大模型开发工程师、数据挖掘工程师、AIGC算法工程师、大模型Agent工程师、CV计算机视觉工程师、Prompt工程师、大语言模型LLM开发工程师、 大模型推理工程师、算法工程师、机器学习工程师、智能语音算法工程师、大模型微调工程师、NLP自然语言处理工程师、多模态工程师
设计、实现和优化大规模深度学习模型，包括数据预处理、模型架构设计、训练调优、性能优化以及模型部署，以推动AI大模型技术在各种应
通过处理和分析文本数据，实现语言翻译、情感分析、自动摘要、聊天机器人等功能。使计算机能够理解和生成人类语言。
通过图像和视频分析、物体识别、场景重建等技术，使计算机能够理解和解释视觉数据，支持自动化决策和智能系统。
运用机器学习技术，从大量数据中提取有价值的信息，发现数据背后的模式和趋势，并为决策提供支持。
Python编程 基础语法数据结构函数面向对象模块与包装饰器选代器
数据处理与统计分析 NumpyPandasMatplotlib/Seaborn
机器学习 Scikit-Learn分类算法回归算法聚类算法特征工程模型选择
深度学习 Pytorch神经网络BP神经网络CNN卷积神经网络RNN循环神经网络
文本预处理 文本处理方法文本张量表示文本预料数据分析数据增强方法命名实体识别Word-Embedding
Transformer原理 编码器解码器语言模型注意力机制模型超参数
Bert / GPT Bert原理Bert预训练GPT原理GPT-2ChatGPT
Hive 迁移学习 FastText预训练模型权重微调
大模型入门 大模型基础知识主流大模型分类AI应用工具集企业级大模型开发平台
大模型应用开发 Function Call的原理及实践大模型Agent原理及实战
大模型微调开发 提示词工程实战【金融】 大模型微调实战【大健康， 新零售，新媒体】
目标分类 卷积计算方法多通道卷积AlexNetVGG ResNet残差网络ImageNet分类
目标检测 RCNNFPNSSD FasterRCNN非极大抑制NMS
目标分割 全卷积ROI AlignDeepLab MaskRCNN金字塔池化模块语义分割评价标准
数据结构 栈树图数组链表哈希表
常见算法 排序查找链表算法动态规划贪心算法
机器学习/深度学习 分类算法面试题回归算法面试题聚类算法面试题深度学习面试题
NLP/CV专题 Transformer模型原理Bert/GPT面试题
大模型专题 Prompt提示词LangChain大模型开发工具 模型微调 LoRA/Prefix-Tuning ChatGLM原理与面试题
大模型语言基础
大模型语言进阶
数据处理与统计分析
机器学习
深度学习与NLP自然语言处理基础
NEWNLP自然语言处理综合项目
大模型核心开发基础与项目
企业级大模型平台开发项目
图像分析基础
NEW多模态大模型综合项目
主要内容
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
6.掌握类和对象的基本使用方式
主要内容
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
主要内容
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
主要内容
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
主要内容
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
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
主要内容
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
主要内容
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GPT2模型搭建医疗问诊机器人
6.新零售行业决策评价系统
7.新媒体行业评论智能分类与信息抽取系统
主要内容
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
主要内容
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
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）
主要内容
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 | Stable Diffusion详解 | Latte视频生成（Sora对比）
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、Stable Diffusion模型的构成、训练策略、视频生成模型Latte
*课程将会持续更新，更新后所有已报名该课程学员均可免费观看最新课程内容
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
金融关系分析、商品推荐、品牌挖掘、医疗辅助分析
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、GPT2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
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
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
问答系统、知识图谱构建、医疗行业信息抽取
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
客户服务、医疗咨、新闻和媒体
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）
金融行业、供应链管理、市场营销、保险航月、电信行业
