機器學習算法工程師
職業定義：機器學習算法工程師是具備中小企業（中小制造、電商、零售、服務等）全流程機器學習算法設計、訓練、優化與落地能力的專業技術人才，能提供數據預處理、輕量化算法選型、模型訓練與調優、低成本部署、業務效果評估等服務，聚焦解決中小主體 “算法門檻高（92% 中小企不會用專業算法工具）、落地成本重（定制算法項目費用超 8 萬元）、業務貼合弱（80% 通用模型無法匹配細分需求）、技術維護難（88% 企業無算法維護能力）” 等痛點，推動機器學習從 “科研技術” 向 “中小企可落地的業務增效工具” 轉型，助力中小主體實現 “算法驅動決策 + 運營效率提升 + 成本優化” 統一。
證書等級：高級 考培周期：45天
主辦單位：中小企業合作發展促進中心
咨詢電話：15666739999
中小企業合作發展促進中心機器學習算法工程師職業技能培訓
一、機器學習算法工程師職業定義
機器學習算法工程師是具備中小企業（中小制造、電商、零售、服務等）全流程機器學習算法設計、訓練、優化與落地能力的專業技術人才，能提供數據預處理、輕量化算法選型、模型訓練與調優、低成本部署、業務效果評估等服務，聚焦解決中小主體 “算法門檻高（92% 中小企不會用專業算法工具）、落地成本重（定制算法項目費用超 8 萬元）、業務貼合弱（80% 通用模型無法匹配細分需求）、技術維護難（88% 企業無算法維護能力）” 等痛點，推動機器學習從 “科研技術” 向 “中小企可落地的業務增效工具” 轉型，助力中小主體實現 “算法驅動決策 + 運營效率提升 + 成本優化” 統一。
二、機器學習算法工程師主要職責
- 數據預處理與特征工程：針對中小企業碎片化數據（Excel 表格、ERP 日志、電商訂單數據），用輕量工具（Python pandas、numpy）完成數據清洗（缺失值 / 異常值處理）、特征提取（如電商用戶消費頻次 / 金額特征），確保數據滿足算法輸入要求（數據準確率從 65% 提升至 95%）；
- 輕量化算法選型：適配中小企場景（制造質量檢測、電商用戶畫像、零售銷量預測），選擇低成本高適配算法（如分類任務用邏輯回歸 / 隨機森林、回歸任務用線性回歸 / XGBoost、圖像檢測用輕量 CNN 如 MobileNet），避免 “盲目追求復雜深度學習模型”，降低開發成本 70% 以上；
- 模型訓練與調優：用中小企適配工具（Scikit-learn、LightGBM、TensorFlow Lite）開展模型訓練，通過網格搜索、交叉驗證等簡易方法調優參數（如調整隨機森林樹深度、XGBoost 學習率），將模型準確率從 70% 提升至 85% 以上；
- 低成本部署落地：采用中小企可承受的部署方式（本地 PC 部署、輕量云服務器部署、邊緣設備部署），用 ONNX、TensorRT 等工具優化模型（模型體積壓縮 50%，推理速度提升 40%），月均運維成本控制在 300 元以內；
- 業務效果評估與優化：建立算法效果與業務指標的關聯（如制造質檢算法準確率→不良品率下降、電商推薦算法→轉化率提升），定期跟蹤效果，基于業務反饋迭代模型（如根據零售銷量波動調整預測模型特征）；
- 技術對接與培訓：協助中小企對接現有業務系統（如制造 MES 系統、電商 CRM 系統），將算法模型嵌入業務流程（如在質檢環節嵌入圖像識別模型），培訓企業員工使用模型輸出結果（提供可視化操作手冊）。
三、機器學習算法工程師行業背景
當前中小企業機器學習應用面臨 “三大落地斷層”：一是技術斷層（95% 中小企 IT 人員僅掌握基礎編程，不會用 Scikit-learn、LightGBM 等算法工具，技術儲備不足）；二是成本斷層（78% 企業因 “算法開發超 8 萬、服務器年租超 1.5 萬” 望而卻步，低成本方案認知缺失）；三是場景斷層（85% 通用模型如 “通用圖像識別”，無法匹配中小企 “制造零件缺陷檢測”“電商細分品類推薦” 等需求，落地后使用率不足 25%）。
