ## 🧭 选择你的路径 | | 🎓 **完整课程** | 🏎️ **快速通道** | |---|---|---| | **范围** | 所有 18 个模块 + 13 个可选附录 | 必备知识精简版 | | **notebooks** | 53 个课程 + 5 个实验室 (+ 13 个附录) | 23 个（启动 + 22 个课程） | | **时间** | ~125 小时 | ~26 小时 | | **最佳选择** | 深度 - 每个练习、延伸问题和毕业设计 | 在几晚上获得有信服力的端到端通过 | | **开始这里** | [`00_master_onboarding.ipynb`](./00_onboarding/00_master_onboarding.ipynb) | [`fast_track/`](./fast_track/) | 新的？ [`00c_see_it_work.ipynb`](./00_onboarding/00c_see_it_work.ipynb) 是一个 5 分钟的离线演示，您将构建的内容，而 [`00b_course_overview.ipynb`](./00_onboarding/00b_course_overview.ipynb) 具有完整的模块地图和交互式时间估算器。 > 🧑‍🏫 **将此作为学期课程教学？** 快速通道几乎完全符合 12 次讲座 × 180 分钟的格式 - 请参见 [`fast_track/`](./fast_track/) 中的 [建议的讲座计划](./fast_track/README.md#-teaching-plan-12-lectures--180-minutes)。 --- ## 📚 课程大纲 | 模块 | 课程 | 重点 | |---|:---:|---| | [**0 · 入门**](./00_onboarding/) | - | 设置、定位、5分钟演示 | | [**1 · 基础知识**](./01_foundations/) | 1–6 | 变量、控制流、列表、字典、函数、类 | | [**2 · 数据科学**](./02_data_science/) | 7–11 | pandas、NumPy、seaborn/matplotlib、统计学、时间序列 | | [**3 · 现实世界的 I/O**](./03_real_world_io/) | 12–13 | HTTP/APIs、SQL、数据验证 | | [**4 · 网页抓取**](./04_webscraping/) | 14–16 | 抓取基础知识（BeautifulSoup、 `robots.txt`、礼貌）、Firecrawl 托管抓取以及 OpenAlex 开放学术 API - 所有 100% 离线 | | [**5 · 机器学习**](./05_machine_learning/) | 17–19 | scikit-learn、交叉验证 &amp; 超参数调优、模型评估、特征工程 | | [**6 · 使用 PyTorch 的深度学习**](./06_pytorch/) | 20–22 | 张量 → autograd → 训练循环；过拟合、正则化 &amp; 调度；嵌入、诚实的对比 vs 梯度提升、sklearn 风格的包装器 &amp; 服务 | | [**7 · 行业应用**](./07_industry_applications/) | 23–26 | 客户流失/CLV、欺诈、细分 + 推荐器、需求 &amp; 维护 | | [**8 · AI 工程**](./08_ai_engineering/) | 27–32 | LLM 基础知识、提示、RAG、智能体、文档处理、评估 &amp; 可观察性 | | [**9 · 构建 AI POCs**](./09_building_ai_pocs/) | 33–36 | Copilot 设置、三个 POCs、RAG 深入探讨、向量数据库 + 智能 AI | | [**10 · 智能体、工具 &amp; MCP**](./10_agents_tools_mcp/) | 37–40 | 智能体架构、鲁棒工具、模型上下文协议、多智能体系统 | | [**11 · NLP（文本分析）**](./11_nlp/) | 41–43 | 主题建模（BERTopic、STREAM）&amp; 情感分析（VADER → 经典 → 变换器） | | [**12 · 可选：DeepTab**](./12_deeptab/) | 44 | 深度学习用于表格数据 - Mamba/FT-Transformer/SAINT… 在 scikit-learn API 后 | | [**13 · 生产**](./13_production/) | 45–46 | 打包 notebooks 成项目、调度 | | [**14 · CI/CD &amp; 部署**](./14_cicd/) | 3 个实验室 | Docker、Compose、 部署 — *模拟纯 Python，无需 Docker*）以及可运行的示例应用 | | [**15 · 毕业设计**](./15_capstones/) | 47–48 | 两个端到端项目（分析和 AI 助手） | | [**16 · 商业 AI**](./16_business_ai/) | 49–52 | 数字化转型、架构、AI 辅助开发、治理 | | [**17 · 可选：Django**](./17_django/) | 2 个实验室 | 将模型封装在真正的 Web 应用中 — ORM、admin、表单、JSON API — 一个自包含的迷你书 + 2 个动手实验室 notebooks + 可运行的示例应用，ChurnScope | | [**18 · 可选：复合 AI 评估**](./18_compound_ai_evaluation/) | 53 | 哪个管道旋钮驱动质量？因子设计、复制、ANOVA 归因和帕累托前沿与 [CAFE](https://cafe-ai.de) | > **13 个可选附录**（从经典到深度学习再到基础模型预测、向量存储、RAG/智能体框架）位于其模块旁边 — 所有可离线运行。**模块 11-12 是可选的参考风格跟踪**（文本分析 + 深度表格学习），而 **模块 17（Django）和 18（复合 AI 评估）** 是可选的结尾 — 所有完全离线。**模块 6（PyTorch）** 是模块 5 附录迷你跟踪（A1-A3）的完整课程处理。每个内容模块还附带一个简短的 **[5 题测验](./quizzes/)** 来检查哪些内容真正掌握了；时间不多？ **[快速通道](./fast_track/)** 将整个课程浓缩成 22 个 notebooks（~26 小时）。 --- ## 🗂️ 仓库布局 | 路径 | 内容 | |---|---| | `00_onboarding/` … `18_compound_ai_evaluation/` | 完整的课程 — 模块 0-18 按学习顺序，课程 1-53 + 13 个附录 | | `11_nlp/`、`12_deeptab/` | 可选的参考跟踪 — 文本分析（课程 41-43）和深度表格学习（课程 44） | | `14_cicd/` | CI/CD、Docker 和部署迷你书 — 14 章 + 3 个动手实验室 notebooks + 可运行的示例应用 | | `17_django/` | 可选：用于 AI Web 应用的 Django — 迷你书（7 章）+ 2 个动手实验室 notebooks + 可运行的示例应用，ChurnScope | | `18_compound_ai_evaluation/` | 可选：复合 AI 评估 — 因子研究、复制和 AI 管道的统计归因与 [CAFE](https://github.com/fabian-lu/Cafe) （课程 53，离线；库安装可选） | | `04_webscraping/` | 网页抓取 — 基础知识（BeautifulSoup、`robots.txt`）、Firecrawl 和 OpenAlex 开放 API（课程 14-16，全离线） | | `06_pytorch/` | 使用 PyTorch 的深度学习 — 张量 → autograd → 训练循环、训练工艺、嵌入 + 烘焙 + 服务（课程 20-22，全离线） | | `fast_track/` | 快速通道 — 22 个精简 notebooks（~26 小时）：14 个核心必备知识 + 8 个应用模块的广度扩展 | | `quizzes/` | 15 个简短的多项选择题 — 每个内容模块一个 | | `data/` | 示例 CSV 文件（support_ops、api_log、customer_feedback）— `read_csv` 练习的磁盘副本；参见 [数据集](#-datasets) | | `slides/` | 课程概述幻灯片 + 讲座幻灯片（PDF + LaTeX 源代码） | | `scripts/` | 帮助程序 — 验证/执行所有检查点 (`test_checkpoints.py`)，运行所有 notebooks 端到端，重新生成 hero 横幅，检查 NB 编号引用 | | `docs/` | 课程设计笔记（教学法审查、模块描述符覆盖） | | `llm_providers.py` | OpenAI / Anthropic / Google / Ollama (+ 离线 `MockLLM`) 的统一接口 | | `previous_versions/` | 旧的扁平 19-notebook 布局，存档 | --- ## 📊 数据集 课程是**离线优先且可复制的**：几乎所有数据集都是**合成的，在线生成**，使用固定的随机种子，因此每次运行都会产生相同的数据，**无需下载**。一个虚构的世界将它们联系起来 — 一个 SaaS 公司运行 **AI 客户支持运营** — 及其表格（客户、支持票、API 成本日志、反馈、付款）在模块中反复出现，因此您会重新遇到熟悉的数据，因为技术变得更加复杂。三个合成表格也转储到 `data/*.csv`，以便您可以练习 `pd.read_csv` 操作实际文件；两个小的**真实**数据集（Palmer Penguins, UCI Bike Sharing）也包含在内，因此可选的 *📊 尝试使用真实数据* 部分也可以离线运行；还有几个课程故意使用公开的 API 进行访问。 > **输出约定。** 教学 notebooks 随附**渲染的图形**，因此在 GitHub 和 Colab 上可以直接看到每个图表，而无需运行任何单元格。确定性种子意味着重新运行 notebook 会重现相同的图表；如果您重新运行并提交，请保持渲染的输出不变。如果您重新运行并提交，请保持渲染的输出不变。 ### 捆绑示例文件 足够小，可以适应一屏并随仓库一起旅行（参见 [`data/README.md`](./data/README.md)）。前四个是笔记本内构建的数据的磁盘副本；最后两个是可选的“尝试使用真实数据”部分的**真实**数据集。 | 文件 | 行数 | 内容 | 使用于 | |---|---|---|---| | `data/api_log.csv` | 50 | LLM API 请求日志 — `模型`、`分段`、`季度`、`输入/输出令牌`、`延迟毫秒` | NB 7 — Pandas基础 | | `data/support_ops.csv` | 60 | 按渠道和月份划分的支持运营指标 — 工单、自动化率、延迟、满意度、成本 | NB 47（Capstone A）内联构建数据的磁盘副本 | | `data/customer_feedback.csv` | 15 | 带标签的反馈 — `文本`、`情感`、`主题` | NB 17 和 22 中内联数据的示例镜像 | | `forecast.csv` | 28 | 4个城市的7天天气预报，从Open-Meteo API保存（位于仓库根目录） | NB 12 — API 和 HTTP 编写 | | `data/penguins.csv` | 344 | **真实** — Palmer Penguins：3种物种的喙部/鳍/质量测量值，带有真实缺失值 · CC0 | NB 9 — 可视化 | | `data/bike_sharing_daily.csv` | 731 | **真实** — UCI共享单车：2011-12年的每日租赁记录，包含天气和日历特征 · CC BY 4.0 | NB 26 — 需求预测 | ### 按主题分类的合成数据集 所有数据都是内联生成的（无需下载），按其阐述的商业问题分组： | 主题 | 内容 | 笔记本 | |---|---|---| | **SaaS客户流失** | 课程的骨干 — 使用年限、费用、支持工单、使用情况、合同、地区、流失标签（+ 收入目标） | NB 17–23, 44 | | **LLM成本和延迟日志** | 支持调用按模型和渠道标记，包含令牌、成本、延迟、满意度 | NB 7–9 | | **支持运营** | 跨五个渠道（电子邮件/聊天/电话/网络/社交）的工单，查询内存中的SQLite数据库 | NB 13, 30, 47 | | **欺诈/支付** | 每笔交易有一行，植入欺诈模式（夜间消费、新设备接管） | NB 24 | | **客户细分** | 从隐藏原型中提取客户，用于聚类和推荐 | NB 25 | | **需求和维护** | 短需求序列（滞后和滚动特征）加预测维护信号 | NB 26 | | **时间序列预测** | 具有趋势和季节性的每日产品搜索序列（从经典到Prophet再到DL和基础模型） | NB 11, DS A1–A4 | | **客户反馈和评论** | 大量短产品评论、支持工单和调查笔记，用于主题模型和情感分析 | NB 41–43, 48 | | **RAG文档语料库** | 小型知识库/产品目录，分割、嵌入和检索 | NB 29, 35, 36 | | **发票和文档** | 用于提取管道的合成杂乱发票 | NB 31 | | **黄金评估集** | 用于评估和分类AI功能的微型标注集 | NB 32 | | **代理/副驾驶数据** | 支持副驾驶的查询号码+文档，作为工具/MCP资源暴露 | NB 37–40 | | **POC和应用演示数据** | ~500个合成客户行，一个产品目录和随机嵌入向量，用于POC应用 | NB 33, 34, 36 | | **视觉和序列（PyTorch）** | 玩具8×8“数字”图像，合成序列任务和微型文本意图/支持笔记集 | ML A2, A3, NB 22（扩展） | | **商业案例研究** | *Meridian*，一个虚构的400人B2B SaaS，用于转型和治理场景 | NB 49–52 | ### 真实数据和实时服务 — 少数例外 - **scikit-learn示例集** — Iris和Wine（NB 17）和Breast Cancer（NB 18），用于简要锚定经典ML示例，然后切换到合成SaaS数据。 - **实时公共API** *(无需密钥)* — Open-Meteo（天气 — 运行示例）和JSONPlaceholder（一个伪REST API）在NB 12中；**Firecrawl** 网页抓取到RAG-ready数据集在I/O附录中。 - **预训练模型** *(模型，非数据集 — 在首次使用时在线获取，每个都有离线备用)* — 句子转换器嵌入和小型Hugging Face转换器在嵌入/NLP课程中。 - **`MockLLM`** — 不是数据集，而是**确定性**离线模型，它为16个AI笔记本生成文本/JSON；交换一行 [`llm_providers.py`](./llm_providers.py) 以调用OpenAI / Anthropic / Google / Ollama。 ### 更进一步 — 真实数据集导入 如果您想将一个课程放到真实数据上，这些数据集符合课程的主题，并且大多可以在一行代码中加载（第一次获取后缓存）： | 数据集 | 加载/来源 | 匹配 | 许可证 | |---|---|---|---| | **加利福尼亚住房** | `sklearn.datasets.fetch_california_housing()` | M5回归（17–18） | 公共 | | **20个新闻组** | `sklearn.datasets.fetch_20newsgroups()` | M11主题建模（41–42） | 公共 | | **statsmodels系列** （CO₂，太阳黑子，尼罗河） | `statsmodels.datasets.co2.load_pandas()` | M2统计和预测（10–11，A1–A4） | 公共 | | **电信客户流失** | [Kaggle `blastchar/telco-customer-churn`](https://www.kaggle.com/datasets/blastchar/telco-customer-churn) · 7,043行 | M5–M7流失（17–23），M12（44） | IBM示例 | | **RAG迷你维基百科** | `load_dataset("rag-datasets/rag-mini-wikipedia")` · 语料库+问答 | M8–M9 RAG（29, 35, 36） | CC BY 3.0 | | **Twitter金融新闻情感** | `load_dataset("zeroshot/twitter-financial-news-sentiment")` | M11情感（43） | MIT | | **成人/人口普查收入** | `sklearn.datasets.fetch_openml("adult", version=2)` | M16治理和公平（52），M12（44） | 公共 | | **在线零售II** | [UCI #352](https://archive.ics.uci.edu/dataset/352/online+retail) · ~100万行 | M2 pandas-at-scale, M3 SQL（13）, M7 RFM/CLV（25） | CC BY 4.0 | | **信用卡欺诈** （ULB） | [Kaggle `mlg-ulb/creditcardfraud`](https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud) · 0.17% 欺诈 | M7欺诈（24） | DbCL v1.0 | > **无需密钥的公共API** 用于模块3（NB 12），除了Open-Meteo： **REST Countries**，**Frankfurter** （外汇汇率），**USGS地震** （GeoJSON）和 **Hacker News** — 每个返回不同的JSON形状进行练习。 --- ## 📓 每个笔记本的工作原理 一致的六部分模板： > 🎯 **目标** + ✅ **先决条件** → 编号 **概念部分** （散文+可运行代码），与 ✋ **快速练习检查点** 交织 → 🧪 **练习** （包括 🐞 调试我）→ 🧠 **扩展练习** A–D → 🎁 **奖励小项目** → ✅ **自我评估** + 🚀 **下一步** 每个练习 — **超过300个贯穿整个课程** — 都附带一个有效的解决方案和背后的推理。 ### ✋ 课程中的检查点 — 设计用于交互式教学 除了课程结束的练习库外，每个课程都嵌入了简短的 **✋ 快速练习** 检查点，位于自然的章节断点处 — 大约每20分钟的材料中有一个。他们将讲座变成了一种节奏： **讲20分钟 → 暂停2分钟进行动手练习 → 继续讲**。 每个检查点都是一个自包含的三单元格块： 1. **提示** — 一个专注的、具有商业/人工智能特色的任务，仅使用到目前为止所涵盖的内容即可解决。 2. **`# ✍️ 你的任务`** — 一个脚手架起始单元格，填写即可。 3. **✅ 解决方案** — 一个可折叠的答案，附有一行解释。 全课程共有 **322个这样的检查点** （3–4个核心课程，3个快速课程，4个CI/CD & Django实验室，每个网页抓取和PyTorch课程，以及复合AI评估课程），每个代码解决方案都在**全新Jupyter内核中验证以确保其实际运行** （少数文件内容解决方案 — `__init__.py`，pytest，`pyproject.toml` — 通过检查验证）。 [CI工作流](./.github/workflows/checkpoints.yml)在每次推送时重新检查所有322个的结构和语法；使用`python scripts/test_checkpoints.py --exec`自行运行完整的内核测试。它们像其他所有内容一样100%离线运行 — 无需API密钥或网络。 自学者可以在达到每个检查点时解决它们；讲师使用它们作为内置的“暂停并尝试”的节奏。一个 90分钟的班级会获得多个自然的交互式休息 — 无需准备。 两个您会看到的约定： - **图表占用几行，而不是一页。** 绘图使用pandas `.plot()`、seaborn一行式（`hue=` 而不是循环，`sns.heatmap(cm, annot=True)` 用于矩阵），以及scikit-learn的`*Display`助手 — 原始matplotlib仅用于最终调整和多面板布局。 - **图表随笔记本一起旅行。** 解释性图表（训练/测试分割、5折交叉验证、GridSearchCV流程、RAG管道、MCP主机/客户端/服务器拓扑、向前走回测试……）作为附件嵌入 `.ipynb` 文件中，以便它们在GitHub、Colab和本地渲染，而不需要额外的图像文件。 --- ## 🔌 LLM提供商 笔记本27–32和42完全使用内置的`MockLLM`离线运行。对于真正的智能，请交换一行 — 统一接口 [`llm_providers.py`](./llm_providers.py) 支持四种提供商： | 提供商 | 类 | 何时使用 | |---|---|---| | 🟢 OpenAI | `OpenAILLM(model="gpt-5.4-mini")` | 可靠的默认 | | 🟠 Anthropic | `AnthropicLLM(model="claude-haiku-4-5")` | 长上下文，谨慎语气 | | 🔵 Google | `GoogleLLM(model="gemini-2.5-flash")` | 大规模便宜 | | 🟣 Ollama | `OllamaLLM(model="llama3.2:3b")` | 本地 — 无互联网、密钥或成本 | 为托管提供商设置匹配的 `*_API_KEY` 环境变量（永远不要内联）。