• 1、掌握 Python 語言基礎，包括語法、數(shù)據(jù)類型、運算符、輸入輸出函數(shù)等核心內(nèi)容。
• 2、熟練運用 PyCharm 開發(fā)工具，掌握其安裝、設置及調(diào)試相關操作。
• 3、精通 Python 中分支、循環(huán)結(jié)構以及各類數(shù)據(jù)結(jié)構（字符串、列表、字典、元組等）的操作與運用。
• 4、深入理解面向?qū)ο缶幊?，涵蓋類和對象、封裝、繼承、多態(tài)及設計模式等方面知識。
• 5、具備 Python 文件操作、異常處理以及模塊制作、安裝與使用的能力。
• 6、了解 Python 的高級特性，像深拷貝、淺拷貝、生成器、迭代器、閉包、裝飾器等內(nèi)容。
• 7、掌握 Python 進程與線程相關概念及操作，包括并發(fā)、通信、互斥鎖等要點。
• 8、熟悉 Python 網(wǎng)絡編程以及正則表達式相關知識，用于對應場景的實踐應用。

Python核心

• 1、Python入門：Python發(fā)展史、Python應用場景、Python開發(fā)環(huán)境搭建
• 2、PyCharm：PyCharm的安裝、設置字體、設置快捷鍵、PyCharm常用設置、調(diào)試
• 3、Python基礎知識：注釋、變量以及數(shù)據(jù)類型、標識符和關鍵字、輸入函數(shù)、輸出函數(shù)、運算符、程序類型轉(zhuǎn)換
• 4、分支和循環(huán)：if判斷語句、運算符、if - else語句、while循環(huán)、for循環(huán)、break、continue
• 5、字符串和列表：字符串輸入、字符串輸出、下標和切片、字符串常見函數(shù)、列表(list)、列表的循環(huán)遍歷、列表的增刪改查、列表的嵌套、列表的切片
• 6、字典和元組：字典的增刪改查、字典遍歷、訪問元組、修改元組、集合（set）
• 7、函數(shù)：函數(shù)定義、函數(shù)的類型、函數(shù)參數(shù)、函數(shù)返回值、函數(shù)嵌套、局部變量、全局變量、遞歸函數(shù)、匿名函數(shù)
• 8、文件操作：文件的打開與關閉、文件的讀寫、文件讀寫應用
• 9、面向?qū)ο螅惡蛯ο螅憾x類、類的構成、類的__init__()方法、創(chuàng)建對象、理解self
• 10、面向?qū)ο螅ǚ庋b、繼承、多態(tài)）：封裝、私有方法、私有屬性、__del__()方法、繼承、多繼承、多態(tài)、類屬性、實例屬性、靜態(tài)方法和類方法
• 11、面向?qū)ο螅ㄔO計模式）：單例模式、工廠模式、__new__方法
• 12、綜合案例：憤怒的小鳥
• 13、異常：捕獲異常、異常的傳遞
• 14、模塊：模塊中的__all__、模塊制作、打包模塊、模塊安裝與使用
• 15、深拷貝、淺拷貝、私有化：深拷貝案例、淺拷貝案例、進制、位運算、作用域、私有化、屬性property
• 16、生成器、迭代器、閉包、裝飾器、元類、垃圾回收、內(nèi)建函數(shù)
• 17、網(wǎng)絡編程：進程池、進程間通信、多線程、進程和線程區(qū)別、網(wǎng)絡通信、端口、IP地址、socket、UDP、TCP、http
• 18、網(wǎng)絡編程綜合案例：企業(yè)級web框架starlette介紹及使用
• 19、正則表達：表示字符、表示數(shù)量、原始字符串、表示邊界、匹配分組
• 20、綜合案例：客戶信息管理系統(tǒng)綜合案例

• 1、掌握鏈表、棧、隊列的基本操作及應用。
• 2、熟練運用快速排序、二分查找等算法。
• 3、解決數(shù)組、字符串、查找等各類問題。
• 4、掌握遞歸、動態(tài)規(guī)劃、貪心、回溯等算法思想及應用。

