Data Science 与 AI 使用 Python 简介 培训

LangGraph 是一个用于构建有状态、多参与者 LLM 应用的框架，它支持将应用构建为具有持久状态和执行控制的可组合图。

本次由讲师主导的培训（线上或线下）面向高级 AI 平台工程师、AI DevOps 和 ML 架构师，旨在帮助他们优化、调试、监控和操作生产级 LangGraph 系统。

通过本培训，参与者将能够：

• 设计和优化复杂的 LangGraph 拓扑结构，以提高速度、降低成本并增强可扩展性。
• 通过重试、超时、幂等性和基于检查点的恢复机制来构建可靠性。
• 调试和追踪图执行过程，检查状态，并系统地复现生产问题。
• 为图添加日志、指标和追踪，部署到生产环境，并监控 SLA 和成本。

课程形式

• 互动式讲座和讨论。
• 大量练习和实践。
• 在实时实验室环境中进行实际操作。

课程定制选项

• 如需定制本课程，请联系我们安排。

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 Anaconda 生态系统在单一平台中捕获、管理和部署软体包和数据分析工作流 的数据科学家。

在本次培训结束时，参与者将能够：

• 安装和配置 Anaconda 个元件和库。
• 了解 Anaconda 的核心概念、功能和优势。
• 使用 Anaconda Navigator 管理包、环境和频道。
• 将 Conda、R 和 Python 包用于数据科学和机器学习。
• 了解管理多个数据环境的一些实际使用案例和技术。

这种以讲师为主导的中国现场培训（现场或远程）针对的是希望将Dask与Python生态系统一起使用以构建，扩展和分析大型数据集的数据科学家和软件工程师。

在培训结束时，参与者将能够：

• 设置环境以开始使用 Dask 和 Python 构建大数据处理。
• 探索 Dask 中提供的功能、库、工具和 API。
• 了解 Dask 如何在 Python 中加速并行计算。
• 了解如何使用 Dask 扩展 Python 生态系统（Numpy、SciPy 和 Pandas）。
• 优化 Dask 环境，以保持处理大型数据集的高性能。

这是一个由讲师指导的中国（线上或线下）培训课程，目标对象是希望提升数据分析与处理技能的中级Python开发人员和数据分析师，课程内容涵盖Pandas和NumPy的使用。

在培训结束时，学员将能够：

• 设置包含Python、Pandas和NumPy的开发环境。
• 使用Pandas和NumPy创建数据分析应用。
• 执行高级的数据整理、排序和过滤操作。
• 进行聚合操作并分析时间序列数据。
• 使用Matplotlib和其他可视化库进行数据可视化。
• 调试和优化数据分析代码。

本次由讲师指导的（线上或线下）培训面向希望使用FARM（FastAPI、React和MongoDB）技术栈构建动态、高性能和可扩展的Web应用程序的开发人员。

培训结束后，学员将能够：

• 搭建集成FastAPI、React和MongoDB的必要开发环境。
• 理解FARM技术栈的关键概念、特性和优势。
• 学习如何使用FastAPI构建REST API。
• 学习如何使用React设计交互式应用程序。
• 使用FARM技术栈开发、测试和部署应用程序（前端和后端）。

这种以讲师为主导的中国现场培训（现场或远端）面向希望将FastAPI与Python一起使用以更轻松，更快速地构建，测试和部署RESTful API的开发人员。

在培训结束时，参与者将能够：

• 设置必要的开发环境，以使用Python和FastAPI开发API。
• 使用FastAPI库更快速、更轻松地创建API。
• 学习如何基于Pydantic和OpenAPI创建数据模型和模式。
• 使用SQLAlchemy将API连接到数据库。
• 使用FastAPI工具在API中实现安全性和身份验证。
• 构建容器镜像并将Web API部署到云端伺服器。

这个由 讲师指导的 中国 现场培训（在线或现场）面向希望在 Data Science 中使用 Kaggle 学习和建立职业生涯的数据科学家和开发人员。

在本次培训结束时，参与者将能够：

• 了解数据科学和机器学习。
• 探索数据分析。
• 了解 Kaggle 及其工作原理。

LangGraph 是一个用于构建有状态、多参与者 LLM 应用的框架，通过可组合的图结构实现持久状态和执行控制。

本次由讲师主导的培训（线上或线下）面向中级到高级专业人士，旨在帮助他们设计、实施和运营基于 LangGraph 的金融解决方案，确保其具备适当的治理、可观测性和合规性。

通过本次培训，参与者将能够：

• 设计与监管和审计要求一致的金融专用 LangGraph 工作流。
• 将金融数据标准和本体集成到图状态和工具中。
• 为关键流程实施可靠性、安全性和人工介入控制。
• 部署、监控和优化 LangGraph 系统，以满足性能、成本和 SLA 要求。

