掌握 Python 变量定义与命名规范、注释编写、解释器与动态类型机制、四大基本数据类型（整数、浮点数、字符串、布尔值）、算术与逻辑运算符，以及常用的数据类型转换技巧。

掌握 Python 条件分支判断（if-elif-else）、循环结构（for 与 while）、break 与 continue 流程控制，以及列表推导式基础与缩进语法。

掌握 Python 四大常用容器（列表 list、元组 tuple、字典 dict、集合 set）的定义与增删改查操作，理解浅拷贝与深拷贝的区别。

掌握 Python 函数定义（def）、位置与关键字参数、默认参数、*args 与 **kwargs 打包、返回值 return，LEGB 作用域法则、函数设计规范与静态类型标注 (Type Hints)。

掌握 Python 模块与包的结构架构、sys.path 查找与 __init__.py 机制，深入理解面向对象编程（OOP）中类、对象、继承、super() 与方法重写的核心概念。

掌握 Python 现代路径处理（pathlib）、文本与 JSON 文件安全读写（with/encoding）、try-except-finally 异常捕获机制，以及 pdb 单步调试与 logging 日志排错技巧。

掌握 NumPy 核心数组 ndarray、维度变换、广播机制 (Broadcasting) 与纯向量化矩阵计算，为机器学习数据处理打下坚实基础。

掌握 Pandas 核心数据结构 Series 与 DataFrame、CSV 文件读写、loc/iloc 显式切片、多条件布尔筛选、缺失值清洗与 Groupby 分组统计。

从几何直觉出发理解向量、向量点积的相似度含义，掌握矩阵 Y = XW + b 在特征变换与线性回归中的物理直觉。

用山谷下山的比喻理解导数与梯度的几何含义，掌握梯度下降法（Gradient Descent）更新模型参数的直觉与代码实现。

理解数据集中趋势（均值/中位数）与离散程度（方差/标准差），掌握正态分布钟形曲线与分类模型 Sigmoid 概率映射直觉。