有关设置和成本说明，请参见 [`08_ai_engineering/A1_llm_providers_guide.ipynb`](./08_ai_engineering/A1_llm_providers_guide.ipynb)。 **永远不要提交API密钥。** --- ## ▶️ 在Colab中打开任何笔记本 以下每个笔记本都可以在 [Google Colab](https://colab.research.google.com/) 中一键运行 — 无需安装，无需下载。点击徽章即可打开。 **请使用免费的Google账户**第一次运行单元格时，Colab需要它来为您提供云运行时。 _{**113个笔记本**贯穿整个README — 它们与Colab中索引的笔记本完全相同 — 课程模块（0–18）， [测验](quizzes/)和 [快速课程](fast_track/)变体。 [`previous_versions/`](previous_versions/)下的存档材料未计入此计数。} ### 0 · 入门 | 笔记本 | 打开 | |---|---| | `00_master_onboarding.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/00_onboarding/00_master_onboarding.ipynb) | | `00b_course_overview.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/00_onboarding/00b_course_overview.ipynb) | | `00c_see_it_work.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/00_onboarding/00c_see_it_work.ipynb) | ### 1 · 基础 | 笔记本 | 打开 | |---|---| | `01_python_basics.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/01_foundations/01_python_basics.ipynb) | | `02_control_structures.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/01_foundations/02_control_structures.ipynb) | | `03_lists_data_structures.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/01_foundations/03_lists_data_structures.ipynb) | | `04_dictionaries_advanced.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/01_foundations/04_dictionaries_advanced.ipynb) | | `05_functions_modules.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/01_foundations/05_functions_modules.ipynb) | | `06_classes_and_oop.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/01_foundations/06_classes_and_oop.ipynb) | ### 2 · 数据科学 | 笔记本 | 打开 | |---|---| | `07_pandas_fundamentals.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/07_pandas_fundamentals.ipynb) | | `08_numpy_fundamentals.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/08_numpy_fundamentals.ipynb) | | `09_matplotlib_basics.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/09_matplotlib_basics.ipynb) | | `10_statistics_basics.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/10_statistics_basics.ipynb) | | `11_time_series_forecasting.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/11_time_series_forecasting.ipynb) | | `A1_forecasting_classical.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/A1_forecasting_classical.ipynb) | | `A2_forecasting_prophet_libraries.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/A2_forecasting_prophet_libraries.ipynb) | | `A3_forecasting_deep_learning.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/A3_forecasting_deep_learning.ipynb) | | `A4_forecasting_foundation_models.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/02_data_science/A4_forecasting_foundation_models.ipynb) | ### 3 · 现实世界的I/O | 笔记本 | 打开 | |---|---| | `12_apis_and_http.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/03_real_world_io/12_apis_and_http.ipynb) | | `13_sql_fundamentals.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/03_real_world_io/13_sql_fundamentals.ipynb) | | `A1_web_scraping_firecrawl.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/03_real_world_io/A1_web_scraping_firecrawl.ipynb) | ### 4 · 网页抓取 | 笔记本 | 打开 | |---|---| | `14_web_scraping_fundamentals.