黑马程序员

全国校区

北京昌平
北京顺义
上海
广州
深圳
武汉
郑州
西安
长沙
济南
南京
杭州
成都
人工智能开发程师课程|制定人工智能教育培训新标准
人工智能开发程师课程|制定人工智能教育培训新标准 了解人工智能编程培训课程体系
人工智能开发程师课程|制定人工智能教育培训新标准
关闭人工智能ai培训课程视频介绍
课程介绍
课程大纲
教研团队

国家政策发力

应用场景更多

AI大模型快速崛起

人工智能深入千行百业

全行业薪资天花板

薪资爆发式增长

快速了解人工智能

就业薪资好

高薪岗位多

晋升通道多

发展路径长

与老师一对一沟通

热门岗位全覆盖

匹配企业岗位需求，拓宽你的职业选择

与大厂深入合作，共建课程

助你掌握前沿技术，增强就业竞争力

定制垂直行业大模型 专项领域赋能

打造专精AI大模型的人才

  • 就业薪资好
  • 高薪岗位多

覆盖NLP、CV完整解决方案和技术栈

一个方案解决多个问题

  • NLP领域
  • CV领域
更多黑马优势
  • 大模型语言基础

    主讲内容

    Python基础语法 | Python数据处理 | 函数 | 文件读写 | 异常处理 | 模块和包

    可解决的现实问题

    熟练掌握人工智能Python语言，建立编程思维以及面向对象程序设计思想，使学员能够熟练使用Python技术完成基础程序编写。

    可掌握的核心能力

    1. 掌握Python开发环境基本配置；

    2. 掌握运算符、表达式、流程控制语句、数组等的使用；

    3. 掌握字符串的基本操作；

    4. 初步建立面向对象的编程思维；

    5. 熟悉异常捕获的基本流程及使用方式；

  • 大模型语言进阶

    主讲内容

    面向对象 | 网络编程 | 多任务编程 | 高级语法 | Python数据结构

    可解决的现实问题

    熟练使用Python，掌握人工智能开发必备Python高级语法。

    可掌握的核心能力

    1.掌握网络编程技术，能够实现网络通讯

    2.知道通讯协议原理

    3.掌握开发中的多任务编程实现方式

    4.知道多进程多线程的原理

  • 数据处理与统计分析

    主讲内容

    Linux | MySQL与SQL | Numpy矩阵运算库 | Pandas数据清洗 | Pandas数据整理 | Pandas数据可视化 | Pandas数据分析项目

    可解决的现实问题

    掌握SQL及Pandas完成数据分析与可视化操作。

    可掌握的核心能力

    1.掌握Linux常用命令，为数据开发后续学习打下的良好基础

    2.掌握MySQL数据库的使用

    3.掌握SQL语法

    4.掌握使用Python操作数据库

    5.掌握Pandas案例

    6.知道会图库使用

    7.掌握Pandas数据ETL

    8.掌握Pandas数据分析项目流程

  • 机器学习

    主讲内容

    机器学习简介 | K近邻算法 | | 线性回归 | 逻辑回归 | 决策树 | 聚类算法 集成学习 | 机器学习进阶算法 | 用户画像案例 | 电商运营数据建模分析案例

    可解决的现实问题

    掌握机器学习基本概念，利用多场景案例强化机器学习建模。

    可掌握的核心能力

    1.掌握机器学习算法基本原理

    2.掌握使用机器学习模型训练的基本流程

    3.掌握Sklearn等常用机器学习相关开源库的使用

    4.熟练使用机器学习相关算法进行预测分析

  • 深度学习与NLP自然语言处理基础

    主讲内容

    深度学习基础 | BP神经网络 | 经典神经同络结构（CNN&RNN） | 深度学习多框架对比 | 深度学习正则化和算法优化 | 深度学习Pytorch框架 | NLP任务和开发流程 | 文本预处理 | RNN及变体原理与实战 | Transformer原理与实战 | Attention机制原理与实战 | 传统序列模型 | 迁移学习实战

    可解决的现实问题

    掌握深度学习基础及神经网络经典算法；掌握全球热门的PyTorch技术，完成自然语言处理基础算法，诸如RNN、LSTM、GRU等技术。

    可掌握的核心能力

    1.Pytorch工具处理神经网络涉及的关键点

    2.掌握神经网络基础知识

    3.掌握反向传播原理

    4.了解深度学习正则化与算法优化

    5.掌握NLP领域前沿的技术解决方案

    6.了解NLP应用场景

    7.掌握NLP相关知识的原理和实现

    8.掌握传统序列模型的基本原理和使用

    9.掌握非序列模型解决文本问题的原理和方案

    10.能够使用pytorch搭建神经网络

    11.构建基本的语言翻译系统模型

    12.构建基本的文本生成系统模型

    13.构建基本的文本分类器模型

    14.使用ID-CNN+CRF进行命名实体识别

    15.使用fasttext进行快速的文本分类

    16.胜任多数企业的NLP工程师的职位

  • NLP自然语言处理综合项目

    主讲内容

    投满分文本分类或AI医生项目| 泛娱乐关系抽取或知识图谱项目

    可解决的现实问题

    1.掌握自然语言处理项目，完成投满分文本分类或AI医生项目

    2.掌握自然语言处理项目，完成泛娱乐关系抽取或知识图谱项目

    3.掌握运用NLP核心算法解决实际场景关系抽取的问题

    可掌握的核心能力

    1.抽取式文本摘要解决方案

    2.生成式文本摘要解决方案

    3.自主训练词向量解决方案

    4.解码方案的优化解决方案

    5.数据增强优化解决方案

    6.大规模快速文本分类解决方案

    7.多模型井行预测解决方案

    8.分布式模型训练解决方案

    9.多标签知识图谱构建解决方案

    10.掌握关系抽取任务以及关系抽取的常见场景

    11.掌握数据来源、获取方式以及存储方式介绍

    12.掌握Casrel模型构建：实现关系抽取

  • NLP大模型核心开发基础与项目

    主讲内容

    大语言模型的主要方法与主要架构| 主流大模型详解| 大模型主要微调方法| 大模型评价指标及模型部署上线

    可解决的现实问题

    1.掌握大模型核心原理，完成文本摘要或传智大脑项目

    2.掌握大模型应用开发，完成AI Agent项目构建

    3.掌握运用大模型核心算法解决实际场景关系抽取的问题

    可掌握的核心能力

    1.大模型Prompt-Engineering实践、

    2.基于Funcation call打造个人专属助手、

    3.基于AI Agent实现邮件的自动编写及发送、

    4.物流行业信息咨询智能问答系统（RAG检索）、

    5.基于大模型搭建医疗问诊机器人、

    7.新零售行业决策评价系统、

    8.新媒体行业评论智能分类与信息抽取系统

  • 企业级大模型平台开发项目

    主讲内容

    阿里PAI平台| 讯飞星火大模型平台

    可解决的现实问题

    1、掌握阿里PAI平台、百度千帆、讯飞星火等开源大模型平台使用

    2、利用阿里PAI平台、百度千帆、讯飞星火等开源大模型平台完成大模型应用与开发

    可掌握的核心能力

    1.基于阿里PAI平台的虚拟试衣实战

    2.基于阿里PAI平台的AI扩图实战

    3.讯飞星火多风格翻译机器人实战

    4.基于讯飞大模型定制平台的金融情感分析项目

  • 图像分析基础

    主讲内容

    机器学习核心算法加强| 深度学习核心算法加强| 数据结构与算法| 图像与视觉处理介绍| 目标分类和经典CV网络| 目标分割和经典CV网络

    可解决的现实问题

    1.掌握数据结构与算法，核心机器学习、深度学习面试题，助力高薪就业

    2.掌握计算机视觉基础算法，诸如CNN、残差网络、Yolo及SSD

    可掌握的核心能力

    1.机器学习与深度学习核心算法，NLP经典算法，数据结构算法、Djkstra算法，动态规划初步，贪心算法原理，多行业人工智能案例剖析

    2.经典卷积网络：LeNet5、AlexNet、 VGG、 Inception、GoogleNlet、残差网络 深度学习优化;RCNN、FastRCNN;FasterRCNN;SSD、YOLOM、 YOLOV2、 YOLOV

  • 多模态大模型综合项目

    主讲内容

    解决方案列表| 项目架构及数据采集| 人脸检测与跟踪| 人脸姿态任务| 人脸多任务| StableDiffusion详解| Latte视频生成（Sora对比）

    可解决的现实问题

    掌握多模态文生图项目、人脸支付项目或智慧交通项目

    可掌握的核心能力

    1.人脸检测与跟踪解决方案、人脸姿态任务解决方案、人脸多任务解决方案、人脸识别任务解决方案

    2、掌握AIGC的原理；StableDiffusion模型的构成;训练策略；视频生成模型Latte

查看详细课程大纲
学习周期多久
  • 医疗问诊
  • 新闻咨询
  • 新闻咨询
  • 物流
  • 新零售
  • 泛娱乐
  • 语言服务
  • 金融

红蜘蛛图谱项目

项目亮点

1.通过完善系统的知识图谱知识体系，涵盖知识表示、知识抽取、知识存储、知识补全、知识推理相关内容

2.高效的NER实体抽取解决方案，以及RE关系抽取解决方案，涵盖模型方法和规则方法，双渠道保证信息抽取的高效性和完备性

3.基于前缀树和意图识别，搭建红蜘蛛医疗机器人，通过访问Neo4j图数据库达成多轮医疗对话的功能

应用场景

金融关系分析、商品推荐、品牌挖掘、医疗辅助分析

技术架构图

金融关系分析、商品推荐、品牌挖掘、医疗辅助分析

蜂窝头条投满分项目

项目亮点

1.项目背景介绍：投满分项目在今日头条中的作用，数据集的样式等。快速实现基于随机森林的基线模型1.0，和基于FastText的基线模型2.0

2.迁移学习优化：实现基于BERT的迁移学习模型搭建和训练，并对比模型关键指标的提升

3.模型的量化：实现对大型预训练模型的量化，并对比原始模型与量化模型的差异

4.模型的剪枝：实现对模型的剪枝的操作，包含主流的对特定网络模块的剪枝、多参数模块的剪枝、全局剪枝、用户自定义剪枝

5.迁移学习微调：包含BERT模型微调、AlBERT模型、T5模型、Transformer-XL模型、XLNet模型、Electra模型、Reformer模型的详细介绍，以及消融实验的介绍