數(shù)據(jù)結(jié)構&算法

• 鏈表、棧、隊列：了解數(shù)據(jù)結(jié)構，數(shù)據(jù)結(jié)構的常見操作、應用場景
• 快排、二分查找：學習排序思想、時間復雜度、空間復雜度、應用場景
• 數(shù)組問題、字符串問題、鏈表問題、隊列問題：遍歷、查找、插入等操作，數(shù)組的動態(tài)調(diào)整、字符串反轉(zhuǎn)、鏈表合并等問題。
• 查找問題：線性查找、二分查找、哈希查找、樹結(jié)構查找等
• 遞歸問題：了解函數(shù)自調(diào)用，遞歸用于階乘和斐波那契數(shù)列的計算等
• 動態(tài)規(guī)劃問題：概述，問題解決常規(guī)步驟，算法應用案例
• 貪心問題、回溯問題：概述，問題解決常規(guī)步驟，算法應用案例

• 1、熟練安裝配置 Linux 環(huán)境并掌握常用命令。
• 2、精通 MySQL 安裝使用及 SQL 操作。
• 3、熟悉 Numpy 的屬性、函數(shù)及運算。
• 4、掌握 Pandas 的數(shù)據(jù)處理方法。
• 5、會用多種工具進行數(shù)據(jù)可視化。
• 6、具備在 Linux 環(huán)境下進行數(shù)據(jù)分析和可視化的綜合能力。

Linux基礎&shell

• Linux環(huán)境準備：VM安裝、Linux安裝、VI編輯器、軟件包安裝
• Linux常用命令：vim、cd、mkdir、chmod、chown、grep、echo、tail、more、touch、sudo、history、yum、systemctl、ln、ifconfig、hostname、ping、netstat、ps等
• Shell：變量、運算符、條件判斷、流程控制、系統(tǒng)函數(shù)&自定義函數(shù)、常用工具命令、常用正則表達式

MySQL

• MySQL安裝和使用、SQL語句、數(shù)據(jù)庫操作、表操作、SQL約束、多表操作、開窗函數(shù)、案例
• 遠程連接MySQL、Redis、Hive數(shù)據(jù)庫

Numpy

• Numpy的屬性、創(chuàng)建方式、數(shù)據(jù)類型、等比/等差數(shù)列、基本函數(shù)、統(tǒng)計函數(shù)、比較函數(shù)、排序函數(shù)、基本運算、矩陣乘法、案例

Pandas

• Series常用屬性和方法、DataFrame常用屬性和方法、數(shù)據(jù)導入導出
• 計算常用統(tǒng)計值、常用排序方法、Pandas連接數(shù)據(jù)、合并數(shù)據(jù)集、缺失值處理、apply自定義函數(shù)
• 數(shù)據(jù)聚合、轉(zhuǎn)換、過濾、Pandas透視表
• Matplotlib數(shù)據(jù)可視化、Pandas繪圖、Seaborn的可視化繪圖
• 綜合案例：房價走勢分析

• 1、熟悉線性代數(shù)、概率、高數(shù)等數(shù)學基礎。
• 2、熟悉 KNN 算法的思想、流程及不同距離計算方法，能進行特征預處理和案例實現(xiàn)。
• 3、理解線性回歸的概念、分類、損失函數(shù)等，掌握梯度下降算法等方法及模型評估。
• 4、掌握邏輯回歸的數(shù)學基礎、原理及分類評估指標，能進行案例實踐。

數(shù)學基礎和機器學習概述

• 數(shù)學基礎：高數(shù)（微積分）、線性代數(shù)、概率
• 機器學習概述：發(fā)展歷程、應用領域、基本術語、算法分類、建模流程、特征工程

監(jiān)督學習

• KNN：算法思想、分類流程和實現(xiàn)、回歸流程和實現(xiàn)、常見距離（歐氏、曼哈頓、切比雪夫、閔可夫斯基距離）度量方法、特征預處理歸一化和標準化、API
• KNN案例和參數(shù)調(diào)優(yōu)
• 線性回歸：概念和分類、損失函數(shù)和求解方法（正規(guī)方程法、梯度下降算法）、模型評估（MAE/MSE/RMSE）、API
• 線性回歸案例和正則化
• 邏輯回歸：數(shù)學基礎、原理、損失函數(shù)、混淆矩陣、精確率/召回率/F1-score分類評估、AUC指標、ROC曲線、API
• 邏輯回歸案例
• 感知機：基本概念、激活函數(shù)、具體實現(xiàn)；邏輯電路和感知機的局限
• 其它監(jiān)督學習算法：樸素貝葉斯、決策樹、SVM、AdaBoost等簡介