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/04_webscraping/14_web_scraping_fundamentals.ipynb) | | `15_scraping_with_firecrawl.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/04_webscraping/15_scraping_with_firecrawl.ipynb) | | `16_openalex_scholarly_data.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/04_webscraping/16_openalex_scholarly_data.ipynb) | ### 5 · 机器学习 | 笔记本 | 打开 | |---|---| | `17_sklearn_basics.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/05_machine_learning/17_sklearn_basics.ipynb) | | `18_model_evaluation.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/05_machine_learning/18_model_evaluation.ipynb) | | `19_feature_engineering.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/05_machine_learning/19_feature_engineering.ipynb) | | `A1_pytorch_foundations.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/05_machine_learning/A1_pytorch_foundations.ipynb) | | `A2_pytorch_vision_and_sequences.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/05_machine_learning/A2_pytorch_vision_and_sequences.ipynb) | | `A3_pytorch_fine_tuning.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/05_machine_learning/A3_pytorch_fine_tuning.ipynb) | | `A4_tabpfn_priorlab.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/05_machine_learning/A4_tabpfn_priorlab.ipynb) | | `A5_conformal_prediction.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/05_machine_learning/A5_conformal_prediction.ipynb) | ### 6 · 使用 PyTorch 的深度学习 | 笔记本 | 打开 | |---|---| | `20_pytorch_fundamentals.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/06_pytorch/20_pytorch_fundamentals.ipynb) | | `21_training_neural_networks.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/06_pytorch/21_training_neural_networks.ipynb) | | `22_pytorch_in_practice.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/06_pytorch/22_pytorch_in_practice.ipynb) | ### 7 · 行业应用 | 笔记本 | 打开 | |---|---| | `23_churn_clv_retention.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/07_industry_applications/23_churn_clv_retention.ipynb) | | `24_fraud_anomaly_detection.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/07_industry_applications/24_fraud_anomaly_detection.ipynb) | | `25_segmentation_recommenders.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/07_industry_applications/25_segmentation_recommenders.ipynb) | | `26_demand_maintenance.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/07_industry_applications/26_demand_maintenance.ipynb) | ### 8 · 人工智能工程 | 笔记本 | 打开 | |---|---| | `27_llm_fundamentals.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/27_llm_fundamentals.ipynb) | | `28_ai_workflows.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/28_ai_workflows.ipynb) | | `29_embeddings_retrieval.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/29_embeddings_retrieval.ipynb) | | `30_tools_and_agents.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/30_tools_and_agents.ipynb) | | `31_document_processing.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/31_document_processing.ipynb) | | `32_ai_evaluation_observability.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/32_ai_evaluation_observability.ipynb) | | `A1_llm_providers_guide.