第1章 课程介绍与学习目标
各位同学好，我是这门课的主讲。说实话，做AI靶点发现这件事，我踩过不少坑。早年用本地工作站跑靶点预测，数据量一大直接卡死，优化模型时又发现算力根本不够。后来转到云上，才算真正把模型跑起来。你想想看，靶点发现从序列比对到蛋白质结构预测，哪一步不需要海量计算？
这门课说白了就是教会你怎么把AI靶点发现模型搬到云上。我不光讲原理，还会把我在项目里犯过的错、走偏的路都摊开来说。你按着我的路线走，至少能省下几个月的试错时间。
1.1 为什么需要这个课程？
传统的靶点发现流程，一般是在本地实验室的服务器上跑。但问题也很明显：
- 硬件升级成本高，GPU内存不够用
- 数据分散，协同困难
- 部署到生产环境时，又要重新配置环境
云端就不一样了。弹性扩容、按需付费、全球协作，这些优势让靶点发现工作流能跑得更快、更稳。我曾经在AWS上部署过一个蛋白质-配体结合预测模型，直接把训练时间从三天压缩到八小时。嗯，这里我要提醒一句：迁移到云不是简单的“搬代码”，网络延迟、数据安全、成本控制，每个环节都可能翻车。
1.2 课程核心内容
整个课程我规划了30章，从基础概念到端到端部署，一步一步来。你可以把它理解为一张完整的技术地图：
核心主线：靶点数据预处理 → 模型设计与训练 → 云端容器化 → 自动化部署 → 监控与迭代
下面这张图把知识体系串起来了，你一看就明白各章节的定位：
你看，从原始数据到最终验证，每个环节都有专门的章节来深挖。
1.3 你将学到什么？
学完这门课，你可以独立完成以下任务：
- 把靶点发现模型打包成Docker镜像并推送到云仓库
- 使用Kubernetes编排多个模型实例，实现自动扩缩容
- 搭建RESTful API，让下游应用直接调用靶点预测接口
- 监控模型性能，设置告警，实现滚动更新
- 控制云端成本，避免资-源浪费
顺便提一句，我见过不少团队把模型部署上去后，忘了配自动关闭，月底看到账单直接傻眼。所以成本控制这块我会重点讲。
1.4 前置知识
你需要具备以下基础：
| 领域 | 具体要求 | 备注 |
|---|---|---|
| Python编程 | 能写基本脚本，了解pip/conda | 课程中会用PyTorch示例 |
| Linux基础 | 熟悉命令行、文件权限 | 最常用的是Ubuntu或Amazon Linux 2 |
| 靶点发现概念 | 了解蛋白质序列、结构、对接基本思路 | 不会深入生物学机制 |
| 云计算基础 | 知道什么是虚拟机、存储桶、VPC | 以AWS为例，其他云同理 |
警告： 如果你完全没碰过云计算，建议先花两天时间过一遍AWS免费课程（比如AWS Cloud Practitioner Essentials）。不然后面碰到IAM角色和VPC安全组，你会一头雾水。
1.5 环境准备与第一步
我会在第一章结尾让你把基本环境搭好。别担心，只是几个命令而已：
# 安装AWS CLI v2
curl "https://awscli.amazonaws.com/awscli-exe-linux-x86_64.zip" -o "awscliv2.zip"
unzip awscliv2.zip
sudo ./aws/install
# 配置凭证（用你的Access Key ID 和 Secret Access Key）
aws configure
# 测试是否成功
aws s3 ls看到Bucket列表就说明环境OK了。如果报权限错误，记得检查IAM用户权限。
小技巧： 我个人习惯把Access Key放到环境变量里，而不是写死在代码里。记得每周轮换一次密钥，安全第一。
1.6 课程学习方法
我建议你每章都动手跟上。别光看，哪怕只是跑一下我给的代码示例，收获都会大很多。遇到问题别慌，课后交流区我会定期回复。
- 每个章节都有配套的GitHub仓库代码
- 关键步骤我会用「⚠️注意」标出来
- 每章末尾有练习题（可选）
好，第一章就到这里。让我们开始真正的云端之旅吧。