無監(jiān)督學習

• 無監(jiān)督學習：聚類算法簡介、API使用、Kmeans原理、模型評估；SVD、LDA、PCA簡介
• 特征選擇和特征降維：基本概念介紹；低方差過濾法、相關過濾法、主成分分析（PCA）法

• 1、理解深度學習的概念、應用場景及優(yōu)缺點。
• 2、掌握 Pytorch 的安裝及張量的各種操作，包括創(chuàng)建、類型轉(zhuǎn)換、數(shù)值計算等。
• 3、熟悉神經(jīng)網(wǎng)絡的結(jié)構組成，如輸入層、輸出層、隱藏層等，掌握激活函數(shù)、損失函數(shù)等相關知識。
• 4、了解卷積神經(jīng)網(wǎng)絡 CNN，掌握圖像基礎、卷積層和池化層等知識及案例應用。
• 5、掌握循環(huán)網(wǎng)絡 RNN 的原理及詞嵌入層、循環(huán)網(wǎng)絡層的 API 和文本生成案例。
• 6、具備深度學習項目實戰(zhàn)能力，如電商推薦和圖片搜索等項目。

深度學習簡介和Pytorch

• 什么是深度學習、深度學習應用場景、深度學習優(yōu)缺點
• Pytorch的安裝、張量創(chuàng)建方法、張量的類型轉(zhuǎn)換、張量的數(shù)值計算、張量運算函數(shù)、張量索引操作、張量形狀操作、張量拼接操作、自動微分模塊；案例：實現(xiàn)線性回歸

神經(jīng)網(wǎng)絡

• 神經(jīng)網(wǎng)絡基礎：多層感知機、激活函數(shù)、初始化方式、神經(jīng)網(wǎng)絡搭建
• 神經(jīng)網(wǎng)絡的學習：數(shù)據(jù)驅(qū)動、損失函數(shù)、梯度下降法、學習算法的實現(xiàn)
• 反向傳播算法（核心算法）：計算圖、鏈式法則、算法原理、算法實現(xiàn)
• 學習方法的優(yōu)化：參數(shù)更新、權重初始值、正則化、學習率衰減、梯度消失和梯度爆炸
• 神經(jīng)網(wǎng)絡案例：房價預測

卷積神經(jīng)網(wǎng)絡

• CNN：圖像基礎、卷積層計算、池化層作用及分類、全連接層、API
• CNN案例：服裝分類

循環(huán)神經(jīng)網(wǎng)絡

• RNN：詞嵌入層作用及API、循環(huán)網(wǎng)絡層原理及API
• RNN案例：古詩生成

項目一：智圖尋寶

• 1. 掌握卷積神經(jīng)網(wǎng)絡（CNN）進行圖片特征提取。
• 2. 運用遷移學習。
• 3. 熟悉特征向量檢索及相似度計算方法。
• 4. 能夠進行大規(guī)模數(shù)據(jù)處理，如使用索引技術。
• 5. 熟練使用PyTorch框架構建、訓練和優(yōu)化模型。
• 6. 運用Torchvision處理圖像相關任務。
• 7. 進行數(shù)據(jù)預處理與增強提升模型魯棒性。
• 8. 結(jié)合工具進行大規(guī)模特征向量高效檢索。

• 1、理解 NLP 的概念、發(fā)展歷史和應用場景。
• 2、掌握文本預處理的方法，包括文本張量表示、特征處理和數(shù)據(jù)增強等。
• 3、熟悉 RNN、LSTM、GRU 模型的概念、作用和結(jié)構特點，以及對應的 API。
• 4、了解注意力機制的概念和實現(xiàn)步驟，掌握 Seq2Seq 結(jié)構及添加注意力機制的方法。
• 5、理解 Transformer 架構，包括各層結(jié)構和編碼器 - 解碼器結(jié)構實現(xiàn)。
• 6、掌握 fastText 工具的作用、安裝和文本分類方法，以及詞向量遷移技巧。