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/A1_llm_providers_guide.ipynb) | | `A2_vector_stores_survey.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/A2_vector_stores_survey.ipynb) | | `A3_rag_and_agent_frameworks.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/08_ai_engineering/A3_rag_and_agent_frameworks.ipynb) | ### 9 · 构建 AI 概念验证 | 笔记本 | 打开 | |---|---| | `33_from_setup_to_first_poc.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/09_building_ai_pocs/33_from_setup_to_first_poc.ipynb) | | `34_three_pocs_growing_complexity.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/09_building_ai_pocs/34_three_pocs_growing_complexity.ipynb) | | `35_rag_pipeline_deep_dive.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/09_building_ai_pocs/35_rag_pipeline_deep_dive.ipynb) | | `36_vector_db_and_agentic_ai.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/09_building_ai_pocs/36_vector_db_and_agentic_ai.ipynb) | ### 10 · 代理、工具和 MCP | 笔记本 | 打开 | |---|---| | `37_agent_architectures.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/10_agents_tools_mcp/37_agent_architectures.ipynb) | | `38_designing_robust_tools.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/10_agents_tools_mcp/38_designing_robust_tools.ipynb) | | `39_model_context_protocol.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/10_agents_tools_mcp/39_model_context_protocol.ipynb) | | `40_multi_agent_systems.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/10_agents_tools_mcp/40_multi_agent_systems.ipynb) | ### 11 · 自然语言处理（文本分析） | 笔记本 | 打开 | |---|---| | `41_topic_modeling_bertopic.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/11_nlp/41_topic_modeling_bertopic.ipynb) | | `42_topic_modeling_stream.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/11_nlp/42_topic_modeling_stream.ipynb) | | `43_sentiment_analysis.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/11_nlp/43_sentiment_analysis.ipynb) | ### 12 · 可选：DeepTab | 笔记本 | 打开 | |---|---| | `44_deeptab_tabular_deep_learning.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/12_deeptab/44_deeptab_tabular_deep_learning.ipynb) | ### 13 · 生产环境 | 笔记本 | 打开 | |---|---| | `45_from_notebook_to_project.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/13_production/45_from_notebook_to_project.ipynb) | | `46_scheduling_orchestration.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/13_production/46_scheduling_orchestration.ipynb) | ### 14 · 持续集成/持续部署和部署（实验室 - 小册子模块） | 笔记本 | 打开 | |---|---| | `lab01_docker_and_compose.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/14_cicd/lab01_docker_and_compose.ipynb) | | `lab02_ci_pipeline_github_actions.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/14_cicd/lab02_ci_pipeline_github_actions.ipynb) | | `lab03_deploy_dns_https_monitoring.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/14_cicd/lab03_deploy_dns_https_monitoring.ipynb) | ### 15 · 毕业设计 | 笔记本 | 打开 | |---|---| | `47_capstone_analytics.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/15_capstones/47_capstone_analytics.ipynb) | | `48_capstone_ai_assistant.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/15_capstones/48_capstone_ai_assistant.ipynb) | ### 16 · 商业 AI | 笔记本 | 打开 | |---|---| | `49_digital_transformation.