隨著 “人工智能 + 中小企業” 政策深化，2025 年中小企機器學習應用需求同比增長 130%，其中 “輕量化算法 + 場景化落地” 需求占比超 90%—— 智聯招聘 2025Q3 數據顯示，機器學習算法工程師崗位平均薪資達 72 萬元 / 年，中小主體崗位空缺率超 75%，預計到 2030 年全國需求超 350 萬人，其中適配中小場景的實戰型人才缺口占比 98%，成為中小企智能化轉型的核心剛需。
四、機器學習算法工程師政策背景
- 法規依據：《中華人民共和國人工智能法（草案）》明確 “支持中小企業開展人工智能算法應用，培育專業技術人才”；《“十四五” 人工智能發展規劃》要求 “推廣輕量化機器學習算法，降低中小企業應用門檻，培育適配人才”；
- 政策導向：工信部《中小企業數字化轉型指南（2025 版）》提出 “培育機器學習算法人才，幫助中小企業用算法優化生產經營，如質量檢測、需求預測”；地方政府如浙江、廣東、江蘇出臺 “中小企業 AI 算法補貼政策”，對算法應用項目給予 30%-60% 費用補貼，對人才培訓給予人均 3000-6000 元補貼；
- 行業支持：云廠商（阿里云、騰訊云、華為云）推出 “中小企機器學習扶持計劃”，提供免費算法工具（如阿里云 PAI-DSW 免費版、騰訊云 TI-ONE 輕量版）、輕量服務器折扣（年租低至 800 元）；開源社區（Scikit-learn、LightGBM）聯合高校推出 “中小企算法落地指南”，提供免費教程與數據集；地方政府將機器學習算法工程師納入 “人工智能緊缺人才庫”，給予落戶、購房補貼等政策支持，為就業與技術落地提供保障。
五、機器學習算法工程師認證單位
中小企業合作發展促進中心前身是 1982 年國務院經濟體制改革委員會設立的中小企業國際合作促進會，2001 年依據《事業單位登記管理暫行條例》登記為事業單位法人，屬公益服務性事業單位，也是全國中小企業服務體系的核心成員單位；中心以服務中小企業為宗旨，既提供發展研究、合作交流組織、培訓、信息咨詢、外事代理等服務，又堅決貫徹《中華人民共和國中小企業促進法》及國家相關政策，推動中小企業高質量發展，搭建政府與企業、企業與社會組織（機構）/ 企業、中外中小企業間的溝通合作平臺，為中小企業在政策引導、法律咨詢、投融資、國際合作等方面提供全方位策劃咨詢，并開展咨詢、金融合作、國際交流、教育培訓等跟蹤式服務；同時，中心依托中小企業綜合服務平臺構建綜合服務體系，無償向企業提供《今日經濟》內刊電子信息、《政策解讀》和《財稅動態》季刊，秉承 “服務誠信敬業創新” 的理念，通過舉辦或參加論壇、展會、培訓等活動，助力企業優化管理、提高市場競爭力、增加城鎮就業機會，且下設秘書處、研究發展、教育培訓、金融合作、國際合作、信息交流、咨詢服務、會員服務、地方服務、行業服務等部門。
六、機器學習算法工程師核心優勢
- 精準適配中小場景：聚焦中小企 “預算有限、數據量小、業務細分” 特點，提供 “輕量化算法方案”（不用復雜深度學習框架，用 Scikit-learn+LightGBM 實現 80% 業務需求，開發成本降低 85%），配套中小企專屬模板（如制造質檢模板、電商用戶畫像模板）；
- 全流程實戰導向：覆蓋 “數據預處理 - 算法選型 - 模型訓練 - 部署落地 - 效果優化” 全流程，通過 “中小企真實業務案例 + 工具實操”（如為制造企業開發零件缺陷檢測算法、為電商開發用戶流失預測模型）提升能力，直接解決落地痛點；
- 成本與效果雙優：既傳授低成本開發技巧（免費開源工具、云廠商免費額度、輕量硬件部署），又聚焦業務價值轉化（如質檢算法替代 40% 人工，年省成本 8 萬元；銷量預測模型降低庫存積壓 30%）；
- 政策與資源雙賦能：解讀算法項目補貼、云資源折扣政策，依托中心平臺對接云廠商（提供中小企業專屬算法工具額度與服務器折扣）、開源社區（獲取定制化算法優化支持）、數據集廠商（提供行業細分數據集優惠）；
- 市場需求剛需強：99% 開展智能化轉型的中小企需配備該類人才，持證者可勝任企業算法開發主管、智能項目負責人、中小 AI 算法服務工作室創始人等崗位，幫助企業算法應用落地率從 15% 提升至 90%。
七、機器學習算法工程師課程優勢