6.模型的知识蒸馏：详细解析知识蒸馏的原理和意义，并实现知识蒸馏模型的搭建，对比知识蒸馏后的新模型的优异表现，并做详细的对比测试

应用场景

金融文本分类、情感分析、医疗报告的自动分类、新闻内容的自动分类

技术架构图

金融文本分类、情感分析、医疗报告的自动分类、新闻内容的自动分类

微博文本信息抽取项目

项目亮点

1.项目介绍：理解信息抽取任务以及文本分类的业务意义及应用场景

2.项目流程介绍：完整的实现整个任务的逻辑框架

3.数据预处理：修改数据格式适配大模型训练、数据张量的转换等

4.ChatGLM-6B模型解析，LoRA方法讲解、P-Tuning方法解析

5.基于ChatGLM-6B+LoRA方法实现模型的训练和评估

6.基于ChatGLM-6B+P-Tuning方法实现模型的训练和评估

7.基于Flask框架开发API接口，实现模型线上应用

应用场景

问答系统、知识图谱构建、医疗行业信息抽取

技术架构图

问答系统、知识图谱构建、医疗行业信息抽取

物流信息咨询智能问答项目

项目亮点

1.项目介绍：理解什么是RAG系统

2.项目流程梳理：从本地知识库搭建，到知识检索，模型生成答案等流程介绍

3.数据预处理：本地文档知识分割、向量、存储

4.LangChain框架的详解讲解：6大组件应用原理和实现方法

5.基于本地大模型ChatGLM-6B封装到LangChain框架中

6.实现LangChain+ChatGLM-6B模型的知识问答系统搭建

应用场景

客户服务、医疗咨、新闻和媒体

技术架构图

客户服务、医疗咨、新闻和媒体

新零售行业评价决策系统

项目亮点

1.项目意义：新零售行业背景和需求

2.BERT模型介绍：架构、预训练任务、应用场景

3.P-Tuning方法的原理：定义、作用、优点

4.PET方法的原理：定义、作用、优点

5.模型训练调优：数据清洗、参数选择、模型训练

6.模型性能评估：构建评估指标（Precision、Recall）、评估方法（混淆矩阵）

应用场景

金融行业、供应链管理、市场营销、保险航月、电信行业

技术架构图

金融行业、供应链管理、市场营销、保险航月、电信行业

大模型AI Agent开发应用

项目亮点

1.大模型Function Call函数调用功能的原理和实现方式

2.开发Function Call实现大模型：实时查询天气、订机票、数据库查询等功能

4.解析Assistant API的原理及应用方式

5.基于Assistant API开发实用的聊天机器人应用

6.拆解AI Agent的原理及对比与传统软件的区别

7.基于CrewAI框架开发自动写信并发送邮件的AI Agent

应用场景

客户服务于支持、个人助理、金融服务、制造业、人力资源

技术架构图

客户服务于支持、个人助理、金融服务、制造业、人力资源

多风格英译汉翻译机项目

项目亮点

1.多风格翻译机的介绍、应用场景

2.翻译机前端界面的搭建：stream、streamlit、websocket

3.星火大模型API的调用方式：key、value

4.翻译风格的设计：提示词工程的应用

应用场景

电子商务平台、时尚零售、娱乐行业、社交媒体

技术架构图

电子商务平台、时尚零售、娱乐行业、社交媒体

基于讯飞大模型定制平台的财经新闻项目

项目亮点

1.准备数据集：正负面新闻标题数据集中包含17149条新闻数据，包括input和target两个字段

2.上传数据集：大模型定制训练平台

3.模型定制：BLOOMZ-7B是一个由BigScience研发并开源的大型语言模型（LLM），参数量为70亿。它是在一个包含46种语言和13种编程语言的1.5万亿个tokens上训练的，可用于多种自然语言处理任务

4.模型训练：LoRa、学习率、训练次数

5.效果评测：提升效果(%)=优化后(正确/已选) - 优化前(正确/已选)

6.模型服务：可使用webAPI的方式进行调用，也可在线体验服务的应用

应用场景

创意产业、文学和出版、新闻和媒体、游戏和应用开发

技术架构图

创意产业、文学和出版、新闻和媒体、游戏和应用开发
更多实战项目
Tips: 有一定数学基础，本科及以上学历，学习效果更佳

刚毕业、迷茫期

没有工作经验，期待学习有前景的AI大模型技术

零基础、想转行

零基础，对AI人工智能或者大模型感兴趣，有想法致力于通过AI人工智能或AI大模型解决实际问题

想晋升加薪

具备Java、前端、大数据、运维等开发经验，面临职场瓶颈期，期待自我提升

我适合学习吗

黑马程序员AI人工智能学员 年度就业报告

学员就业信息统计数据为数据库中实时获取的真实相关数据，非广告宣传

立即加入黑马

大模型专家平均经验10年、985/211研究生学历背景团队

赵老师

人工智能领域技术大佬

  • 曾任职于美团搜索部，负责NER及Bert搜索排序优化；
  • 多年模式识别和数据挖掘开发经验，主导研发多项科研项目；
  • 曾负责信贷风控模型和智能医...

姚老师

哈尔滨工程大学硕士GIS行业工程实战大佬

  • 在图像分割、检测、追踪等方面有多年从业经历；
  • 曾参与多项重大项目，具备丰富的工程落地经验...

李老师

北京化工大学工学硕士算法专家

  • 北京化工大学工学硕士，多家互联网公司首席信息官，算法专家，具备多年机器学习，深度学习等人工智能相关算法的研发经验...

魏老师

多年算法工作经验

  • 多年数据开发经验，曾参与过国云数据公司的数据中台开发，以及甲乙丙丁公司商品推荐系统开发
  • 精通Python、MySQL编程语...

李老师

硕士，Stable diffusion开发者

  • 曾就职于多家上市公司，并担任高级算法工程师、算法专家。研究领域包括NLP、目标检测、视频跟踪、大语言模型、多模态、模型推理加速等

秦老师

人工智能硕士，资深算法工程师

  • 拥有多年一线项目开发及管理经验，在信息抽取、知识图谱、对话机器人领域有着深刻理解
  • 以主要作者身份发表了多篇 SCI 论文，积累了丰富的理论...

李老师

资深算法工程师

  • 985高校计算机专业，资深算法工程师，在央企以及互联网公司从事多年算法开发及管理工作，在数据挖掘、自然语言处理、对话机器人领域有着深刻理解...
与老师一对一沟通
AI一对一服务

课程大纲

  1. 基础班

    1. 大模型开发入门

  2. 高手班

    1. 大模型语言进阶 2. 数据处理与统计分析 3. 机器学习基础 4. 数据挖掘项目实战 5. 深度学习基础 6. NLP自然语言处理基础 7. 自然语言处理项目1 8. 自然语言处理项目2 9. 自然语言处理实战 10. 大模型微调开发项目 11. 大模型Agent开发项目 12. 大模型RAG开发项目 13. 大模型核心专题 14. 面试加强课 15. 图像分析基础 16. 多模态大模型项目

  3. 人工智能开发 V6.5版本

  • 大模型开发入门基础班 1

    课时:8天 技术点:60项 测验:1次 学习方式:线下面授

    学习目标

    1.基于Ollama的私有化大模型入门| 2.基于Ollama+LobeChat可视化聊天机器人| 3.Python调用本地大模型API| 4.基于Python调用基于Ollama部署本地大模型API实现聊天机器人

    主讲内容

    1. 聊天机器人的项目介绍与搭建零基础入门AI大模型开发的开始，包含了以下技术点：

    01-项目介绍：AI大模型搭建聊天机器人需求分析、AI大模型搭建聊天机器人步骤和流程| 02-环境搭建：AI大模型搭建聊天机器人必备语言和工具、项目环境搭建

    2. 基于ollama+ChatBox实现chatBot掌握私有化大模型部署，包含了以下技术点：

    01-Linux基础：Linux核心命令| 02-虚拟机VMware基础：虚拟机配置、网络、VMware| 03-Ollama安装、命令、基于Ollama本地部署|DeepSeek和QWen大模型等

    3. 大模型编程语言基础_Python编程掌握大模型必备的Python语言，包含了以下技术点：

    01-Python基础语法：变量、标识符和关键字、输入和输出、数据类型转换、PEP8编码规范、比较/关系运算符、if判断语句语法格式、三目运算符、while语句语法格式、while 循环嵌套、break 和 continue、while 循环案例、for循环| 02-Python数据处理：字符串定义语法格式、字符串遍历、下标和切片、字符串常见操作、列表语法格式、列表的遍历、列表常见操作、列表嵌套、列表推导式、元组语法格式、元组操作、字典语法格式、字典常见操作、字典的遍历| 03-函数：函数概念和作用、函数定义、调用、函数的参数、函数的返回值、函数的注释、函数的嵌套调用、可变和不可变类型、局部变量、全局变量、组包和拆包、引用| 04-文件读写：文件的打开与关闭、文件的读写|、文件目录操作及案例、os模块文件与目录相关操作| 05-异常处理：异常概念、异常捕获、异常的传递| 06-模块和包：模块介绍、模块的导入、包的概念、包的导入、模块中的__all__ 、模块中__name__

    4. Python调用Ollama部署QWen/DeepSeek大模型API实现聊天机器人能够实现Python调用本地部署大模型，包含了以下技术点：

    01-streamlit框架的安装、基于streamlit完成聊天机器人界面设计| 02-基于Python调用本地私有大模型API实现聊天机器人

  • 大模型语言进阶高手班 1

    课时:7天 技术点:8项 测验:1次 学习方式:线下面授

    学习目标

    1.初步建立面向对象的编程思维| 2.掌握类和对象的基本使用方式| 3.掌握网络编程技术，能够实现网络通讯| 4.知道通讯协议原理| 5.掌握开发中的多任务编程实现方式| 6.知道多进程多线程的原理|

    主讲内容

    1. 面向对象从逐步建立起面向对象编程思想，再到会使用对象，到创建对象，再到真正理解为什么封装对象，包含了以下技术点：

    01_面向对象介绍| 02_类的定义和对象的创建| 03_添加和获取对象属性| 04_self 参数| 05_init方法| 06_继承| 07_子类方法重写| 08_类属性和实例属性| 09_类方法、实例方法、静态方法|

    2. 网络编程主要学习通讯协议，以及Python实现TCP、HTTP通讯，包含了以下技术点：

    01_IP地址的介绍| 02_端口和端口号的介绍| 03_TCP的介绍| 04_Socket的介绍| 05_TCP网络应用的开发流程| 06_基于TCP通信程序开发|

    3. 多任务编程主要学习Python中多线程、多进程，包含了以下技术点：

    01_多任务介绍| 02_多进程的使用| 03_多线程的使用| 04_线程同步|

    4. 高级语法主要学习Python的高级语法，包含以下技术点：

    01_闭包| 02_装饰器| 03_正则

    5. Python数据结构主要学习主要查找算法、排序算法、关键数据结构

    01_时间复杂度| 02_线性表| 03_链表| 04_常用数据结构 05_二分查找｜ 06_冒泡、选择、插入、快排

  • 数据处理与统计分析高手班 2

    课时:7天 技术点:105项 测验:1次 学习方式:线下面授

    学习目标

    1.掌握 Linux 常用命令，为数据开发后续学习打下的良好基础| 2.掌握 MySQL 数据库的使用| 3.掌握 SQL 语法| 4.掌握使用 Python 操作数据库| 5.掌握 Pandas 案例| 6.知道常见绘图库使用| 7.掌握 Pandas 数据 ETL| 8.掌握 Pandas 数据分析项目流程|

