专题一：AI编程代理与Python编程数据分析

1.AI智能+Python为什么是最佳搭配：科研效率、自动化程度、数据精度、批量处理能力、可控性与稳定性全面提升

2.AI编程代理工具（Codex、Claude Code等）原理：颠覆性本地编程范式

3.Codex、Claude Code等主流编程代理接入方式

4.人机协作让新手快速上手编程：“问-写-跑-改”四步循环法用自然语言零代码指挥AI完成数据分析任务

5.让AI成为你的“私人编程导师”：一句话解决Python学习困惑

6.零代码Python实战案例：

实战案例1：“市”还是“不市”，用Python代码标准化城市名称：

实战案例2：DID面板数据构建：县域城乡融合发展试点DID数据2010-2025构建

实战案例3：基于专利数据计算利用式创新和探索式创新

方法复刻参考文献：Guan J, Liu N. Exploitative and exploratory innovations in knowledge network and collaboration network: A patent analysis in the technological field of nano-energy[J]. Research policy, 2016, 45(1): 97-112.

专题二：AI驱动Python科研数据采集

1.网页信息请求：GET请求和POST请求

2.网页常见返回数据解析：纯文本、HTML、JSON格式解析

3.返回数据保存到本地路径：CSV、Excel、MySQL

4.常见反爬手段及其应对方式：请求头、验证码、IP封禁

5.高效数据采集手段：多进程、多线程

案例4：上市公司定期报告PDF自动化下载（年报为例）

案例5：经管社科常见期刊文章下载

案例6：政府网站政策文本数据采集

专题三：AI智能体、Skill开发与科研自动化

1.AI Agent原理、部署与配置：以OpenClaw安装与基础配置为例，手把手教你适配Mac / Windows环境

2.Skill开发：将常见任务封装为可复用模块的流程与使用方式，Skill工作流程设计思路；如何从社区中（clawhub、skillhub）获取实用skill，如何个性化改良已有skill

3.Skill + Python打造高效科研论文工作流

案例7：定制专属文献梳理机器人：结合个人研究领域，从多渠道文献数据库检索论文，提取论文研究问题、自变量因变量测量方式、研究结论、使用技术方法、研究贡献、局限性，并自动整理为表格。

案例8：定制多智能体协作选题系统：自动分析最新论文、关键词趋势和研究热点，生成候选主题配置智能体，一个负责生成选题，一个负责评估，一个负责整合，最终输出候选列表。

案例9：论文写作辅助与自动排版系统：自动整合文献、生成论文结构、完成引用整理并输出LaTeX或Word格式。

4.智能体时代，学者如何快速掌握计算社会科学、数据科学基础技术本质、内核，高效驾驭“人机协同”实证数据分析。

专题四：机器学习、深度学习与Skill构建

1.机器学习基本概念

（1)什么是机器学习？监督学习vs 无监督学习

（2)回归（Regression）与分类（Classification）的区别

（3)训练集、测试集、验证集

（4）常用机器学习模型评价指标

a）回归分析评价指标：MAE、MSE、RMSE、R²等

b）分类模型评价指标：准确率、精确率、召回率、F1值等

2. 数据准备与特征工程基础

（1)特征与标签

（2)使用Pandas 构造特征矩阵 X 和目标向量 y

（3)简单缺失值处理与数据标准化

3. 常见回归模型介绍与Python实现

（1)线性回归（LinearRegression）Python实现

a)带正则化的回归：

b惩罚性回归（LassoL1 正则，自动特征选择； Ridge）

c)弹性网络（ElasticNet，L1+L2 混合）

（2)树模型Python实现

a)决策树

b)随机森林

c)梯度提升树（GBDT）

d）因果森林（causal forests）

e）广义随机森林（GRF）

4.深度学习基础Python实现

神经网络基础

深度神经网络（DNN）

卷积神经网络（CNN，主要用于图像处理领域）

循环神经网络（RNN，处理序列数据如文本、音频、视频等)

5.双重机器学习原理与应用

双重机器学习原理及优势

基于EconML库实现双重机器学习(DDML)

学术图表输出:Python直接导出回归结果三线表

实战案例10：综合运用正则化回归、优化分布式梯度提升（XGBoost）和随机森林、神经网络审视因果效应

参考文献：

Hajime Shimao; , Sung Joo Kim; , Warut Khern-Am-Nuai, Maxime C. Cohen (2025) Revisiting the CEO Effect Through a Machine Learning Lens. Management Science 71(6):5396-5408.

实战案例11：机器学习Skill开发，自动复现顶刊双重机器学习因果推断部分

参考文献：

程中华,韩乐乐,李廉水.数据交易对企业数字创新的影响研究[J].科研管理,2025,46(10):31-39.