- 針對性強：聚焦中小企高頻場景（制造質量檢測 / 設備故障預測、電商用戶畫像 / 推薦、零售銷量預測 / 庫存優化、服務行業客戶留存預測），重點解決 “不會預處理數據、不會選算法、不會訓模型、不會部署落地” 等問題，避免大型企業復雜技術（如分布式訓練、深度學習大模型）冗余；
- 師資專業實戰：由中小企 AI 算法顧問（12 年以上中小場景算法落地經驗）、開源算法庫貢獻者（Scikit-learn/LightGBM 生態開發者）、云廠商算法專家（阿里云 PAI / 騰訊云 TI-ONE 技術團隊）、行業算法工程師（制造 / 電商 / 零售細分領域）聯合授課，兼具算法深度與中小企落地經驗；
- 模式高效落地：采用 “理論講解 + 工具實操 + 案例拆解 + 項目實戰” 模式，通過真實案例（如某中小制造企業用輕量 CNN 開發零件缺陷檢測算法，質檢效率提升 60%；某電商用 XGBoost 開發用戶流失模型，挽留率提升 22%）、現場實操（從數據預處理到模型部署全流程演練）提升能力；
- 內容實時更新：緊跟工具升級（Scikit-learn 新算法、LightGBM 優化功能）、政策動態（AI 算法合規新規）、行業趨勢（聯邦學習輕量化應用、邊緣端算法部署），納入中小企數據安全合規（如算法訓練數據脫敏、模型輸出可解釋性優化）；
- 配套資源完善：課后提供《中小企機器學習算法工具包》（70 + 算法腳本、50 + 場景化模板、25 + 行業案例方案）、算法資源對接群、終身免費技術更新課程，提供 1 年云廠商免費算法工具額度與輕量服務器試用資格。
八、機器學習算法工程師課程知識點
（一）法規與算法基礎模塊
- 職業核心認知：機器學習算法工程師職業定義、能力模型（數據處理 + 算法應用 + 模型訓練 + 部署維護 + 業務對接）、職業規范（數據保密、合規開發、算法公平性，禁止算法歧視與濫用）；
- 核心法規解讀：
- 合規要求：《個人信息保護法》在算法中的應用（訓練數據脫敏、用戶隱私保護，如用戶 ID 匿名化）、《生成式人工智能服務管理暫行辦法》對算法數據來源的要求（數據合法合規，禁止使用侵權數據）；
- 行業規范：開源算法庫使用協議（如 Scikit-learn 的 BSD 協議、LightGBM 的 MIT 協議）、云廠商算法工具使用規則（如調用頻率限制、數據存儲要求）；
- 算法基礎理論：
- 算法類型：中小企適配算法（分類算法：邏輯回歸、隨機森林、LightGBM；回歸算法：線性回歸、XGBoost；聚類算法：K-Means；輕量圖像算法：MobileNet、YOLOv5-nano），避免千億參數深度學習模型；
- 核心概念：特征工程（特征選擇、特征編碼、特征歸一化）、模型評估指標（分類：準確率、召回率、F1-score；回歸：MAE、RMSE、R²；聚類：輪廓系數）、過擬合 / 欠擬合處理（正則化、交叉驗證、數據增強）；
- 選型原則：中小企優先 “簡單易懂、易實現、低成本”（如二分類任務用邏輯回歸 / 隨機森林，多分類用 LightGBM，圖像檢測用 YOLOv5-nano）。
（二）數據預處理與特征工程模塊
- 數據預處理實操：
- 數據清洗：處理中小企常見數據問題（缺失值：數值型用均值 / 中位數填充，分類型用眾數填充；異常值：用箱線圖識別，輕微異常用截斷法，嚴重異常刪除；重復值：用 Python drop_duplicates 刪除）；
- 數據格式轉換：非結構化數據處理（如制造質檢圖像數據：用 OpenCV resize 統一尺寸、灰度化簡化；電商文本評論：用 jieba 分詞、TF-IDF 轉換為結構化特征）；
- 工具應用：Python pandas（數據清洗核心庫，如 fillna、dropna 函數）、numpy（數值計算，如數組歸一化）、OpenCV（圖像預處理）、jieba（文本分詞）；
- 特征工程實操：
- 特征提取：結構化數據（電商用戶數據：提取 “消費頻次 = 總訂單數 / 月份數”“客單價 = 總消費額 / 總訂單數”）、非結構化數據（制造設備日志：提取 “故障間隔時間”“平均運行溫度”）；