    主讲内容

    1. Linux掌握Linux操作系统常用命令和权限管理，包含以下技术点：

    01_Linux命令使用| 02_Linux命令选项的使用| 03_远程登录| 04_Linux权限管理| 05_vi编辑器使用

    2. MySQL与SQL零基础小白通过MySQL数据库，掌握核心必备SQL，包含以下技术点：

    01_数据库概念和作用| 02_MySQL数据类型| 03_数据完整性和约束| 04_数据库、表基本操作命令| 05_表数据操作命令| 06_where子句| 07_分组聚合| 08_连接查询| 09_外键的使用| 10_PyMySQL

    3. Numpy矩阵运算库Numpy矩阵运算库技术，包含以下技术点：

    01_Numpy运算优势，数组的属性，数组的形状| 02_Numpy实现数组基本操| 03_Numpy实现数组运算，矩阵乘法

    4. Pandas数据清洗Pandas数据清洗技术，包含以下技术点：

    1.数据组合:01_Pandas数据组合_concat连接;02_Pandas数据组合_merge数据;03_Pandas数据组合_join| 2.缺失值处理:01_缺失值处理介绍;02_缺失值处理_缺失值数量统计;03_缺失值处理;04_缺失值处理_删除缺失值;05_缺失值处理_填充缺失值| 3.Pandas数据类型| 4.apply函数:01_Series和DataFrame的apply方法;02_apply使用案例

    5. Pandas数据整理Pandas数据处理技术，包含以下技术点：

    1.数据分组: 01_单变量分组聚合; 02_通过调用agg进行聚合; 03_分组后transform; 04_transform练习| 2.Pandas透视表: 01_透视表概述&绘员存量增量分析; 02_绘员增量等级分布; 03_增量等级占比分析&整体等级分布; 04_线上线下增量分析｜ 3.datetime数据类型: 01_日期时间类型介绍; 02_提取日期分组案例; 03_股票数据处理; 04_datarange函数; 05_综合案例

    6. Pandas数据可视化Pandas数据可视化技术，包含以下技术点：

    1.Matplotlib可视化| 2.Pandas可视化| 3.Seaborn可视化|

    7. Pandas数据分析项目利用所学的Python Pandas，以及可视化技术，完成数据处理项目实战

    RFM客户分群案例: 01_RFM概念介绍| 02_RFM项目_数据加载和数据处理| 03_RFM项目_RFM计算| 04_RFM项目_RFM可视化| 05_RFM项目_业务解读和小结|

  • 机器学习基础高手班 3

    课时:8天 技术点:80项 测验:1次 学习方式:线下面授

    学习目标

    1.掌握机器学习算法基本原理| 2.掌握使用机器学习模型训练的基本流程| 3.掌握 Sklearn 等常用机器学习相关开源库的使用| 4.熟练使用机器学习相关算法进行预测分析|

    主讲内容

    1. 机器学习该部分主要学习机器学习基础理论，包含以下技术点：

    01_人工智能概述| 02_机器学习开发流程和用到的数据介绍| 03_特征工程介绍和小结| 04_机器学习算法分类| 05_机器学习模型评估| 06_数据分析与机器学习

    2. K近邻算法该部分主要学习机器学习KNN算法及实战，包含以下技术点：

    01_K近邻算法基本原理| 02_K近邻算法进行分类预测| 03_sklearn实现knn| 04_训练集测试集划分| 05_分类算法的评估| 06_归一化和标准化| 07_超参数搜索| 08_K近邻算法总结

    3. 线性回归该部分主要学习机器学习线性回归算法及实战，包含以下技术点：

    01_线性回归简介| 02_线性回归API使用初步| 03_导数回顾| 04_线性回归的损失函数和优化方法| 05_梯度下降推导| 06_波士顿房价预测案例| 07_欠拟合和过拟合| 08_模型的保存和加载| 09_线性回归应用-回归分析

    4. 逻辑回归该部分主要学习机器学习逻辑回归算法及实战，包含以下技术点：

    01_逻辑回归简介| 02_逻辑回归API应用案例| 03_分类算法评价方法| 04_逻辑回归应用_分类分析

    5. 聚类算法该部分主要学习机器学习聚类算法及实战，包含以下技术点：

    01_聚类算法的概念| 02_聚类算法API的使用| 03_聚类算法实现原理| 04_聚类算法的评估| 05_聚类算法案例

    6. 决策树该部分主要学习机器学习决策树算法及实战，包含以下技术点：

    01_决策树算法简介| 02_决策树分类原理| 03_特征工程-特征提取| 04_决策树算法api| 05_决策树案例

    7. 集成学习该部分主要学习机器学习集成算法算法及实战，包含以下技术点：

    01_集成学习算法简介| 02_Bagging和随机森林| 03_随机森林案例| 04_Boosting介绍| 05_GBDT介绍| 06_XGBOOST

    8. 数据挖掘案例数据挖掘案例部分，包含以下技术点：

    01_数据探索性分析| 02_特征工程| 03_模型训练与特征优化| 04_模型部署上线

  • 数据挖掘项目实战高手班 4

    课时:4天技术点:20项测验:0次学习方式:线下面授

    学习目标

    1.数据挖掘项目：时间序列预测、电力负荷预测项目背景、对电力负荷预测任务进行机器学习建模、了解项目优化方向| 2.解决方案：时间序列数据分析方案、时间序列数据特征工程解决方案、时间序列数据模型选择与模型训练方案、时间序列数据不同场景下的预测方案| 3.模型优化：从特征工程、算法选择、预测（推理）速度、扩展性角度介绍时序预测任务还可以进一步优化的方向 | 实战案例：人才流失建模实战 |数据分析解决方案、特征工程解决方案、机器学习模型调参解决方案、模型融合解决方案

    南方电网电力负荷预测项目，是实现电力供需的平衡，有效整合可再生能源，满足日益增长的电力需求，同时降低碳排放并确保电网稳定运行非常重要的一个任务。该项目根据脱敏后的时间戳，历史电力负荷数据，充分提取时间特征，滑动时间窗口内电力负荷特征，历史电力负荷特征，构建机器学习模型，对未来一个时间步的电力负荷进行预测。

    主讲解决方案

    1.时间序列数据分析方案| 2.时间序列数据特征工程解决方案| 3.时间序列数据模型选择与模型训练方案| 4.时间序列数据不同场景下的预测方案

    主讲知识点

    1.时间序列预测介绍，了解什么是时间序列预测，有哪些应用，有几种分类场景以及时间序列预测有哪些算法| 2.电力负荷预测项目背景介绍，电力负荷预测的重要性与价值分析| 3.对电力负荷预测任务进行机器学习建模，涉及数据分析，特征工程，XGBoost模型训练与调优，模型评价，模型保存，模型预测等功能实现| 4.了解项目优化方向，包括从特征工程、算法选择、预测（推理）速度、扩展性角度介绍时序预测任务还可以进一步优化的方向

  • 深度学习基础高手班 5

    课时:7天 技术点:70项 测验:1次 学习方式:线下面授

    学习目标

    1.Pytorch 工具处理神经网络涉及的关键点| 2.掌握神经网络基础知识| 3.掌握反向传播原理| 4.了解深度学习正则化与算法优化| 5.掌握卷积神经网络（CNN）| 6.掌握循环神经网络（RNN）|

    主讲内容

    1. 神经网络基础该部分主要学习神经网络基础，包含以下技术点：

    01_神经网络基础：神经网络的构成、激活函数、损失函数、优化方法及正则化|02_反向传播原理：梯度下降算法、链式法则、反向传播算法、改善反向传播算法性能的迭代法|03_深度学习正则化与算法优化：L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam；04_实现多层神经网络案例|

    2. 深度学习多框架对比该部分主要学习深度学习多框架对比，包含以下技术点：

    01_Pytorch| 02_Tensorflow| 03_MxNet| 04_PaddlePaddle|

    3. Pytorch框架该部分主要学习Pytorch深度学习框架，包含以下技术点：

    01_Pytorch介绍|02_张量概念|03_张量运算|04_反向传播|05_梯度，自动梯度|06_参数更新|07_数据加载器|08_迭代数据集|

  • NLP自然语言处理基础高手班 6

    课时:12天 技术点:100项 测验:1次 学习方式:线下面授

    学习目标

    1.掌握NLP领域前沿的技术解决方案| 2.了解NLP应用场景| 3.掌握NLP相关知识的原理和实现| 4.掌握传统序列模型的基本原理和使用| 5.掌握非序列模型解决文本问题的原理和方案| 6.能够使用Pytorch搭建神经网络| 7.构建基本的语言翻译系统模型| 8.构建基本的文本生成系统模型| 9.构建基本的文本分类器模型| 10.使用FastText进行快速的文本分类

    主讲内容

    1. NLP入门该部分主要学习NLP基础，包含以下技术点：

    01_NLP简介|02_NLU简介|03_文本生成简介|04_机器翻译简介|05_智能客服介绍|06_机器人写作介绍|07_作文打分介绍

    2. 文本预处理该部分主要学习文本预处理技术，包含以下技术点：

    01_文本处理的基本方|02_文本张量表示方法|03_文本语料的数据分析，文本特征处理，数据增强方法|04_分词，词性标注，命名实体识别|05_one-hot编码，Word2vec，Word Embedding|06_标签数量分布，句子长度分布，词频统计与关键词词云

    3. RNN及变体该部分主要学习RNN、LSTM、GRU等技术，包含以下技术点：

    01_传统RNN，LSTM，Bi-LSTM，GRU，Bi-GRU|02_新闻分类案例，机器翻译案例|03_seq2seq，遗忘门，输入门，细胞状态，输出门，更新门，重置门

    4. Transfomer原理该部分主要学习Transform技术，包含以下技术点：

    01_输入部分，输出部分，编码器部分，解码器部分，线性层|02_softmax层，注意力机制，多头注意力机制|03_前馈全连接层，规范化层，子层连接结构，语言模型|04_wikiText-2数据集，模型超参数|05_模型的训练，模型验证

    5. 迁移学习该部分主要学习迁移学习，包含以下技术点：

    01_fasttext工具，进行文本分类|02_CBOW模式，skip-gram模式，预训练模型|03_微调，微调脚本，训练词向量|04_模型调优|05_n-gram特征|06_CoLA 数据集，SST-2 数据集，MRPC 数据集|07_BERT，GPT，GPT-2，08_pytorch.hub