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/16_business_ai/49_digital_transformation.ipynb) | | `50_architecture_patterns.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/16_business_ai/50_architecture_patterns.ipynb) | | `51_ai_assisted_software_development.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/16_business_ai/51_ai_assisted_software_development.ipynb) | | `52_bpm_governance_poc_mvp.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/16_business_ai/52_bpm_governance_poc_mvp.ipynb) | ### 17 · 可选：Django（实验室 - 小册子模块） | 笔记本 | 打开 | |---|---| | `lab01_django_in_a_notebook.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/17_django/lab01_django_in_a_notebook.ipynb) | | `lab02_serving_a_model_with_auth.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/17_django/lab02_serving_a_model_with_auth.ipynb) | ### 18 · 可选：复合 AI 评估（CAFE） | 笔记本 | 打开 | |---|---| | `53_compound_ai_evaluation_cafe.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/18_compound_ai_evaluation/53_compound_ai_evaluation_cafe.ipynb) | ### 🏎️ 快速通道 | 笔记本 | 打开 | |---|---| | `00_fast_track_onboarding.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/00_fast_track_onboarding.ipynb) | | `01_python_basics.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/01_python_basics.ipynb) | | `02_control_structures.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/02_control_structures.ipynb) | | `03_lists_and_dicts.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/03_lists_and_dicts.ipynb) | | `04_functions.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/04_functions.ipynb) | | `05_classes_basics.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/05_classes_basics.ipynb) | | `06_pandas_fundamentals.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/06_pandas_fundamentals.ipynb) | | `07_visualization_and_stats.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/07_visualization_and_stats.ipynb) | | `08_sklearn_basics.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/08_sklearn_basics.ipynb) | | `09_apis_and_sql.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/09_apis_and_sql.ipynb) | | `10_ai_workflows.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/10_ai_workflows.ipynb) | | `11_embeddings_and_rag.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/11_embeddings_and_rag.ipynb) | | `12_tools_and_agents.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/12_tools_and_agents.ipynb) | | `13_notebook_to_project.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/13_notebook_to_project.ipynb) | | `14_agents_and_mcp.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/14_agents_and_mcp.ipynb) | | `15_time_series_and_forecasting.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/15_time_series_and_forecasting.ipynb) | | `16_model_evaluation_and_feature_engineering.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/16_model_evaluation_and_feature_engineering.ipynb) | | `17_industry_applications.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/17_industry_applications.ipynb) | | `18_document_ai_and_observability.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/18_document_ai_and_observability.ipynb) | | `19_nlp_topic_modeling_and_sentiment.