NLP核心

• NLP概念、發(fā)展歷史、應用場景
• 文本預處理：概念、主要環(huán)節(jié)、基本方法、文本張量的表示方法、文本數(shù)據(jù)分析、文本特征處理、文本數(shù)據(jù)增強
• 多個Embedding模型評估：mteb榜單
• RNN模型概念和結(jié)構特點、作用、分類、RNN模型內(nèi)部結(jié)構、API
• LSTM模型概念和作用、LSTM模型結(jié)構特點、API、BI-LSTM介紹
• GRU模型概念和作用、GRU模型結(jié)構特點、API
• 注意力機制概念和實現(xiàn)步驟、Seq2Seq結(jié)構、Seq2Seq編碼和解碼、Seq2Seq添加注意力機制qkv、Seq2Seq添加注意力機制解碼、案例
• Transformer架構、文本嵌入層、位置編碼器層、掩碼張量、注意力機制、多頭注意力、前饋全連接層、規(guī)范化層，子層連接結(jié)構、編碼器層、編碼器、解碼器層、解碼器、編碼器 - 解碼器結(jié)構實現(xiàn)、Transformer模型構建
• Transformer源碼梳理
• BERT模型介紹、Embedding模塊、雙向Transformer模塊、預微調(diào)模塊、預訓練任務MLM、預訓練任務NSP
• BERT周邊、BERT變體模型、多個BERT模型訓練對比
• NLP工具介紹、fastText工具作用、優(yōu)勢、安裝、模型架構、層次softmax原理、負采樣原理
• fastText文本分類概念、種類、文本分類過程、API、模型參數(shù)調(diào)優(yōu)
• fastText詞向量遷移概念、可遷移的詞向量模型、fastText進行詞向量遷移
• 遷移學習、NLP預訓練模型簡介、Transformers庫
• ELMO模型簡介、架構、預訓練任務、模型效果、改進
• GPT模型簡介、架構

項目二：AI智評

• 1. 熟悉Transformer、BERT、FastText等深度學習技術。
• 2. 掌握數(shù)據(jù)收集、清洗、標注及預處理方法。
• 3. 能使用PyTorch框架搭建、訓練和微調(diào)模型。
• 4. 了解在線推理服務部署及批量數(shù)據(jù)處理。
• 5. 會使用可視化工具展示分析結(jié)果。
• 6. 具備持續(xù)迭代和優(yōu)化模型的能力。

項目三：智薦圖譜

• 1. 掌握深度學習框架PyTorch。
• 2. 熟悉Transformer架構和圖神經(jīng)網(wǎng)絡。
• 3. 運用自然語言處理技術進行分詞、命名實體識別等。
• 4. 了解多種數(shù)據(jù)庫存儲知識圖譜及結(jié)構化數(shù)據(jù)。
• 5. 會用Elasticsearch構建搜索系統(tǒng)。
• 6. 掌握協(xié)同過濾算法和深度學習推薦模型。
• 7. 能夠進行數(shù)據(jù)采集、清洗和特征工程。
• 8. 構建知識圖譜的實體識別、關系抽取和三元組生成。
• 9. 實現(xiàn)模型部署和提供推理服務。
• 10. 應對海量數(shù)據(jù)處理、數(shù)據(jù)質(zhì)量等項目挑戰(zhàn)。

項目四：項目實戰(zhàn)之智選新聞（三選一）

• 1. 掌握Transformer模型與BERT預訓練模型應用。
• 2. 運用PyTorch框架構建、訓練及部署模型。
• 3. 進行新聞數(shù)據(jù)收集、清洗、分詞與編碼。
• 4. 實現(xiàn)新聞分類、個性化推薦、新聞摘要的模型微調(diào)。
• 5. 運用相應評估指標評估各任務模型性能。
• 6. 利用Matplotlib可視化模型訓練及性能情況。
• 7. 封裝模型為API服務并優(yōu)化推理速度。
• 8. 基于用戶行為構建用戶畫像做個性化推薦。
• 9. 展示分類新聞、推薦新聞及新聞摘要內(nèi)容。

項目四：項目實戰(zhàn)之智醫(yī)助手（三選一）

• 1. 掌握Transformer和BERT等自然語言處理技術。
• 2. 運用PyTorch框架構建、訓練及部署模型。
• 3. 進行醫(yī)療對話數(shù)據(jù)收集、清洗、標注與文本處理。
• 4. 實現(xiàn)意圖識別、實體抽取、對話生成的模型微調(diào)。
• 5. 開發(fā)API接口并集成前后端應用。
• 6. 利用Matplotlib進行數(shù)據(jù)可視化與分析。
• 7. 構建醫(yī)療知識圖譜與常見問題答疑庫。
• 8. 跟蹤對話狀態(tài)與管理上下文。
• 9. 確保數(shù)據(jù)安全與隱私保護。
• 10. 按階段推進項目實施與持續(xù)維護更新。