  • 自然语言处理项目1高手班 7

    课时:7天技术点:80项测验:0次学习方式:线下面授

    学习目标

    1. 基于大规模业务留存数据构建快速文本分类系统| 2. 基于推荐系统内部分频道投递的需求，快速搭建短文本精准分类投递的模型| 3. 基于随机森林和FastText搭建快速基线模型, 验证业务通道的能力| 4. 基于BERT的迁移学习优化模型搭建的能力| 5. 实现神经网络量化的优化与测试| 6. 实现神经网络剪枝的优化与测试| 7. 实现神经网络知识蒸馏的优化与测试| 8. 更多主流预训练模型的优化与深度模型剖析| 9. BERT模型在生成式任务和工程优化上的深入扩展 |     

    蜂窝头条投满分项目是结合今日头条真实场景下的海量数据, 快速搭建随机森林和FastText的基线模型, 以验证商业化落地的可行性. 更多聚焦在深度学习的优化方法上, 搭建基于BERT的初版微调模型, 应用量化,剪枝,预训练模型微调,知识蒸馏等多种手段,反复迭代,反复优化模型的离线效果,在线效果。

    主讲解决方案

    1.海量文本快速分类基线模型解决方案| 2.基于预训练模型优化的解决方案| 3.模型量化优化的解决方案| 4.模型剪枝优化的解决方案| 5.模型知识蒸馏优化的解决方案| 6.主流迁移学习模型微调优化的解决方案

    主讲知识点

    1. 项目背景介绍, 项目快速实现基于随机森林的基线模型1.0, 和基于FastText的基线模型2.0| 2. 迁移学习优化, 实现基于BERT的迁移学习模型搭建和训练, 并对比模型关键指标的提升| 3. 模型的量化, 实现对大型预训练模型的量化, 并对比原始模型与量化模型的差异| 4. 模型的剪枝, 实现对模型的剪枝的操作, 包含主流的对特定网络模块的剪枝, 多参数模块的剪枝, 全局剪枝, 用户自定义剪枝, 包含处理细节和理论知识| 5. 迁移学习微调, 包含BERT模型微调| 6. 模型的知识蒸馏, 详细解析知识蒸馏的原理和意义, 并实现知识蒸馏模型的搭建, 对比知识蒸馏后的新模型的优异表现, 并做详细的对比测试

  • 自然语言处理项目2高手班 8

    课时:12天技术点:80项测验:0次学习方式:线下面授

    学习目标

    1.图谱全流程管理：掌握从数据获取到图谱构建的全生命周期| 2.图谱理论与应用：熟悉知识图谱定义、类型及多领域应用| 3.Neo4j 技术：精通图数据库的存储与查询优化| 4.深度学习 NER：掌握 CRF、BERT、BiLSTM+CRF 等实体识别方法| 5.多样化关系抽取：熟练运用规则、Pipeline 与 Casrel 模型提取关系| 6.知识融合与消歧：掌握实体消歧和关系对齐技术| 7.医疗问答开发：实现意图识别与对话管理的智能问答系统| 8.NLP 语义处理 ：精通自然语言理解（NLU）与生成（NLG）| 9.模型工程化：掌握数据预处理与模型训练全流程| 10.垂直领域图谱：构建医疗、商业等领域的定制知识图谱|

    医疗知识图谱项目是一款基于知识图谱的多功能问答机器人项目, 主要解决当前NLP领域中大规模知识图谱构建的问题和图谱落地的问题.知识图谱的构建主要分为知识构建和知识存储两大子系统.知识构建部分将重点完成命名实体识别和关系抽取的模型搭建与优化,深入解析并实现Casrel模型实现文本自动关系抽取的实现.并深入解析实体对齐和实体消歧的NLP难题解决方案, 深度结合工业界流行的解决方案. 最终呈现一个基于知识图谱的问答机器人。

    主讲解决方案

    1.数据获取与预处理|2.非结构化文本实体识别（NER）|3.非结构化文本多样化关系抽取|4.知识融合与实体消歧|5.Neo4j图数据库存储与查询优化|6.医疗问答系统|7.工程化部署|

    主讲知识点

    1.智能搜索优化 —— 利用语义理解与实体关联提升搜索准确性（图谱智能搜索）| 2.医疗诊断与研发 —— 构建医疗知识图谱，支持疾病诊断及药物研发| 3.高效知识存储与查询 —— 基于 Neo4j 存储与查询 SPO 三元组数据| 4.智能问答系统 —— 结合 NLU 与知识图谱实现精准问答| 5.异构数据整合 —— 通过实体抽取融合多源数据构建一致知识图谱

  • 自然语言处理实战高手班 9

    课时:2天技术点:20项测验:0次学习方式:线下面授

    学习目标

    1.NER命名实体识别任务实战| 2.关系抽取任务实战

    实战项目旨在通过新闻报道数据，完成命名实体识别（NER）任务，抽取人物、地点和组织三种实体。项目从数据收集到模型部署，涵盖了完整的NLP任务流程。学生通过分工协作，使用Doccano进行数据标注，采用BIO格式预处理数据，基于BERT+BiLSTM+CRF模型训练NER系统，并开发预测函数与API接口，最终通过Web界面展示结果并完成答辩汇报。

    主讲解决方案

    1.数据标注与审核：收集新闻报道数据；使用标注工具完成人物、地点、组织标注| 2.数据预处理：BIO标签预处理| 3.BERT+BiLSTM+CRF模型：BERT：提取上下文语义特征；BiLSTM：捕捉长距离依赖关系。CRF：优化标签序列，解决非法标签问题| 4.预测函数与API封装：加载训练好的模型，处理输入文本，输出BIO标签并解析实体

    主讲知识点

    1.命名实体识别（NER）与BIO标注：NER识别实体，BIO标注将文本转为序列标签| 2.BERT+BiLSTM+CRF模型原理：BERT提取语义，BiLSTM捕获依赖，CRF优化序列| 3.数据预处理与模型训练：BIO格式预处理，CRF损失训练，F1评估模型| 4.API封装与Web部署：Flask构建API，HTML+JS实现前后端交互| 5.团队协作与项目管理：Git版本控制，Trello任务管理，团队分工协作| 6.模型评估与优化：F1分数评估，超参数调优与数据增强优化

  • 大模型微调开发项目高手班 10

    课时:8天学习方式:线下面授

    基于FFT的全量微调项目

    基于P-Tuning的提示词微调

    基于LoRA的PEFT微调

    项目简介技术点:100项测验:1次

    该项目基于GPT-2模型构建了一个医疗问诊对话系统，旨在为用户提供初步的医疗咨询服务。通过自然语言对话，系统能够了解用户的症状，提供可能的疾病建议和健康管理指导，帮助用户进行自我照顾，并在必要时建议就医。该项目不仅提升了医疗服务的便捷性，还减轻了医疗机构的负担，具有广泛的应用前景和实用价值。

    学习目标

    了解医疗问诊机器人的开发背景及企业中聊天机器人的应用场景，掌握基于GPT2模型搭建医疗问诊机器人的实现过程

    主讲解决方案

    1.GPT2模型基础原理及架构分析解决方案| 2.GPT2模型输入输出工作机制解决方案| 3.数据清洗方法解决方案| 4.GPT2模型微调评估解决方案| 5.Flask框架API开发解决方案

    主讲知识点

    1.项目介绍：理解聊天机器人的意义及实际应用场景| 2.项目实现流程介绍（数据预处理+模型训练+模型评估+上线）| 3.项目环境配置以及开发框架的选择| 4.解析GPT2模型架构及原理| 5.实现医疗数据的预处理，适配GPT2模型训练| 6.基于GPT2模型实现问答模型的微调训练| 7.基于Flask框架开发API接口，实现模型线上应用

    项目简介技术点:100项测验:1次

    项目旨在基于BERT+P-Tuning和PET两种方式，构建一个新零售行业的评价决策系统。系统通过对客户评价文本进行准确分类，基于深度分析结果生成针对不同业务场景的决策建议，帮助企业改进产品和服务质量，从而提升客户满意度。

    学习目标

    了解企业面向超大规模模型的Prompt-Tuning方法类型，理解Prefix-Tuning、Adapter-Tuning、LoRA三种大模型参数微调方法的原理

    主讲解决方案

    1.BERT模型基础原理及架构分析解决方案 2.PET以及P—Tuning微调方法原理及应用机制解决方案 3.数据格式转换、适配模型训练的解决方案 4.BERT模型微调评估解决方案 5.Flask框架API开发解决方案

    主讲知识点

    1. 项目意义：新零售行业背景和需求 2.BERT模型介绍：架构、预训练任务、应用场景 3.P-Tuning方法的原理：定义、作用、优点 4.PET方法的原理：定义、作用、优点 5.模型训练调优：数据清洗、参数选择、模型训练 6.模型性能评估：构建评估指标（Precision、Recall）评估方法（混淆矩阵）

    项目简介技术点:100项测验:1次

    基于QWen/DeepSeek+LoRA微调实现微博文本信息抽取+文本分类的多任务，通过一个大模型同时解决多种任务开发和应用，项目基于LLM进行混合任务开发应用的实现，利用QWen/DeepSeek大模型进行P-Tuning微调的方式，基于Flask框架实现API接口开发和应用。

    学习目标

    1、掌握基于BERT+PET及BERT+P-Tuning方式实现文本分类 2、通过金融行业动态方向评估项目掌握利用Few-shot、Zero-shot方式基于ChatGLM-6B实现文本分类、信息抽取、文本匹配任务

    主讲解决方案

    1.联合任务数据预处理适配模型训练的解决方案| 2.实现QWen/DeepSeek+LoRA训练的解决方案| 3.实现QWen/DeepSeek+P-Tuning训练的解决方案| 4.基于Flask框架实现模型API接口开发的解决方案|

    主讲知识点

    1.项目介绍：理解信息抽取任务以及文本分类的业务意义及应用场景| 2.项目流程介绍（完整的实现整个任务的逻辑框架）| 3.数据预处理：修改数据格式适配大模型训练、数据张量的转换等| 4.QWen/DeepSeek模型解析，LoRA方法讲解、P-Tuning方法解析| 5.基于QWen/DeepSeek+LoRA方法实现模型的训练和评估| 6.基于QWen/DeepSeek+P-Tuning方法实现模型的训练和评估| 7.基于Flask框架开发API接口，实现模型线上应用

  • 大模型Agent开发项目高手班 11

    课时:6天学习方式:线下面授

    基于Dify+RagFlow的Agent智能体搭建

    基于CrewAI智能体搭建

    项目简介技术点:70项测验:1次

    项目基于Ollama私有化部署DeepSeek R1：8b模型，基于Docker结合Dify大模型应用开发平台构建可视化聊天界面，并搭建人工智能技术答疑场景的RAG系统，通过集成DeepSeek构建专属AI助手，解决模型幻觉问题。项目实现了AI大模型从私有化部署、聊天机器人搭建、RAG系统到Agent智能体构建。