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/19_nlp_topic_modeling_and_sentiment.ipynb) | | `20_shipping_scheduling_and_deployment.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/20_shipping_scheduling_and_deployment.ipynb) | | `21_capstone_fast_track.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/21_capstone_fast_track.ipynb) | | `22_web_scraping.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/fast_track/22_web_scraping.ipynb) | ### 🧠 测试 | 笔记本 | 打开 | |---|---| | `quiz_01_foundations.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_01_foundations.ipynb) | | `quiz_02_data_science.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_02_data_science.ipynb) | | `quiz_03_real_world_io.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_03_real_world_io.ipynb) | | `quiz_04_webscraping.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_04_webscraping.ipynb) | | `quiz_05_machine_learning.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_05_machine_learning.ipynb) | | `quiz_06_pytorch.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_06_pytorch.ipynb) | | `quiz_07_industry_applications.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_07_industry_applications.ipynb) | | `quiz_08_ai_engineering.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_08_ai_engineering.ipynb) | | `quiz_09_building_ai_pocs.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_09_building_ai_pocs.ipynb) | | `quiz_10_agents_tools_mcp.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_10_agents_tools_mcp.ipynb) | | `quiz_11_nlp.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_11_nlp.ipynb) | | `quiz_13_production.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_13_production.ipynb) | | `quiz_14_cicd.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_14_cicd.ipynb) | | `quiz_16_business_ai.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_16_business_ai.ipynb) | | `quiz_17_django.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_17_django.ipynb) | | `quiz_18_compound_ai_evaluation.ipynb` | [](https://colab.research.google.com/github/ChrisW09/Python-for-AI-Driven-Automation/blob/main/quizzes/quiz_18_compound_ai_evaluation.ipynb) | --- ## 👤 关于作者 我叫Christoph Weisser，是一名数学教授，专攻商业数据科学，在比勒费尔德大学（HSBI）任教，并曾在BASF担任分析与人工智能技术负责人。我的工作重点是人工智能、生成式人工智能、商业数据科学以及连接研究与工业应用的代理人工智能系统。 在加入学术界之前，我曾在BASF领导国际人工智能项目，从战略到生产部署。如今，我结合研究、教学、开源软件开发和行业合作，推动人工智能的实际应用。 我拥有牛津大学和圣安德鲁斯大学的两个硕士学位，并在哥廷根大学完成了应用统计和经验方法博士项目（summa cum laude）。我曾获得德国人民奖学基金会、康拉德-阿登纳基金会和埃万盖利斯学习中心维利格斯特的奖学金。我曾在顶级期刊上发表研究成果，并在国际会议上做报告，并为开源软件做出贡献。 --- ## 📌 引用 如果您在教学、工作或研究中使用本课程或其材料，请引用它。GitHub的“引用此仓库”按钮（存储库页面右上角）会根据`CITATION.cff`自动生成APA和BibTeX格式的引用信息。 **纯文本（APA格式）：** > Weisser, C. (2026). *Python for AI-Driven Automation & Business Data Science* [教育课程材料]. 比勒费尔德大学（HSBI）. https://github.com/ChrisW09/Python-for-AI-Driven-Automation **BibTeX格式：** ```bibtex @misc{weisser2026python, author = {Weisser, Christoph}, title = {Python for {AI}-Driven Automation \& Business Data Science}, year = {2026}, publisher = {GitHub}, howpublished = {\url{https://github.com/ChrisW09/Python-for-AI-Driven-Automation}}, note = {比勒费尔德大学（HSBI）} } ``` --- ## 🤝 贡献与许可 发现了错误或不清晰的解释？**打开问题或PR** — 欢迎贡献。 根据**MIT许可**（参见[`LICENSE`](./LICENSE)）授权 — 可自由用于学习、教学或任何其他用途。 <p align="center">_{快乐编程 🚀}</p>