专题五：文本分析NLP与Skill构建

1．文本的预处理

a)从pdf文件（文字版/图片版）中提取文本和表格

b)jieba中文分词与深度学习分词模型pkuseg

c)nltk英文分词

d)文本断句

2．文本的表示方法与向量化

a)词频统计与句频统计

b)词云图

c)TF-IDF

d)词嵌入技术Word2Vec

e)Embedding模型：大语言模型和检索系统的核心技术基石

3．文本相似度计算（可计算信息含量差异性等）

a）基于字符串匹配的传统方法：余弦相似度、Jaccard 相似系数

b）基于统计与浅层语义的方法：TF-IDF 余弦相似度、Word Embedding加权平均

C）基于深度学习与深度语义的方法：Sentence Embeddings获取句子级别的向量表示

4．文本主题建模

a)LDA模型

b)DTM动态主题模型

c)BERTopic主题模型：超实用和强大的主题建模

5．文本情感分析

a)基于情感词典与规则的方法：词典法

b)基于机器学习的方法：朴素贝叶斯、支持向量机、逻辑回归、随机森林等

c）基于深度学习的方法：Word2Vec预训练词向量作为输入

实战案例12：使用Word2Vec算法构建数字专利词库，采用有监督机器学习（GBDT模型）将划分数字专利，同时对比Word2Vec、Embedding模型效果

参考文献：

周鹏,王卓,谭常春等.数字技术创新的价值——基于并购视角和机器学习方法的分析[J].中国工业经济,2024,(02):137-154.

实战案例13:文本分析Skill开发，自动基于BERTopic实现计算社会科学主题发现

参考文献：

Gupta P, Ding B, Guan C, Ding D. Generative AI: A systematic review using topic modelling techniques[J]. Data and Information Management, 2024, 8(1): 100066.

专题六：复杂网络、知识图谱与Skill构建

1.社会网络分析Python核心库简介：Networkx

2.网络构建与可视化：从矩阵、DataFrame等常见数据结构中构建网络

3.网络结构分析：社区划分（CDlib社区发现算法集合）、子群、模块度

4.网络节点分析

（1）常用指标：网络中心性（出/入度中心度、中介中心度、接近中心度、特征向量中心度）、结构洞指数、PageRank、TextRank等

（2）拓展指标：最短路距离、离心度、自我中心网络指标、网络直径、网络密度等

5.语义网络与知识图谱

6.图数据库：Neo4j核心机制和实操全解

实战案例14：上市公司供应链网络构建

参考文献：

陈雯,范茵子.企业供应链风险感知与合作关系稳定性[J].管理世界,2024,40(11):209-228.

实战案例15:基于GPT模型与neo4j图数据库构建人工智能专利知识图谱

参考文献：

周贞云,黄昭昭,邱均平.基于LLM与可视化的图数据库专利知识图谱构建及分析[J].情报杂志,1-9.

实战案例16：社会网络分析Skill开发，自动调用2010-2022高铁开通线路数据构建城市高铁网络

参考文献：

陈旭,邱斌,纪展鹏.城市网络嵌入、信息可得性与企业创新边界[J].经济研究,2025,60(06):57-76.

专题七：Python大语言模型应用与Skill构建

1.基于Transformer架构的大语言模型

a)Transformer的基本原理和结构、注意力机制；

b)编码器和解码器的结构；

c）Transformer大语言模型：Generative (decoder) models、Masked (encoder) language models

2.大语言模型FT50及中文顶刊应用总结

3.顶刊中基础大模型特点及Python调用：GPT、通义千问qwen3 模型、DeepSeek

4.ollama本地部署大模型

5.Prompt工程技术：

面向Python的AI高质量输出技巧

（1）精准输出技巧：如何人机结合用好AI，最大化减少偏误？

参考文献：Baumann, J., Röttger, P., Urman, A., Wendsjö, A., Plaza-del-Arco, F. M., Gruber, J. B., & Hovy, D. (2025).Large language model hacking: Quantifying the hidden risks of using LLMs for text annotation. arXiv.

（2）结构化输出技巧：输出Python代码可处理的数据结构

6.预训练模型的对比、训练及应用：BERT、Sentence BERT、Fin BERT、RoBERTa、DistilBERT、SciBERT、PatentSBERTa、HeBERT、ERNIE、RoBERTa

7.检索增强技术RAG及实战应用

实战案例17:结构化数据的记录连接（匹配）

大模型在不同数据集中匹配个体、地点、公司、组织、产品描述或学术论文等信息，大模型在记录连接方面表现出了巨大的潜力，以大语言模型完成大数据匹配任务：招聘数据与中国职业分类大典匹配为例进行讲解

参考文献：

张星民,张建清,刘小慧,等.外部技术断供、工作任务与企业劳动力需求结构——基于Transformer架构大数据文本挖掘的微观证据[J].数量经济技术经济研究,2025,42(09):72-93.