    学习目标

    1.掌握智能体核心原理、机制、概念及主流大模型剖析。 2.掌握Dify大模型应用开发平台使用，掌握基于Dify构建RAG系统

    主讲解决方案

    1.大模型私有化部署方案| 2.Dify搭建聊天机器人| 3.搭建本地知识库解决方案| 4.大模型智能体解决方案

    主讲知识点

    1、大模型私有化部署：Ollama、DeepSeek/QWen| 2、聊天机器人搭建：基于Dify搭建可视化聊天机器人| 3、RAG构建：基于Dify搭建本地知识库| 4、Agent智能体构建：基于Dify+RagFlow搭建Agent智能体

    项目简介技术点:70项测验:1次

    本项目深入探索大模型AI Agent的开发与应用，包括大模型Function Call函数调用的原理和实现，涵盖实时天气查询、订机票和数据库查询操作的实际案例；详细分析GPTs和Assistant API的原理及其应用方式，开发学习答疑聊天机器人和水果收银助手；并研究AI Agent的原理及其与传统软件的区别，基于CrewAI框架开发自动写信并发送邮件的AI Agent。通过这些内容，将全面掌握大模型AI Agent的开发技术及其在实际场景中的应用。

    学习目标

    1.通过创建具备查询实时天气及查询航班功能的聊天机器人，了解Function Call概念及原理，掌握Function Call开发应用 2.了解AI Agent和传统软件的区别和联系，掌握基于CrewAI框架，实现多个AI Agent协同工作，并完成自动写书信以及发送邮件的项目案例 3.了解GPTs、Coze平台、Assistant API，掌握基于Coze平台打造个人学习助手，掌握基于Assistant API开发个人助手

    主讲解决方案

    1.基于Function Call实现实时查询天气的解决方案| 2.基于Function Call实现订机票的解决方案| 3.基于Function Call实现数据库查询的解决方案| 4.基于GPTs实现学习答疑助手的解决方案| 5.基于Assistant API实现水果收银助手的解决方案| 6.基于CrewAI实现自动写信并发送邮件的AI Agent的解决方案

    主讲知识点

    1.大模型Function Call函数调用功能的原理和实现方式| 2.开发Function Call实现大模型：实时查询天气、订机票、数据库查询等功能| 4.解析GPTs和Assistant API的原理及应用方式| 5.基于GPTs store和Assistant API开发实用的聊天机器人应用| 6.拆解AI Agent的原理及对比与传统软件的区别| 7.基于CrewAI框架开发自动写信并发送邮件的AI Agent

  • 大模型RAG开发项目高手班 12

    课时:6天学习方式:线下面授

    基于物流大模型RAG项目

    基于教育领域EduRAG项目

    项目简介技术点:80项测验:1次

    项目基于LangChain+ChatGLM-6B实现电商物流 本地知识库问答机器人搭建，让模型根据本地信 息进行准确回答，解决大模型的“幻觉”问题， 实现精准问答。通过项目皆在掌握LangChain工 具的基本使用方式，理解向量知识库以及实现知 识库的技术原理，快速构建检索增强生成 （RAG）系统

    学习目标

    1.了解LangChain基本概念、明确LangChain主要组件的作用、了解LangChain常见的使用场景 2.掌握基于LangChain+ChatGLM-6B模型实现本地知识库的问答实现原理+过程 3.RAG 系统开发与优化：掌握从数据分片到答案生成的 RAG 全流程，熟练应用 HyDE、子查询等检索增强策略提升系统性能。

    主讲解决方案

    1.LangChain工具使用介绍解决方案| 2.ChatGLM-6B模型集成到问答系统中的解决方案| 3.向量知识库的构建和检索的解决方案| 4.搭建RAG系统的解决方案

    主讲知识点

    1.项目介绍：理解什么是RAG系统| 2.项目流程梳理（从本地知识库搭建，到知识检索，模型生成答案等流程介绍）| 3.数据预处理：本地文档知识分割，向量，存储| 4.LangChain框架的详解讲解：6大组件应用原理和实现方法| 5.基于本地大模型ChatGLM-6B封装到LangChain框架中| 6.实现LangChain+ChatGLM-6B模型的知识问答系统搭建

    项目简介技术点:80项测验:1次

    EduRAG 是一个企业级智能问答系统，专为教育场景设计，整合了基于 MySQL 的快速 FAQ 检索和基于 RAG（Retrieval-Augmented Generation）的复杂问题处理能力。系统通过结合 MySQL 数据库的高效查询和 Milvus 向量数据库的语义检索，实现了从常见问题到专业咨询的全方位问答支持。系统支持多来源过滤（如 AI、Java、测试、运维、大数据），并通过 Redis 缓存优化性能，使用 LLM 提供高质量答案生成。

    学习目标

    1.大模型应用实践：能够集成 LLM（如 OllamaLLM）并设计高效 Prompt，解决知识问答中的业务定制化需求。 2.智能查询路由设计：实现规则、相似度和 LLM 三层路由，精准分发查询并优化复杂意图识别效率。 3.后端服务与前端开发：使用 FastAPI 开发高并发 API 并通过 Gradio 构建交互界面，满足企业级服务与用户体验要求。 4.数据处理与多源集成：熟练处理结构化与非结构化数据，结合 MySQL 和向量搜索打造高效知识检索系统。 5.企业级问题解决能力：通过日志调试和高并发设计，具备定制化开发与性能优化的实战技能，适配智能客服等场景。

    主讲解决方案

    1.数据获取与预处理| 2.非结构化文本实体识别（NER）| 3.非结构化文本多样化关系抽取| 4.知识融合与实体消歧| 5.Neo4j图数据库存储与查询优化| 6.医疗问答系统| 7.工程化部署

    主讲知识点

    1.智能搜索优化 —— 利用语义理解与实体关联提升搜索准确性（图谱智能搜索）| 2.医疗诊断与研发 —— 构建医疗知识图谱，支持疾病诊断及药物研发| 3.高效知识存储与查询 —— 基于 Neo4j 存储与查询 SPO 三元组数据| 4.智能问答系统 —— 结合 NLU 与知识图谱实现精准问答| 5.异构数据整合 —— 通过实体抽取融合多源数据构建一致知识图谱

  • 大模型核心专题高手班 13

    课时:3天学习方式:线下面授

    企业级大模型平台开发

    大模型蒸馏解决方案

    项目简介技术点:40项测验:0次

    利用计算机视觉技术，上传照片，选择不同的服装进行试穿，使得用户无需到实体店，就能够在线上体验不同的风格，更方便地进行购物决策。该项目利用人体数据、服装图像和文本提示，扩 散模型Diffusion Model在人体数据和服装图像的控制因子下，分别处理文本提示，最后进行信息的融合，实现逼真的试衣效果。

    学习目标

    1.大模型优化加速原理及落地应用扩展 2.企业级大模型平台开发

    主讲解决方案

    1.虚拟试衣的常见解决方案| 2.阿里PAI平台使用的解决方案| 3.PAI—DSW环境搭建的解决方案| 4.虚拟试衣实践的解决方案

    主讲知识点

    1.虚拟试衣简介：背景，应用场景，优势，方法| 2.阿里PAI平台：介绍，平台意义，产品结构，PAI的架构，PAI的注册与开通| 3.PAI-DSW环境搭建：DSW介绍，产品特点，环境搭建方法| 4.虚拟试衣实践：Diffusers,加速器accelerate,下载SD模型，Lora微调，模型部署，推理验证

    项目简介技术点:40项测验:0次

    项目目标是将已知的某个大规模语言模型的特性或领域知识，迁移到一个小规模语言模型上。通过自动化构建和清洗语料集、高效的训练和部署方式，快速高效地完成蒸馏任务。

    学习目标

    1.大模型蒸馏专题应用 2.主流大模型核心原理、论文剖析

    主讲解决方案

    1.0基础建立语料集解决方案| 2.LLaMA-Factory实施硬标签蒸馏解决方案| 3.vllm高效部署解决方案+业务场景扩展

    主讲知识点

    1、使用公开底座的大模型，全自动化地建立和清洗语料集| 2、通过蒸馏的方式，迁移大模型地特性或领域知识| 3、高效部署大模型服务

  • 面试加强课高手班 14

    课时:3天 技术点:40项 测验:0次 学习方式:线下面授

    学习目标

    1.熟悉模型部署常用方法| 2.掌握核心的机器学习和深度学习算法，应对工作中多应用场景落地| 3.掌握NLP项目核心流程和常见模型| 4.可胜任NLP、大模型算法工程师常见工作任务，并持续优化与迭代算法

    主讲内容

    1. 服务化框架实战该模块主要介绍服务化框架内容，相关内容如下：

    01-Flask作用与流程、Flask入门Hello World、Flask表单使用、Flask服务交付（json）| 02-基于Flask的中文垃圾邮件分类服务封装实战

    2. 模型容器化部署实战该部分主要学习模型容器化部署的相关内容：

    01-Gradio简介、Gradio安装及基本用法、Gradio基本参数（Interface+Blocks）、Gradio应用分享| 02-【案例】基于Gradio的文本分类服务封装案例实战| 03-【案例】基于Gradio的图像分类服务封装案例实战| 04-Docker介绍安装、Docker快速入手、Docker镜像操作、Docker容器操作| 05-Docker手动构建镜像、Docker自动构建镜像、Docker镜像推送| 06-【案例】中文垃圾邮件分类项目Docker部署实战

    3. 自然语言处理核心项目串讲该部分主要学习NLP面试核心的相关知识：

    01-Pandas数据处理与统计分析回顾| 02-机器学习回顾+面试高频题讲解| 03-深度学习回顾+面试高频题讲解

    4. 大模型核心项目串讲及简历优化该部分主要介绍大模型核心项目及高频面试题的内容：

    01-大模型高频面试题讲解| 02-大模型应用框架（推理框架+应用框架）| 03-项目简历优化及面试话术

  • 图像分析基础高手班 15

    课时:5天 技术点:100项 测验:1次 学习方式:线下面授

    学习目标

    1.熟悉深度学习主要及前沿网络模型的架构原理及在实际业务场景中的应用|2.掌握深度学习在计算机视觉中的应用，包括但不限于分割检测识别等等 3.掌握实际工作中深度学习的具体流程，数据及标注处理，建模训练，及模型部署应用等|4.可胜任深度学习算法工程师，图像与计算机视觉算法工程师等，并持续优化与迭代算法

    主讲内容

    1. 图像与视觉处理介绍该模块主要介绍计算机视觉的定义，发展历史及应用场景

    01_计算机视觉定义、计算机视觉发展历史|02_计算机视觉技术和应用场景、计算机视觉知识树和几大任务

    2. 图像分析该部分主要学习图像分析的相关内容：

    01_图像的表示方法；| 02_图像的几何变换；| 03_颜色变换；| 04_mixup;| 05_copypaste|

    3. 图像分类该部分主要学习图像分类的相关知识：

    01_分类的思想；| 02_经典网络结构；AlexNet;| 03_InceptionNet;| 04_ResNet；| 05_模型微调策略|

    4. 图像分割该部分主要介绍图像分割的内容：

    01_分割思想| 02_Unet;| 03_FCN Net;| 04_MaskRCNN|

  • 多模态大模型项目高手班 16

    课时:5天技术点:40项测验:0次学习方式:线下面授

    学习目标

    1.知道AIGC是什么，理解AIGC的产品形态| 2.知道图像生成的常用方式| 3.理解GAN ，VAE，Diffusion的思想| 4.掌握Stable Diffusion的网络结构| 5.理解文图匹配的clip模型| 6.理解Unet网络和采样算法的作用| 7.知道VAE解码器的作用| 8.知道dreambooth和LoRA的模型训练方式| 9.能够搭建图像生成的小程序