- 特征優化：特征選擇（用方差選擇法、互信息法篩選核心特征，如銷量預測保留 “促銷活動”“節假日”“歷史銷量” 3-5 個核心特征）、特征編碼（分類型特征：One-Hot 編碼、標簽編碼；時間特征：提取 “月份”“星期”“是否節假日”）、特征歸一化（Min-Max 歸一化、標準化，適配邏輯回歸 / 線性回歸等對量綱敏感的算法）；
- 實戰案例：某中小零售企業 “銷量預測數據預處理”（清洗 3 個月銷售數據→提取 “促銷”“溫度”“周末” 特征→歸一化處理→輸出訓練數據集）。
（三）核心算法原理與選型模塊
- 分類算法實操：
- 邏輯回歸：原理（Sigmoid 函數映射）、實操（用 Scikit-learn 的 LogisticRegression，處理電商 “用戶流失預測” 二分類任務，特征：消費頻次、最近消費時間、客單價，準確率達 85%）；
- 隨機森林：原理（多棵決策樹集成）、實操（用 Scikit-learn 的 RandomForestClassifier，處理制造 “零件合格 / 不合格” 分類，特征：尺寸偏差、表面粗糙度、重量，召回率達 90%）；
- LightGBM：原理（梯度提升樹）、實操（用 lightgbm 庫，處理零售 “客戶價值分類” 多分類任務，特征：消費金額、消費頻次、忠誠度，F1-score 達 88%）；
- 回歸算法實操：
- 線性回歸：原理（最小二乘法擬合）、實操（用 Scikit-learn 的 LinearRegression，處理中小企 “月度銷量預測”，特征：歷史銷量、廣告投入、促銷力度，R² 達 0.82）；
- XGBoost：原理（極端梯度提升）、實操（用 xgboost 庫，處理制造 “設備能耗預測”，特征：運行時長、負載率、環境溫度，RMSE 控制在 5% 以內）；
- 輕量圖像算法實操：
- MobileNet：原理（深度可分離卷積，模型體積小）、實操（用 TensorFlow Lite 加載預訓練 MobileNet 模型，微調后用于制造 “零件表面缺陷檢測”，識別準確率達 89%，模型體積＜100MB）；
- YOLOv5-nano：原理（單階段目標檢測）、實操（用 ultralytics 庫，處理零售 “貨架商品計數”，檢測速度達 30FPS，適配普通 PC 部署）；
（四）模型訓練與調優模塊
- 模型訓練實操：
- 訓練流程：數據劃分（訓練集 70%、驗證集 20%、測試集 10%，用 train_test_split 函數）、模型初始化（如隨機森林 n_estimators=100、max_depth=5）、模型訓練（fit 函數）、模型預測（predict 函數）；
- 工具應用：Scikit-learn（傳統機器學習算法訓練）、TensorFlow Lite（輕量圖像模型訓練）、Jupyter Notebook（代碼編寫與可視化，適合中小企分步調試）；
- 實戰案例：某中小電商 “用戶流失預測模型訓練”（劃分數據集→初始化 LightGBM 模型→訓練→測試集評估，準確率 86%、召回率 82%）；
- 模型調優實操：
- 超參數調優：簡易方法（網格搜索 GridSearchCV：如隨機森林調優 n_estimators=50/100/200、max_depth=3/5/7；隨機搜索 RandomizedSearchCV：降低調優時間，適配中小企數據量）；
- 過擬合處理：正則化（邏輯回歸用 L1/L2 正則化，參數 C 調整）、交叉驗證（5 折交叉驗證，避免數據過擬合）、數據增強（圖像數據：旋轉、翻轉；結構化數據：輕微擾動特征值）；
- 調優案例：某制造企業 “零件缺陷檢測模型調優”（初始 MobileNet 模型準確率 82%→增加數據增強→調優學習率→準確率提升至 89%）；
- 模型可解釋性優化：
- 中小企適配方法：特征重要性分析（用隨機森林 feature_importances_、LightGBM plot_importance，展示核心特征貢獻）、SHAP 值簡化版（用 shap 庫生成簡化可視化報告，解釋模型預測邏輯，如 “用戶流失預測中，‘最近 30 天無消費’貢獻度最高”）。
