Day 88：【99天精通Python】实战篇（二）总结与复盘

Day 88：【99天精通Python】实战篇（二）总结与复盘 - 数据与智能的融合

恭喜你！🎉

经过 Day 71 到 Day 87 的项目实战，你已经完成了 Python项目篇 (一)和实战篇 (二)的修炼。

现在的你，已经不再仅仅是一个"会写代码"的程序员，你掌握了用 Python 解决真实世界问题的能力，无论是开发一个网站，还是训练一个预测模型。

今天，我们来对这 18 天的内容做一个系统的复盘，并展望最后冲刺的项目篇（二）。

我们将这部分内容划分为两大核心板块：

我们通过金融数据看板项目，将进阶篇的知识融会贯通。

后端 (Backend)：
- Flask框架搭建。
- Flask-SQLAlchemy定义数据模型 (ORM)。
- BaoStock API获取真实股票数据。
- Pandas进行数据清洗和指标计算 (MA)。
- API 设计，返回 JSON 给前端。
前端 (Frontend)：
- HTML/CSS搭建页面结构。
- JavaScript (Fetch API)异步请求后端数据。
- ECharts绘制交互式 K 线图。

我们系统地学习了 AI 开发的各个层面。

大语言模型 (LLM)：
- OpenAI API (Day 75)：接入 ChatGPT，实现多轮对话。
- LangChain (Day 76)：实现 RAG，让 AI 读取本地知识库。
计算机视觉 (CV)：
- OpenCV (Day 77)：图像/视频处理，实时人脸检测。
深度学习 (Deep Learning)：
- PyTorch (Day 78-79)：张量运算、自动求导、搭建神经网络 (MNIST 实战)。
传统机器学习 (Machine Learning)：
- Scikit-Learn (Day 82-87)：
  - 回归：线性回归 (房价预测)。
  - 分类：逻辑回归、决策树、随机森林、SVM (鸢尾花/泰坦尼克号)。
  - 聚类：K-Means (客户分群)。
  - 降维：PCA (手写数字可视化)。

问题	初学者思维	工程师思维
数据如何展示？	用`print()`	用Matplotlib/ECharts画图，或用Flask做成网页。
如何处理耗时任务？	让用户等着	用Celery异步处理，或用AsyncIO并发。
模型准不准？	跑一遍看看	用交叉验证和测试集评估，查看混淆矩阵、R² 分数。
特征怎么选？	凭感觉全扔进去	用特征重要性分析、PCA降维。
AI 不知道我的业务？	没办法	用LangChain RAG，给 AI “喂” 知识。

实战篇教了你很多"算法"和"模型"。接下来的项目篇（二），我们将挑战更接近真实工业界的大型项目，将所有知识串联起来。

我们即将挑战：

电商推荐系统：
- 结合Pandas用户行为分析和Scikit-Learn协同过滤算法。
- 用Flask搭建推荐 API。
AI 智能客服：
- 结合LangChain和Django。
- 让 AI 能够查询数据库，回答关于"我的订单状态"等问题。
自动驾驶目标检测 (简化版)：
- 结合PyTorch和OpenCV。
- 加载预训练的YOLO模型，对视频流进行实时车辆和行人检测。