    基于Stable Diffusion的图像生成项目是一种基于深度学习的图像生成方法，旨在生成高质量、逼真的图像。该项目利用稳定扩散过程，通过逐渐模糊和清晰化图像来实现图像生成的过程。这种方法在图像生成领域具有广泛的应用，包括艺术创作、虚拟场景生成、数据增强等。

    主讲解决方案

    图像生成的常见解决方案| 文图匹配的解决方案| 扩散模型噪声去除的解决方案| 潜在空间扩散模型的解决方案| 扩散模型训练的解决方案| 小程序搭建的解决方案

    主讲知识点

    1.AIGC的详解:AIGC简介，类型，应用场景，产品形态| 2.图像生成算法:GAN; VAE ;Diffusion; DALLe; imagen| 3.StableDiffusion的详解:Diffusion,latent diffusion ;satble diffusion| 4.stablediffusion实践: 模型构建，模型训练，lora,dreambooth,图像生成效果| 5.图像生成小程序搭建: 基于stablediffusion构建图像生成的小程序

  • 人工智能开发 V版本课程说明

    课程名称：主要针对：主要使用开发工具：

    课程介绍

返回课程目录

↑ 上拉查看下阶段课程

热点技术 “周”更新日志

课程更新日志按周更新热点/前沿技术

  • 新增2023-06-29

    · VFL损失函数的介绍· DFL损失的使用· anchor的对齐方式

  • 新增2023-06-21

    · 量化机制的介绍· 图优化方法的使用

  • 新增2023-06-15

    · yoloV8的架构解析· 双流FPN结构的设计

  • 新增2023-06-07

    · 正负样本的分配策略· Batch normalization在预测阶段的使用

  • 新增2023-06-02

    · 卷积和池化降维策略的融合· 辅助头设计方法

  • 新增2023-05-25

    · yoloV7模型的网络结构· E-ELAN的设计策略

  • 新增2023-05-18

    · Rep-PAN的特征融合方式· EfficientRep结构的使用

  • 新增2023-05-10

    ·REPVgg的思想· 训练和预测网络结构分离的策略

  • 新增2023-05-04

    ·SIOU损失的策略

    升级

    ·IOU系列的损失函数

  • 新增2023-04-26

    ·检测端的解耦结构· anchor-free的检测方式

  • 新增2023-04-18

    ·yoloV6进行目标检测的思想· yoloV6的网络结构

  • 新增2023-04-18

    ·yoloV6进行目标检测的思想· yoloV6的网络结构

  • 升级2023-04-12

    ·实现关系抽取API接口搭建· Neo4j图数据库介绍与使用· 娱乐数据知识图谱搭建

  • 升级2023-04-06

    ·Joint联合方法实现关系抽取· Casrel关系抽取模型架构介绍· Casrel模型实现关系抽取原理

  • 升级2023-03-28

    ·Pipeline方法实现关系抽取· BiLSTM+Attention关系分类模型架构介绍· BiLSTM+Attention模型实现关系分类原理

  • 升级2023-03-23

    ·规则进行关系抽取的概念· 规则进行关系抽取的步骤和原理

  • 升级2023-03-15

    ·关系抽取方法基础知识介绍· 解析关系抽取的任务特点· 分析关系抽取任务的评价指标· 对比介绍实现关系抽取的常用方法

  • 新增2023-03-07

    ·FastText模型架构原理· 层次softmax以及负采样优化方法

  • 升级2023-03-01

    ·文本数据增强方式接口更改· 机器翻译案例代码错误修改

  • 升级2023-02-17

    ·图像分类的经典网络· 智慧交通项目目标跟踪方法

  • 新增2023-02-09

    ·预训练模型的知识融入技术· 工业界发布模式介绍

  • 新增2023-02-03

    ·BERT模型参数详解与优化经验· 基于BERT完成生成式任务的介绍

  • 新增2023-01-28

    ·知识蒸馏原理详解· 知识蒸馏优化文本多分类

  • 新增2023-01-19

    ·百度ERNIE模型介绍与微调· MENGZI模型介绍与微调· NeZha模型介绍与微调

  • 新增2023-01-13

    ·K-BERT和KG-BERT模型介绍· MASS模型介绍与微调· BART模型介绍与微调

  • 新增2023-01-05

    ·MacBERT模型介绍与微调· SpanBERT模型介绍与微调· FinBERT模型介绍与微调

  • 新增2022-12-29

    ·XLNet模型介绍与微调· Electra模型介绍与微调· RoBERTa模型介绍与微调

  • 新增2022-12-20

    ·AlBERT模型介绍与微调· T5模型介绍与微调· ansformer-XL模型介绍与微调

  • 新增2022-12-14

    ·多参数模块的剪枝技术· 全局剪枝技术· 用户自定义剪枝

  • 新增2022-11-30

    ·FastText完成多分类的基线模型· FastText模型优化与部署· 基于BERT的文本多分类迁移学习模型

  • 新增2022-11-22

    ·数据来源解决方案· 随机森林基线模型

  • 新增2022-11-02

    ·Transformer的并行计算过程· Transformer可以替代Seq2Seq原因· ELMo总体架构· ELMo模型预训练任务

  • 新增2022-10-27

    ·Transformer模块的Encode结构和作用· Transformer模块的Decoder结构和作用· Self attention机制中的归一化原因

  • 新增2022-10-19

    ·循环神经网络-案例-网络搭建· 循环神经网络-案例-训练函数· 循环神经网络-案例-预测函数

  • 新增2022-10-11

    ·循环神经网络-案例-数据清洗· 循环神经网络-案例-构建词典· 循环神经网络-案例-数据类编写

  • 新增2022-09-30

    ·循环神经网络-RNN层理解· 循环神经网络-RNN层使用

  • 新增2022-09-22

    ·循环神经网络-RNN算法· 循环神经网络-Embedding使用· 循环神经网络-Embeddings小节

  • 新增2022-09-16

    ·卷积神经网络-案例-图像分类-CIFAR10数据集· 卷积神经网络-案例-图像分类-CNN网络搭建· 卷积神经网络-案例-图像分类-编写训练函数· 卷积神经网络-案例-图像分类-编写预测函数· 卷积神经网络-案例-图像分类-小节

  • 新增2022-09-07

    ·卷积神经网络-Conv2d使用· 卷积神经网络-池化计算· 卷积神经网络-MaxPool2d使用

  • 新增2022-09-01

    ·卷积神经网络-卷积神经网络概述· 卷积神经网络-图像基础知识· 卷积神经网络-卷积简单计算· 卷积神经网络-多卷积核计算

  • 新增2022-08-26

    ·神经网络基础-价格分类-模型训练过程· 神经网络基础-价格分类-模型评估过程· 神经网络基础-价格分类-网络模型调优· 神经网络基础-价格分类-小节

  • 新增2022-08-17

    ·神经网络基础-价格分类-案例介绍· 神经网络基础-价格分类-构建数据集· 神经网络基础-价格分类-网络模型搭建

  • 新增2022-08-09

    ·神经网络基础-dropout对网络参数的影响· 神经网络基础-BN层理解· 神经网络基础-价格分类-案例介绍· 神经网络基础-价格分类-构建数据集

  • 新增2022-08-02

    ·神经网络基础-adagrad优化方法· 神经网络基础-rmsprop优化方法· 神经网络基础-adam和小节· 神经网络基础-dropout原理

  • 新增2022-07-25

    ·神经网络基础-反向传播算法案例讲解· 神经网络基础-反向传播算法代码演示· 神经网络基础-指数加权平均· 神经网络基础-momentum优化方法

  • 升级2022-07-18

    ·优化PyTorch使用-模型定义方法-实现线性回归· 优化PyTorch使用-直接序列化模型对象· 优化PyTorch使用-存储模型参数

  • 新增2022-07-11

    ·神经网络基础-激活函数小节· 神经网络基础-网络参数初始化· 神经网络基础-梯度下降算法回顾· 神经网络基础-正向传播和链式法则

  • 升级2022-07-04

    ·优化PyTorch使用-手动构建线性回归小节· 优化PyTorch使用-模型定义方法-基本组件的使用· 优化PyTorch使用-模型定义方法-数据加载器

  • 新增2022-06-28

    ·神经网络基础-simoid激活函数· 神经网络基础-tanh激活函数· 神经网络基础-relu激活函数· 神经网络基础-softmax激活函数

  • 新增2022-06-21

    ·神经网络基础-人工神经网络概述· 神经网络基础-激活函数的作用

    升级

    · 优化PyTorch使用-手动构建线性回归-训练函数编写思路· 优化PyTorch使用-手动构建线性回归-训练函数代码实现

  • 新增2022-06-14

    · Transformers库管道方式实现基础NLP任务 · Transformers库自动模型方式实现基础NLP任务 · Transformers库具体模型实现基础NLP任务· 迁移学习中文分类案例· 迁移学习中文填空案例· 迁移学习句子关系管理· 删除Transformers发布模型旧的方式

  • 升级2022-06-07

    · 优化seq2seq英译法案例· 数据处理机制· Python语言操作Flink· 优化Transformer模块测试案例· 输入部分· 输出部分· 编码器部分· 解码器部分