（五）模型輕量化部署模塊
- 部署環境搭建：
- 本地部署：普通 PC 環境（Windows/Linux 系統，安裝 Python + 必要庫，適合中小企小流量場景）、邊緣設備部署（如樹莓派 4B，安裝 TensorFlow Lite，適配制造質檢現場）；
- 云部署：輕量云服務器（阿里云 ECS 輕量版、騰訊云輕量應用服務器，配置 2 核 4G 即可，年租低至 800 元）、云廠商算法平臺（阿里云 PAI-EAS、騰訊云 TI-ONE，一鍵部署模型為 API 服務）；
- 輕量化部署實操：
- 模型壓縮：用 ONNX 優化（將 Scikit-learn/LightGBM 模型轉換為 ONNX 格式，體積壓縮 40%，推理速度提升 30%）、TensorRT 加速（對 TensorFlow Lite 模型加速，適配圖像檢測場景，推理速度提升 50%）；
- 部署方式：API 服務部署（用 FastAPI 將模型封裝為 API，企業業務系統通過 HTTP 請求調用，如制造 MES 系統調用質檢模型 API）、桌面應用部署（用 PyQt5 將模型打包為.exe 文件，員工雙擊即可使用，無需編程基礎）；
- 部署案例：某零售企業 “銷量預測模型部署”（將 XGBoost 模型轉換為 ONNX→用 FastAPI 封裝 API→部署到輕量云服務器→零售 ERP 系統調用 API 獲取每日銷量預測，響應時間＜1 秒）；
- 部署監控與維護：
- 監控工具：用 Flask+Grafana 輕量版（監控模型調用次數、響應時間、錯誤率，設置預警閾值，如響應時間超 3 秒發送郵件提醒）；
- 維護計劃：每周備份模型與數據、每月用新數據更新模型（增量訓練，避免模型過時）、每季度檢查部署環境（更新依賴庫，修復安全漏洞）。
（六）行業專項應用與項目實戰模塊
- 行業專項應用：
- 制造行業：零件缺陷檢測（用 MobileNet+OpenCV，處理金屬零件表面劃痕 / 變形檢測，質檢效率提升 60%）、設備故障預測（用 XGBoost，基于設備運行數據預測故障概率，提前維護，停機時間減少 40%）；
- 電商行業：用戶畫像（用 K-Means+LightGBM，將用戶分為 “高價值”“潛力”“流失風險” 三類，針對性營銷）、商品推薦（用協同過濾 + LightGBM，基于用戶瀏覽 / 購買記錄推薦商品，轉化率提升 25%）；
- 零售行業：銷量預測（用 XGBoost + 時間序列特征，預測每日 / 每周銷量，指導采購，庫存積壓降低 30%）、客戶流失預測（用 LightGBM，識別流失風險客戶，開展挽留活動，留存率提升 22%）；
- 服務行業：客戶滿意度預測（用邏輯回歸，基于服務評價 / 消費記錄預測滿意度，提前干預低滿意度客戶，投訴率下降 50%）；
- 綜合實戰項目：
- 項目 1（制造方向）：中小制造零件缺陷檢測算法（需求：檢測金屬零件表面劃痕，準確率≥85%，部署到質檢現場 PC，開發工具：Python+OpenCV+MobileNet+ONNX，落地效果：質檢人工成本降低 40%，漏檢率從 15% 降至 3%）；
- 項目 2（電商方向）：中小電商用戶流失預測與挽留模型（需求：基于用戶消費數據預測流失風險，輸出挽留策略，開發工具：Python+pandas+LightGBM+FastAPI，落地效果：用戶流失率下降 28%，挽留客戶消費額提升 35%）；
- 項目 3（零售方向）：中小零售銷量預測與庫存優化系統（需求：預測每日生鮮銷量，指導采購量，開發工具：Python+XGBoost+Flask，落地效果：庫存損耗率從 20% 降至 8%，采購成本降低 15%）；
- 工具綜合應用：
- 全流程演練：從 “需求分析→數據采集與預處理→算法選型與訓練→模型調優→輕量化部署→效果監控” 全流程操作，提交可運行的模型與部署文檔；
- 業務對接驗證：將開發的算法模型對接企業真實數據（如制造零件圖像數據、電商用戶消費數據），現場測試模型效果，確保滿足業務需求。
九、機器學習算法工程師考核方式