实战案例18:大模型工作流Skill开发，自动调用ERNIE模型测度企业数字化转型变量

参考文献：

金星晔,左从江,方明月,等.企业数字化转型的测度难题：基于大语言模型的新方法与新发现[J].经济研究,2024,59(03):34-53.

专题八：大语言模型挖掘多模态数据构建实证变量

1.大语言模型构建实证变量

实战案例19：用ChatGPT测量企业商业复杂度

参考文献：

Bernard, D., Blankespoor, E., de Kok, T., & Toynbee, S. (2026). Using GPT to measure business complexity. The Accounting Review, 1-36.

2.大语言模型进行情感分析

实战案例20：利用AI生成BERT+LSTM融合模型精准分析情感变化

核心方法参考文献：Ou Y, de Bruijn G, Schulz P. Social media as an emotional barometer: Bidirectional encoder representations from transformers–long short-term memory sentiment analysis on the evolution of public sentiments during influenza A on Sina Weibo[J]. Journal of Medical Internet Research, 2025, 27: e68205.

3.大语言模型测量文本相似度

实战案例21：采用无监督词嵌入方法Sentence-BERT计算余弦距离

核心方法参考文献：Bao, Jiayi. "Do makerspaces affect entrepreneurship? If so, who, how, and when?."Strategic Management Journal46.2 (2025): 502-533.

4.大语言模型从图片中提取结构化数据

实战案例22：大语言模型识别图片表情信息

核心方法参考文献：Momtaz P P. CEO emotions and firm valuation in initial coin offerings: an artificial emotional intelligence approach[J]. Strategic Management Journal, 2021, 42(3): 558-578.

5.大语言模型从音频中提取结构化数据

实战案例23：大语言模型识别公开音频信息

核心方法相关文献：CHENG, S.-Y. and GOLSHAN, N.M. (2025), Silent Suffering: Using Machine Learning to Measure CEO Depression. Journal of Accounting Research, 63: 689-767. 

专题九：大语言模型关系抽取与因果效应

1.大语言模型构建语义网络

实战案例24：基于Embedding模型企业跨界竞争网络构建

参考文献：

牛晓健,强皓凡,吕斌,等.企业跨界竞争与债务违约风险——基于机器学习与复杂网络方法[J].金融研究,2024,(03):150-168.

2.大语言模型动态生成节点重要性评估算法

实战案例25:LLM+结合进化算法分析上市公司供应链网络关键节点

参考文献：

Mao, Jinzhu, et al. "Identify critical nodes in complex network with large language models." arXiv preprint arXiv:2403.03962 (2024).

3.大语言模型+BERT+知识图谱综合应用

实战案例26:通过大模型与思维链提示法（CoT）和检索增强生成（RAG）技术，识别复杂语境中隐含关系，转化为结构化知识图谱

参考文献：Kai Li, Feng Mai, Rui Shen, Chelsea Yang, Tengfei Zhang, Dissecting Corporate Culture Using Generative AI,The Review of Financial Studies, Volume 39, Issue 1, January 2026, Pages 253–296, https://doi.org/10.1093/rfs/hhaf081.

4.基于大语言模型因果图发现与因果效应估计

案例27：基于因果图方法揭示特征变量与结果变量之间的因果关系

利用大语言模型(LLM)丰富知识和强大语义理解推理能力，基于贝叶斯网络，表示DAG节点及边，构建因果图结构，并进行因果图检验与因果效应估计

核心方法参考来源：张宁,林黄奕,聂小成.信用违约与机器学习：数据驱动的大语言模型因果推断方法[J].北方民族大学学报,2026,(01):158-167.

专题十：大语言模型与ABM建模

1.从社会学实验到行为仿真：系统、复杂系统，系统建模、复杂系统建模，主体建模（Agent-based Modeling，ABM）适用情境

2.python构建ABM模型简单地模拟玻尔兹曼财富模型：假设所有人生而平等，即持有相同的1单位资本，将1单位资本随机给一个其他的人，一个社会按这种规则不断演化产生的结果

3.ABM建模的一般方法

（1）构建环境：交互地图、数据收集器、智能体调度器

（2）构建智能体：智能体交互规则、智能体行为

（3）大语言模型和AI智能体在ABM建模中可以做什么

4.大语言模型模拟管理学情景实验

实战案例28：选择管理学顶刊经典实验，用GPT、Qwen和DeepSeek进行“硅基复制”，模拟实验

Cui, Z., Li, N. & Zhou, H. A large-scale replication of scenario-based experiments in psychology and management using large language models. Nat Comput Sci 5, 627–634 (2025). 

5.大语言模型模拟经济学博弈论实验

实战案例29：经济学ABM建模Skill开发，大型语言模型在博弈论实验中复现并预测人类合作

核心方法参考文献：Palatsi, A. C., Martin-Gutierrez, S., Cardenal, A. S., & Pellert, M. (2024).Large language models replicate and predict human cooperation across experiments in game theory. arXiv.

课程价格

价格：3699元（原价：4399）