  • 新增2022-05-31

    · NLP基础课程新增 词向量检索基础知识

    升级

    · 词嵌入层可视化显示实验· RNNAPI编程案例· RNN人名分类器案例· 数据处理机制· 模型训练方法

  • 新增2022-05-24

    · 如何构建特征，如何评估特征 · 从原始数据构造出新特征的方法 · 新增特征变换的方法· 新增缺失值处理的方法

  • 新增2022-05-17

    · 信贷审批业务的基本流程 · 新增ABC评分卡 · 新增风控建模的基本流程· 新增评分卡模型正负样本定义方法

  • 新增2022-05-10

    · 增加SQL进行风控报表开发 · 增加信贷审批业务的基本流程 · 增加风控建模的基本流程· 机器学习风控模型的优势

  • 新增2022-05-03

    · 增加LR理论推导 · 增加朴素贝叶斯推导 · 增加用户画像案例· 增加金融风控项目

  • 新增2022-04-26

    · 增加Python进行RFM分群 · 增加使用Pyecharts绘制3D图形 · 增加SVM理论推导· 增加GBDT理论推导

  • 新增2022-04-19

    · ViBert · 图像分析方法 · 标签数据统计及应用· 梯度剪裁方法

  • 升级2022-04-12

    · 优化Numpy基础矩阵预算 · 应用Pandas进行简单排序、分组、聚合等计算 · 优化Pandas处理方法

  • 新增2022-04-05

    · MOE方法 · 级联MOE Model · GAP评估方法· NextVLad视频聚合

  • 新增2022-03-29

    · 模型剪枝 · RoBerta新模型 · Transformer-XL新模型· 多分类知识蒸馏

  • 新增2022-03-22

    · Vggish · PCA方法 · SE Context模型融合· Logistics模型分类

  • 新增2022-03-15

    · 增加MySQL的Datagrip工具连接数据库 · 增加SQL的窗口函数用法 · 增加Pandas的透视表用法

  • 新增2022-03-08

    · pad的增强方式 · 分布式训练 · 视频标签任务· MFCC

  • 新增2022-03-01

    · 增加Pyecharts实现各种图形绘制 · 删除Ununtu系统 · 增加Linux中Shell的基本操作

    升级

    · 升级优化为CentOs系统

  • 新增2022-02-22

    · 模型量化方法 · 模型剪枝方法 · 模型蒸馏方法· tf-serving模型部署

  • 新增2022-02-15

    · Python进阶中增加数据爬虫案例

    升级

    · 升级闭包装饰器内容 · 优化升级深拷贝和浅拷贝的

  • 新增2022-02-08

    · 年龄检测方法 · NAS神经网络搜索 · NAS-FPN网络· 人脸矫正对齐

  • 新增2022-01-25

    · yolo-tiny模型 · 多任务模型介绍 · mish激活函数· mmdetection目标检测框架

  • 新增2022-01-18

    · Python基础案例增加学生管理系统 · Python进阶中增加多任务编程 · Python进阶增加FastAPI搭建服务器

  • 新增2022-01-11

    · wing损失函数 · 人脸关键点检测 · 关键点描述方法· SEnet注意力模型

  • 新增2022-01-04

    · BERT+CRF · TENER · nested NER优化

  • 新增2021-12-28

    · 人脸性别检测 · 人脸年龄检测 · 人脸对比· arcface损失函数

  • 新增2021-12-14

    · 人脸模糊判断 · 人脸相似度检测 · 度量学习模型· 孪生模型

  • 新增2021-11-30

    · 人脸检测 · 人脸跟踪 · 人脸三维角度检测· 人脸明暗检测

  • 新增2021-11-16

    · 后处理方法GreedyNMS · Swish激活函数 · SENET注意力机制· Focal loss

  • 新增2021-11-09

    · 文本摘要项目部署 · textcnn模型原理 · textcnn模型实现· textcnn模型优化

  • 新增2021-11-02

    · hue增强方法 · 多张图增强 · LRRelu激活函数· 噪声增强方式

  • 新增2021-10-26

    · CPU优化 · Flask框架的介绍 · Django框架的介绍· API接口封装

  • 新增2021-10-19

    · 内容理解 · 内容生成 · 内容安全治理的主要技术· 内容安全要解决的核心问题

  • 新增2021-10-12

    · 半监督数据增强 · Scheduled sampling优化策略 · Weight tying优化策略· CPU优化

  • 新增2021-10-05

    · 图像文本掩码 · 视觉文本匹配 · 掩码视觉区域· 序列到序列目标损失

  • 新增2021-09-28

    · gensim实现TF-IDF算法 · 纯Python代码实现纯TF-IDF算法 · TF-IDF模型· 回译数据

  • 新增2021-09-21

    · 多模态的语言表征 · 基于自编码自回归架构的模型 · 单流结构· 双流结构

  • 新增2021-09-14

    · viterbi Decode · Beam-serch Decode · Beam-serch优化模型· 单词替换数据增强

  • 新增2021-09-07

    · 新型网络 · 仇恨言论检测 · 职责界定· 多模态核心任务

  • 新增2021-08-31

    · coverage数学原理 · PGN + coverage网络优化 · Beam-search算法· Greedy Decode

  • 新增2021-08-24

    · 跳层连接skip layers · 模型感受野RFB · 注意力机制Point-wise attention· DIOU网络预测

  • 新增2021-08-17

    · BLEU算法解析 · ROUGE评估 · ROUGE算法解析· ROUGE算法实现

  • 新增2021-08-10

    · ASFF特征融合 · mish激活函数 · DIOUNMS抑制方法· 特征融合SFAM

  • 新增2021-08-03

    · PGN模型的数据迭代器 · PGN模型实现 · PGN模型网络训练· BLEU评估

  • 新增2021-07-27

    · 对比度调整 · SPP结构 · sam注意力机制· 空间注意力

  • 新增2021-07-20

    · 内容张量context vector计算 · 单词分布张量P_vocab计算 · 分布张量P_w计算· PNG网络数据清洗

  • 新增2021-07-13

    · 知识蒸馏方法 · 模型剪枝方法 · Dropblock正则化· Hide and seek图像增强

  • 新增2021-07-07

    · Transformer问答试题 · Elmo模型讲解 · yoloV4模型· Siamese系列网络详解

  • 新增2021-06-30

    · 模型的整体实现 · 数据清洗 · gensim训练词向量· 词向量优化模型

  • 新增2021-06-22

    · 模型的整体实现 · 数据清洗 · gensim训练词向量· 词向量优化模型

  • 新增2021-06-15

    · SAT自对抗训练进行数据增强 · 数据增强意义 · CSP模块介绍· SPP结构

  • 新增2021-06-08

    · 多核并行处理数据优化 · 参数配置及数据优化 · 模型数据的优化· 模型子层的实现

  • 新增2021-06-01

    · 小目标检测技巧 · 损失函数设计 · CIOU损失

  • 新增2021-05-25

    · 基于jieba的TextRank · 基于TextRank算法模型构建 · 文本摘要数据集优化· seq2seq架构实现文本摘要架构

  • 新增2021-05-18

    · 马赛克增强 · gridmask · Cutmix· 填充

  • 新增2021-05-11

    · TextRank算法实现 · 关键词抽取 · 关键短语抽取· 关键句抽取

  • 新增2021-05-04

    · 数据增强 · mixup · cutout· 随机擦除

  • 新增2021-04-27

    · 抽取式摘要 · 生成式摘要 · 文本摘要项目数据集型· TextRank算法原理

  • 升级2021-04-20

    · tfrecord文件介绍 · 图像数据feature构建 · Example的构建· writer_to_tfrecord的使用

  • 新增2021-04-13

    · 静态量化和动态量化对比 · prune技术介绍 · 持久化修剪后的模型· 模型推断加速

  • 升级2021-04-06

    · yoloV3的损失计算 · yoloV4模型介绍 · 正负样本的设计· 多任务损失

  • 升级2021-03-30

    · 标签平滑技术优化 · badcase分析案例演示 · badcase优化总结· 模型热更新讲解优化

  • 新增2021-03-23

    · ORB特征的方向设计 · 目标的外接矩形 · ROIAlign算法· 全卷积网络

  • 升级2021-03-16

    · GLUE标准数据集介绍 · run_glue脚本讲解方式调整 · gpu服务器验证优化介绍· weight_decay演示调优

  • 新增2021-03-09

    · 大津法 · 轮廓检测 · 矩特征· 目标的质心计算

  • 升级2021-03-02

    · bert模型调整 · 考试数据集实例演示· 考试数据清洗代码精炼· bert-Multilingual进行微调优化

  • 升级2021-02-23

    · FPN进行特征融合 · 候选框的多尺度映射方法· 候选框的选择方法· 检测框筛选的方法

  • 新增2021-02-16

    · 上线模型优化 · 模型量化压缩技术· ONNX-Runtime推断加速· 对比混合精度驯良

  • 升级2021-02-09

    · 选择性搜索（SS） · 目标框位置回归的意义· 候选区域映射的方法· ROIPooling的思想

  • 升级2021-02-02

    · Django中views文件讲解顺序 · 多线程实现举例· fasttext模型原生代码pytorch实现· fasttext模型baseline训练

  • 新增2021-01-26

    · 目标检测评价指标MAP · softNMS方法· overfeat方法· RPN网络详解

  • 新增2021-01-19

    · 从SQL中获取数据演示 · 意向校区识别代码逻辑 · "手机号"，"微信号"，"QQ号"识别规则细化· 与后端交互数据举例

  • 新增2021-01-12

    · IOU在目标跟踪中的使用 · 相机外参的计算方法 · 图像畸变产生的原因· 图像去畸变的方法

  • 新增2021-01-05

    · 信息中心需求分析细化 · 产品设计逻辑修改 · 原始数据分析思路· fasttext讲解案例

  • 新增2020-12-29

    · 分水岭算法介绍 · 市场中主流AI平台演示 · 边缘检测计算复杂度介绍· 传智大脑整体架构介绍

  • 升级2020-12-21

    · flask框架整体介绍 · 市场中主流AI平台演示 · 边缘检测计算复杂度介绍· 传智大脑整体架构介绍

  • 新增2020-12-14

    · VGG模型实现 · Inception系列模型对比 · 边缘检测计算复杂度介绍· 傅里叶变换在图像处理中的应用

  • 升级2020-12-07

    · series和dataframe介绍 · 非正常卷积网络结构解析 · 多尺度网络与非正常卷积初步· 车辆偏离车道中心距离优化

  • 新增2020-11-30

    · lightGBM推导 · 优化实体提取模型 · 多尺度网络与非正常卷积初步· 车道线检测laneNet实现

  • 升级2020-11-23

    · 朴素贝叶斯常见面试题讲解 · 修改部分项目bug · 多精度多分辨率通道分组网络总结· sort算法进行多目标跟踪优化

  • 新增2020-11-16

    · 机器学习中svr的介绍 · 积分梯度解析 · 嘴唇分割模型训练· 多目标跟踪deepsort算法的实现