- 理論考試（30%）：閉卷考查算法基礎、法規合規、工具原理（含單選題、多選題、簡答題），重點測試核心算法原理（如邏輯回歸、LightGBM）、模型評估指標、數據預處理方法；
- 實操考試（50%）：模擬中小企場景，完成算法開發任務（如 “為中小制造企業開發零件合格 / 不合格分類模型，用 Python 處理 1000 條零件數據，選擇隨機森林算法，訓練模型并評估，準確率≥85%”，提交代碼、模型文件與評估報告）；
- 案例答辯（20%）：提交中小企機器學習算法應用方案（如 “某中小零售企業銷量預測與庫存優化算法方案”），現場講解需求分析、算法選型、訓練過程、部署方式、預期業務效果，回應評委關于成本控制、合規性的提問。
十、機器學習算法工程師考培方式
- 培訓模式：線上 + 線下結合，線上提供理論課程、工具教程、算法腳本；線下開展工具實操（配備電腦，預裝 Python、Scikit-learn、LightGBM 等工具）、項目實戰（分組完成中小企真實項目）、企業參訪（智能化轉型成功的中小企，學習算法落地經驗）；
- 考試安排：每年 1/4/7/10 月最后一周周日為考試日，理論考試（線上機考，120 分鐘）+ 實操考試（線上提交算法項目文件）+ 案例答辯（線上視頻）相結合，考試通過后 45 個工作日出證；
- 資源支持：培訓期間提供云廠商免費算法工具額度（每人 100 小時）與輕量服務器試用（1 個月），協助對接中小企算法開發項目，提供 1 年就業推薦服務。
十一、機器學習算法工程師培訓對象
- 中小企業從業者（IT 部門人員、技術負責人、運營主管，需用算法優化業務）；
- 軟件開發從業者（后端 / 數據開發工程師，計劃轉型算法開發，適配中小企需求）；
- 待業 / 創業者（計劃從事機器學習算法工作，或創辦中小 AI 算法服務工作室）；
- 高校學生（計算機、數學、統計學、人工智能相關專業，適配中小企就業需求）；
- 傳統行業技術人員（如制造企業質檢人員、電商數據分析師，需提升算法開發能力）。
十二、機器學習算法工程師資料提供
- 身份證復印件 1 張；
- 兩寸藍底彩色照片 2 張（需提供高清電子版，用于證書制作）；
- 資質證明 1 份（學歷證書復印件，或 1 年以上數據 / IT 相關工作證明（如數據處理、Python 開發），應屆生提供學生證；持 Scikit-learn/LightGBM 認證證書者可優先報名）；
- 《機器學習算法工程師培訓報名表》1 份（由中心提供模板，如實填寫學習需求與技術相關經歷）。
十三、機器學習算法工程師考評周期
考試及格后 45 個工作日出證，證書統一由中小企業合作發展促進中心頒發，可在中心官方查詢網站（http://xczx.smec.org.cn/）驗證真偽，全國通用，可作為中小企業機器學習算法崗位招聘、技術能力評定的參考依據。
十四、中小企業合作發展促進中心考培項目
職業培訓師、供應鏈管理師、信息化辦公、招投標管理師、商業會計師、勞動關系協調師、企業合規咨詢師、ESG 分析師、ESG 咨詢師、財稅合規師、信用管理師、物流管理師、企業信息管理師、合規管理咨詢師、房地產經紀人、人力資源管理師、企業合規師、企業用工風險管理咨詢師、財務分析師、污廢水處理工程師、生成式人工智能輔助辦公、農業經理人、鄉俗推廣員、基層政策宣導員、全媒體運營師（農村直播電商）、報廢汽車拆解工程師、農產品選品師、數字鄉村信息員、建筑節能減排工程師、綠色建筑工程師、智能建造工程師、智慧物業管理師、智慧工地應用工程師、建筑工業化應用工程師、監理工程師、碳排放管理師、碳資產管理師、研學旅行指導師、生成式人工智能（AIGC）應用師 / 工程師、網絡信息安全工程師、人工智能應用管理師、人工智能訓練師、企業合規師、電氣工程師、平面設計師、園林綠化工程師、安全管理工程師、財務分析師、公共營養師、食品安全員、心理咨詢師、食品安全管理師、質量安全總監、食品安全檢測師、大數據分析與應用工程師、大模型應用開發工程師、機器學習算法工程師、AI 軟件應用工程師、IT 服務工程師、IT 運維工程師、檔案管理師、網絡主播。
課程內容以實際授課為準