項目四：項目實戰(zhàn)之AI智教（三選一）

• 1. 掌握Transformer和BERT模型應用。
• 2. 運用PyTorch框架構建、訓練及部署模型。
• 3. 利用Pandas、NumPy進行數(shù)據(jù)處理與分析。
• 4. 進行多源學習數(shù)據(jù)收集、清洗、特征工程與編碼。
• 5. 實現(xiàn)學習情況預測、情感分析等模型訓練及優(yōu)化。
• 6. 部署模型并提供穩(wěn)定API接口與實時分析反饋。
• 7. 運用Matplotlib等工具生成可視化報告。
• 8. 遵循數(shù)據(jù)隱私法規(guī)處理敏感信息。
• 9. 按階段推進項目實施及功能迭代。

• 1、理解 LLaMA 和 Qwen 系列模型的核心原理。
• 2、掌握大模型微調(diào)的方法，包括核心要素、數(shù)據(jù)收集與評估、各種技術及參數(shù)設置等。
• 3、熟悉 NLP 常規(guī)任務方案設計，能搭建大模型訓練環(huán)境并理解微調(diào)代碼。
• 4、了解多模態(tài)技術，掌握 Vit、CLIP、ALBEF 等多模態(tài)模型的核心原理。
• 5、能夠運用大模型內(nèi)容生成技術解決實際問題。

大模型微調(diào)核心

• LLaMA系列模型核心原理詳解
• GLM系列模型核心原理詳解
• Qwen系列模型核心原理講解
• DeepSeek系列模型核心原理講解
• 大模型微調(diào)概述、核心要素、數(shù)據(jù)收集與評估
• 大模型Tuning、PEFT、全參數(shù)微調(diào)技術詳解
• 大模型CoT/ToT/GoT/AoT技術詳解
• 大模型DPO、內(nèi)容生成技術詳解
• NLP常規(guī)任務方案設計
• 大模型訓練環(huán)境搭建、微調(diào)代碼詳解、微調(diào)參數(shù)詳解

項目五：智服在線

• 1. 環(huán)境搭建：配置多GPU服務器及安裝必要的軟件和驅(qū)動。
• 2. 數(shù)據(jù)處理：收集并清洗大規(guī)模語料，設計多樣化的指令模板。
• 3. 模型微調(diào)：開發(fā)支持多模型和框架的微調(diào)代碼，采用LoRA或全參數(shù)微調(diào)Qwen2.5。
• 4. 性能評估：建立包含自動和人工評價的全面評估體系。
• 5. 部署與接口：將模型封裝為服務，并設計安全的RESTful API接口。
• 6. 前端開發(fā)：使用主流前端框架構建用戶交互界面，實現(xiàn)對話和配置功能。

項目六：項目實戰(zhàn)之保險反詐（三選一）

• 1. 掌握深度學習技術（DNN、CNN、RNN）。
• 2. 運用PyTorch框架構建和訓練模型。
• 3. 進行數(shù)據(jù)采集、清洗和預處理。
• 4. 實施特征工程與降維。
• 5. 實現(xiàn)模型融合提升預測性能。
• 6. 部署模型為微服務提供API。
• 7. 利用Matplotlib進行數(shù)據(jù)可視化。
• 8. 構建告警系統(tǒng)處理高風險請求。

項目六：項目實戰(zhàn)之AI學情（三選一）

• 1. 掌握深度學習技術。
• 2. 運用PyTorch框架構建和訓練模型。
• 3. 進行數(shù)據(jù)收集、清洗、預處理和特征工程。
• 4. 實現(xiàn)模型融合與優(yōu)化。
• 5. 部署模型提供API接口進行實時預測。
• 6. 利用Matplotlib進行數(shù)據(jù)可視化展示。
• 7. 生成學習情況報告和個性化學習建議。