  • 升级2020-11-09

    · 机器学习svm部分面试题 · bert源码解析 · 嘴唇分割模型训练· fasterRCNN目标检测优化

  • 新增2020-11-02

    · 相对路径和绝对路径的使用场景描述 · LIT实验 · 用于图像分割的实时分组网络· 模型微调方法简介

  • 升级2020-10-26

    · 优化tree命令的安装及使用 · Reformer实验 · 多分辨率卷积核通道分组网络· yoloV3进行目标检测案例

  • 新增2020-10-19

    · 操作系统的简介内容 · Captum实验 · 多通道补偿技术· 图像增强方法实现

  • 升级2020-10-13

    · 优化面向对象的介绍 · 可解释性工具 · 多分支网络结构设计· 使用tf.keras完成网络模型的搭建

  • 新增2020-10-08

    · 文件操作案例 · 网络瓶颈结构探索· GoogLeNet的网络构建

  • 升级2020-09-28

    · vim的常用操作命令 · 数据增强方法 · MobileNet网络深度对实验的影响· tensorflow入门升级

  • 新增2020-09-08

    · 增加break关键字的使用场景案例 · 模型蒸馏 · Neocognitron网络· k-means算法推导过程举例

  • 升级2020-09-01

    · 逻辑运算符的演示案例 · 模型剪枝 · 加深网络，提升模型性能· 朴素贝叶斯案例修改

  • 新增2020-08-25

    · 增加变量的演示案例 · ALBERT解析 · 轻量级人脸表情和年龄识别· 对多态的描述举例

  • 升级2020-08-18

    · 优化对集合的性质的描述 · 模型量化 · 三维人脸库的使用与重建· 优化对私有属性的使用场景的描述

  • 新增2020-08-11

    · 字典性质的描述举例 · 多线程优化 · 人脸三维重建· 异常的使用场景举例

  • 升级2020-08-04

    · 优化对Python语言性质的描述 · BART实验解决NER · 人脸美颜与迁移学习· 优化Python2和Python3的对比

  • 升级2020-07-28

    · 场景识别案例优化模型方法 · 图像与视觉处理专业课优化方案启动 · 自然语言处理PyTorch工具讲解调优

  • 升级2020-07-21

    · pytorch讲义 ·  CV基础考试题   · RCNN系列目标检测模型 · 人脸检测案例

  • 新增2020-07-14

    · 典型的NLP算法 · SIamRPN++网络讲解 · DeepLab系列介绍

  • 升级2020-07-10

    · KNN算法导入案例 ·  线性回归正规方程推导过程 · 线性回归案例迭代 · 虚拟环境安装详解

  • 新增2020-07-07

    · Transformer问答试题 · Elmo模型讲解 · yoloV4模型 · Siamese系列网络详解

  • 升级2020-06-30

    · 升级集成学习知识框架 · 细化集成学习算法推导过程 · stacking算法优化 · 北京市租房房价预测

  • 新增2020-06-23

    · 基于seq2seq的机器翻译任务 · 莎士比亚风格的文本生成任务 · ResNet模型在GPU上的并行实践任务 · 自然语言处理：NLP案例库(6个案例)

  • 新增2020-06-16

    · 图像与视觉处理：计算机视觉面试题（80道） · 图像与视觉处理：算法强化课程8天 · 计算机视觉面试题视频（80道） · 图像与视觉处理：计算机视觉案例库

  • 新增2020-06-09

    · 基础NLP试题 · AI医生项目试题 · 文本标签项目试题, 和泛娱乐项目试题 · 自然语言处理：NLP题库(135道)

  • 新增2020-06-02

    · 车道检测 · 车辆技术 · 车辆跟踪 · 图像与视觉处理：智慧交通项目

  • 升级2020-05-26

    · 决策树案例 · 调整预剪枝、后剪枝知识点讲解 · 决策回归树讲解 · 基尼指数优化

  • 新增2020-05-19

    · 口罩识别 · 活体检测 · 人脸属性识别 · 图像与视觉处理：人脸识别项目

  • 升级2020-05-12

    · SVM算法推导过程讲解 · 朴素贝叶斯前面增加概率知识介绍 · HMM模型推导过程 · HMM案例优化

  • 新增2020-05-05

    · 形态学定义、连通性 · 二值操作、平滑、梯度 · 纹理分割及OpenCV实践 · 图像与视觉处理：形态学专题

  • 新增2020-04-28

    · 几何变换专题 · 翻转、剪裁、遮挡、图像算数 · 图像金字塔、OpenCV几何变换操作 · 翻转、剪裁、遮挡、OpenCV几何变换操作

  • 升级2020-04-21

    · gbdt案例优化 · xgboost算法推导过程讲解 · lightGBM算法 · pubg案例优化

  • 新增2020-04-14

    · 图像矩特征点度量特征、全局直方图 · 局部区域直方图、散点图和3D直方图 · OpenCV实践 · 图像与视觉处理：直方图处理专题

  • 新增2020-04-07

    · 命名实体识别模型BiLSTM + CRF · 句子对主题相关模型BERT · 在线部分关于neo4j数据库、redis的实时存取 · 自然语言处理：AI在线医生项目

  • 升级2020-03-31

    · xgboost算法介绍 · OTTO案例 · xgboost和gbdt对比 · bgdt推导过程优化

  • 新增2020-03-24

    · fasttext工具介绍 · fasttext训练词向量, 并完成词向量迁移 · fasttext工具实现文本分类的代码案例 · 自然语言处理：fasttext训练词向量、文本分类，词向量迁移

  • 新增2020-03-17

    · 灰度直方图、灰度的线性变换 · 灰度对数变换、伽玛变换 · 灰度阈值变换、分段线性变换 · 图像与视觉处理：基本的灰度变换函数专

  • 新增2020-03-10

    · EM算法 · 极大释然估计讲解 · HMM模型 · HMM案例搭建

  • 新增2020-03-03

    · 基本的OpenCV代码 · Image数据结构、读写图像 · OpenCV基础专题函数与API讲解

  • 升级2020-02-25

    · 线性回归知识点讲 · xgboost讲解案例 · 逻辑回归多分类问题评估 · RNN+Attention实现英译法任务

  • 新增2019-12-27

    · Transformer架构图的详解 · 四大组成模块的分块代码详解和示例 · copy小案例 · 自然语言处理：Transformer的原理和架构

  • 新增2019-12-20

    · 数据分析实战，北京市租房数据统计分析 · NBA球员数据分析 · 电影数据分析案例 · pandas读取Excel、sql

  • 新增2019-12-13

    · Dilated Convolutions：聚合多尺度的信息 · PSPNet：金字塔池化模块 · Mask-RCNN：端到端联合训练目标分割实战案例 · 图像与视觉处理：图像分割专题

  • 新增2019-12-06

    · RNN构造人名分类器的案例 · RNN实现英译法的seq2seq架构代码 · 在seq2seq架构基础上添加Attention的架构方案代码 · 自然语言处理：RNN构造人名分类器

  • 新增2019-11-29

    · 目标检测专题RCNN，FastRCNN · FasterRCNN· 先验框、细粒度与多尺度特征· 图像与视觉处理：目标检测专题

  • 新增2019-11-22

    · 数据可视化库seborn · 箱线图知识点 · 增加小提琴图知识点· 单变量、多变量分析

  • 新增2019-11-15

    · RNN、LSTM、 GRU基本结构和原理介绍 · Attention机制原理 · 代码示例和图解注意力机制· 自然语言处理：RNN、 LSTM、 GRU、 Attention等

  • 新增2019-11-08

    · 经典卷积网络：LeNet5、AlexNet、VGG、Inception、GoogleNet · 残差网络、深度学习优化 · 迁移学习：TensorFlow HUB；模型压缩· 图像与视觉处理：经典卷积网络

  • 新增2019-11-01

    · 项目实训-“吃鸡”玩家排名预测 · 决策树算法案例 · 逻辑回归案例· 朴素贝叶斯案例

  • 新增2019-10-20

    · hanlp命名实体识别工具 · word2vector原理到应用，文本的预处理前数据分析，添加ngram特征 · 文本数据增强, 回译数据增强法· 自然语言处理：文本分词，命名实体识别，Word2Vector，文本数据分析

  • 新增2019-10-10

    · 机器学习经典算法朴素贝叶斯 · 机器学习经典算法支持向 · 聚类算法推导过程· SVM手写数字识别案例

  • 新增2019-10-08

    · 神经网络基础与Tensorflow框架 · 图、会话、张量、OPTensorflow高级API，训练tf.MirroedStrategy · 导出tf.SavedModel等· 神经网络基础与Tensorflow框架

  • 新增2019-08-20

    · 原始文本预处理, word2vec · fasttext多分类的应用 · 并升级工程整合和实时服务· 自然语言处理：中文标签化系统项目

  • 新增2019-06-30

    · 召回策略算法代码更新 · 排序策略算法代码更新 · neo4j数据库的应用· 自然语言处理：泛娱乐推荐系统项目

专职课研团队专职教学团队

人工智能专职课研团队
人才筛选标准
人工智能教育培训课研团队 人工智能教育培训教研团队 人工智能教育培训讲师团队人才标准

标准化研发人才画像
多维面试（五面）
研究院小组诊断测评
全链路面试流程监控

课研人员素质考核
课程设计考核
大纲设计考核
讲义撰写考核
视频录制考核
课堂试炼考核
产品全方位审评
考核答辩

技术开源历练
技术私享会
大牛技术沙龙
企业技术共享

人工智能专职课研团队
课程研发体系标准

信息库

应用市场调研+大
数据分析
获取前沿发展方向

课题研究库

前沿热门课题深入
剖析+技术攻坚，
保障课程前瞻性

解决方案库

基于市场主流技术研
发解决方案，
应对职场难题

项目库

基于热门行业领域联合
大牛顾问团，
研发“大厂级”项目

研发人才库

来自华为、IBM等百人大牛团，每年斥巨资，
研发行业标杆优质课程

人工智能专职课研团队
研发老师履历
人工智能专职教学团队
人才筛选标准
人工智能ai培训课研团队 ai算法工程师培训课研团队 ai算法工程师培训讲师团队

标准化讲师画像初试技术深度
复试授课质量终试价值观

定制个性化考核方案讲师素质考核
视频录制考核排课、备课产出物考核
教育心理考核教学方法考核
课堂试讲考核正式授课答辩

学员满意度打分阶段课程评审
多维培养计划讲师晋升通道

教学团队独创三大教学法
讲透技术重难点

  • 情景式教学法将教学过程形象化的一种授课方法,集风趣、
    知识、故事场景于一体，可大大提高学员对
    知识的理解和吸收

  • 场景式授课通过分析场景特点、梳理场景流程、呈
    现给定场景下技术的实现3个步骤，向学
    员清晰的展现了开发的全流程。

  • Open教学法OPEN 教学法是由传智教育培训院首创的一套
    教学方法论，旨在「用更短的时间讲明白一个
    知识点」

人工智能专职教学团队
研发老师履历
专属教学服务 保障学习结果
  • 入学多维测评，
    定制专属学习计划；
    目标导向式学习，
    精准定靶不脱节；
  • 随堂诊断纠错，
    扫清理解盲点；
    智能指引式建议，
    分层教学，
    因材施教；
  • 阶段效果测评，
    消除知识薄弱点；
    循序渐进式练习，
    从理论到应用；
    随时有问必答，
    攻克技术难点；
  • 学员薄弱
    知识可视化，
    精准查漏补缺；
    BI报表数据呈现，
    精准把控教学质量。
  1. 学习分享
  2. 班级活动
  3. 开班典礼
免费获取人工智能培训教程

首页|校区分布|师资力量|关于我们|报名流程

常见问题|技术资讯

版权所有 2006 - 2024 江苏传智播客教育科技股份有限公司

苏ICP备16007882号   苏公网安备 32132202000574号