课程形式

• 互动式讲座与讨论。
• 大量练习与实践。
• 在实时实验室环境中进行实际操作。

课程定制选项

• 如需定制本课程，请联系我们安排。

LangGraph 是一个用于构建图结构 LLM 应用的框架，支持规划、分支、工具使用、内存和可控执行。

本次由讲师指导的培训（线上或线下）面向初级开发者、提示工程师和数据从业者，旨在帮助他们使用 LangGraph 设计和构建可靠的多步骤 LLM 工作流。

培训结束后，参与者将能够：

• 解释 LangGraph 的核心概念（节点、边、状态）及其使用场景。
• 构建支持分支、调用工具和保持内存的提示链。
• 将检索和外部 API 集成到图工作流中。
• 测试、调试和评估 LangGraph 应用的可靠性和安全性。

课程形式

• 互动讲座和引导讨论。
• 在沙盒环境中进行指导实验和代码演练。
• 基于场景的设计、测试和评估练习。

课程定制选项

• 如需为此课程定制培训，请联系我们安排。

LangGraph 支持由 LLM 驱动的有状态、多参与者工作流，并能精确控制执行路径和状态持久化。在医疗领域，这些功能对于合规性、互操作性以及构建符合医疗工作流的决策支持系统至关重要。

本次讲师主导的培训（线上或线下）面向中高级专业人员，旨在帮助他们设计、实施和管理基于 LangGraph 的医疗解决方案，同时应对监管、道德和操作挑战。

培训结束后，参与者将能够：

• 设计符合合规性和可审计性的医疗专用 LangGraph 工作流。
• 将 LangGraph 应用与医疗本体和标准（FHIR、SNOMED CT、ICD）集成。
• 在敏感环境中应用可靠性、可追溯性和可解释性的最佳实践。
• 在医疗生产环境中部署、监控和验证 LangGraph 应用。

课程形式

• 互动式讲座与讨论。
• 基于真实案例的实践练习。
• 在实时实验环境中进行实施实践。

课程定制选项

• 如需定制本课程，请联系我们安排。

LangGraph 是一个用于构建图结构 LLM 工作流的框架，支持分支、工具使用、内存和可控执行。

本次由讲师指导的培训（线上或线下）面向中级工程师和产品团队，他们希望将 LangGraph 的图逻辑与 LLM 代理循环相结合，以构建动态、上下文感知的应用程序，如客户支持代理、决策树和信息检索系统。

在培训结束时，参与者将能够：

• 设计基于图的工作流，协调 LLM 代理、工具和内存。
• 实现条件路由、重试和回退，以确保稳健执行。
• 将检索、API 和结构化输出集成到代理循环中。
• 评估、监控并强化代理行为，以确保可靠性和安全性。

课程形式

• 互动讲座和引导讨论。
• 在沙盒环境中进行引导实验和代码演练。
• 基于场景的设计练习和同行评审。

课程定制选项

• 如需为此课程定制培训，请联系我们安排。

LangGraph 是一个基于图的编排框架，能够实现条件化的多步骤 LLM 和工具工作流，非常适合用于自动化和个性化内容管道。

本课程由讲师主导，提供线上或线下培训，面向中级营销人员、内容策略师和自动化开发人员，帮助他们使用 LangGraph 实现动态、分支式的电子邮件活动和内容生成管道。

培训结束后，学员将能够：

• 设计具有条件逻辑的图结构内容和电子邮件工作流。
• 集成 LLM、API 和数据源，实现自动化个性化。
• 在多步骤活动中管理状态、记忆和上下文。
• 评估、监控和优化工作流性能和交付结果。

课程形式

• 互动讲座和小组讨论。
• 动手实验，实现电子邮件工作流和内容管道。
• 基于场景的练习，涵盖个性化、分段和分支逻辑。

课程定制选项

• 如需定制本课程，请联系我们进行安排。

这种由 讲师指导的 中国 现场现场培训（在线或现场）面向希望使用 Modin 构建和实施并行计算的数据科学家和开发人员 Pandas 以加快数据分析速度。

在本次培训结束时，参与者将能够：

• 设置必要的环境，开始使用 Modin 大规模开发 Pandas 工作流。
• 了解 Modin 的功能、架构和优势。
• 了解 Modin、Dask 和 Ray 之间的区别。
• 使用 Modin 更快地执行 Pandas 操作。
• 实现整个 Pandas API 和函数。

本次由讲师指导的线下或线上培训，面向希望使用RAPIDS构建GPU加速的数据管道、工作流和可视化的数据科学家和开发者，应用如XGBoost、cuML等机器学习算法。

培训结束后，参与者将能够：

• 设置必要的开发环境，使用NVIDIA RAPIDS构建数据模型。
• 了解RAPIDS的特性、组件和优势。
• 利用GPU加速端到端的数据和分析管道。
• 使用cuDF和Apache Arrow实现GPU加速的数据准备和ETL。
• 学习如何使用XGBoost和cuML算法执行机器学习任务。
• 使用cuXfilter和cuGraph构建数据可视化并执行图分析。