項目六：項目實戰(zhàn)之智薦廣告（三選一）

• 1. 掌握深度學習技術。
• 2. 運用PyTorch框架構建和訓練模型。
• 3. 進行數(shù)據(jù)收集、清洗、預處理及特征工程。
• 4. 實現(xiàn)模型融合與優(yōu)化。
• 5. 部署模型提供實時預測服務。
• 6. 利用Matplotlib進行數(shù)據(jù)可視化。
• 7. 展示個性化廣告并生成報告。

項目七：RAG項目

• 1. 環(huán)境搭建：配置多GPU服務器及安裝必要的軟件和驅(qū)動。
• 2. 數(shù)據(jù)處理：收集并清洗大規(guī)模語料，設計多樣化的指令模板。
• 3. 檢索模塊：實現(xiàn)高效文本檢索算法，設計上下文感知的檢索策略
• 4. 模型微調(diào)：開發(fā)支持多模型和框架的微調(diào)代碼，采用LoRA或全參數(shù)微調(diào)Qwen2.5。
• 5. RAG集成：將檢索模塊與生成模塊集成，實現(xiàn)端到端的問答系統(tǒng)。
• 6. 性能評估：建立包含自動和人工評價的全面評估體系。
• 7. 部署與接口：將模型封裝為服務，并設計安全的RESTful API接口。
• 8. 前端開發(fā)：使用主流前端框架構建用戶交互界面，實現(xiàn)對話和配置功能。

多模態(tài)核心原理

• 多模態(tài)技術概述
• Vit模型核心原理詳解
• CLIP模型核心原理詳解
• ALBEF模型核心原理詳解
• BLIP/BLIP - 2模型核心原理詳解
• LLaVA模型核心原理詳解
• Qwen - VL模型核心原理詳解

項目八：多模風控

• 1. 掌握Transformer模型處理文本數(shù)據(jù)的應用。
• 2. 運用Stable Diffusion第三方API處理圖像數(shù)據(jù)。
• 3. 利用PyTorch構建和訓練模型。
• 4. 進行文本和圖像數(shù)據(jù)的收集、清洗及預處理。
• 5. 實現(xiàn)文本與圖像特征的提取及多模態(tài)融合。
• 6. 部署模型并提供API接口用于實時監(jiān)控。
• 7. 運用Matplotlib進行數(shù)據(jù)可視化展示風險報告。
• 8. 構建風險評估模型預測風險等級并處理預警。

• 1、掌握強化學習基礎方法及神經(jīng)網(wǎng)絡與強化學習結(jié)合應用。
• 2、熟悉先進強化學習算法并具備解決實際問題的能力。

強化學習基礎理論

• 老虎機問題、馬爾可夫決策過程、貝爾曼方程、動態(tài)規(guī)劃法、蒙特卡羅方法、TD方法

深度強化學習

• 神經(jīng)網(wǎng)絡和Q學習、DQN、策略梯度法

基于強化學習微調(diào)大模型

• A2C算法、PPO（近端策略優(yōu)化）、RLHF（基于人類反饋的強化學習）

• 1. 掌握指令模型和推理模型提示詞規(guī)則
• 2. 掌握常見的大模型使用方式
• 3. 掌握大模型提升工作效率的常用方式，包括常見使用場景、大模型結(jié)合辦公軟件、AI Agent及工作流搭建方式

大模型應用

• 1. 掌握指令模型和推理模型提示詞規(guī)則
• 2. 掌握常見的DeepSeek大模型部署或使用方式
• 3. 常用的大模型使用場景
• 4. 大模型+辦公軟件提升工作效率
• 5. 個人知識庫搭建
• 6. AI Agent介紹和搭建（Coze、Dify在線平臺使用，Dify本地部署）
• 7. 工作流介紹和搭建（Coze、Dify實現(xiàn)）

• 1、從技術和項目兩個角度按照企業(yè)面試要求帶領同學們復習。
• 2、手把手簡歷指導，讓同學們順利通過簡歷篩選。

精讀國際高水平大模型論文

• 精讀人工智能發(fā)展史上的經(jīng)典論文，例如Transformer，GPT等模型的原始論文等。

就業(yè)面試題講解

• 1、串講所學的所有技術點。
• 2、串講所有學過的項目。
• 3、對所有串講的過的面試題和項目進行考試。

就業(yè)簡歷指導

• 1、簡歷指導、職業(yè)規(guī)劃。
• 2、簡歷書寫（Word、網(wǎng)上）
• 3、模擬面試。