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
客户服务于支持、个人助理、金融服务、制造业、人力资源
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
电子商务平台、时尚零售、娱乐行业、社交媒体
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
创意产业、文学和出版、新闻和媒体、游戏和应用开发
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
电子商务平台、时尚零售、娱乐行业、社交媒体
1.语音识别的背景、原理、应用场景
2.语音识别的实现流程：数据预处理+特征的提取+模型构建+模型训练+模型推理
3.大语言模型的介绍及其在多伦对话中的应用
4.超拟人合成的介绍、原理、应用场景
5.超拟人合成的实现流程：文本预处理（情感分析）+模型选择+模型训练+模型推理+语音后处理
客户服务、健康医疗、虚拟助手、法律咨询、语言学习和翻译
没有工作经验，期待学习有前景的AI大模型技术
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
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
硕士，Stable diffusion开发者
人工智能领域技术大佬
哈尔滨工程大学硕士
GIS行业工程实战大佬
北京化工大学工学硕士
算法专家
多年算法工作经验
人工智能领域技术大佬
哈尔滨工程大学硕士
GIS行业工程实战大佬
北京化工大学工学硕士算法专家
多年算法工作经验
硕士，Stable diffusion开发者
全日制教学管理每天10小时专属学习计划
测试、出勤排名公示
早课+课堂+辅导+测试+心理疏导
实战项目贯穿教学一线大厂实战项目
实用技术全面覆盖
课程直击企业需求
AI教辅保障学习效果水平测评，目标导向学习
随堂诊断纠错，阶段测评
在线题库，BI报表数据呈现
个性化就业指导就业指导课，精讲面试题
模拟面试，给出就业建议
试用期辅导，帮助平稳过渡
持续助力职场发展免费享，更新项目和学习资料
主题讲座，获取行业前沿资讯
人脉经验，线下老学员分享会
无忧学就业权益未就业，全额退费
薪资低于标准，发放补贴
多一份安心，学习无忧
课程大纲
基础班
1. 大模型语言基础
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 4. 深度学习基础 5. NLP自然语言处理基础 6. 自然语言处理项目1 7. 自然语言处理项目2 8. 大模型开发基础与项目 9. 企业级大模型平台开发 10. 图像分析基础 11. 多模态大模型项目
人工智能开发 V5.0版本
课时:8天 技术点:60项 测验:1次 学习方式:线下面授
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， 6.掌握类和对象的基本使用方式
1. Python基础语法零基础学习Python的开始，包含了以下技术点：
01_变量| 02_标识符和关键字| 03_输入和输出| 04_数据类型转换| 05_PEP8编码规范| 06_比较/关系运算符| 07_if判断语句语法格式| 08_三目运算符| 09_while语句语法格式| 10_while 循环嵌套| 11_break 和 continue| 12_while 循环案例| 13_for循环
2. Python数据处理掌握Python的数据类型，并对其进行操作处理，包含了以下技术点：
01_字符串定义语法格式| 02_字符串遍历| 03_下标和切片| 04_字符串常见操作| 05_列表语法格式| 06_列表的遍历| 07_列表常见操作| 08_列表嵌套| 09_列表推导式| 10_元组语法格式| 11_元组操作| 12_字典语法格式| 13_字典常见操作| 14_字典的遍历
3. 函数能够实现Python函数的编写，包含了以下技术点：
01_函数概念和作用、函数定义、调用| 02_函数的参数| 03_函数的返回值| 04_函数的注释| 05_函数的嵌套调用| 06_可变和不可变类型| 07_局部变量| 08_全局变量| 09_组包和拆包、引用
4. 文件读写能够使用Python对文件进行操作，包含了以下技术点：
01_文件的打开与关闭、文件的读写| 02_文件、目录操作及案例| 03_os模块文件与目录相关操作
5. 异常处理主要介绍了在Python编程中如何处理异常，包含了以下技术点：
01_异常概念| 02_异常捕获| 03_异常的传递
6. 模块和包主要介绍了Python中的模块和包的体系，以及如何使用模块和包，包含了以下技术点：
01_模块介绍| 02_模块的导入| 03_包的概念| 04_包的导入| 05_模块中的__all__ | 06_模块中__name__
课时:6天 技术点:8项 测验:1次 学习方式:线下面授
1、掌握面向对象相关技术| 2、知道网络编程相关知识| 3、掌握数据结构和排序和查找算法
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
课时:6天 技术点:105项 测验:1次 学习方式:线下面授
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.知道绘图库使用|7.掌握Pandas数据分析项目流程
1. Linux掌握Linux操作系统常用命令和权限管理
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，包含了以下技术点：
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|
课时:5天 技术点:80项 测验:1次 学习方式:线下面授
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.熟练使用机器学习相关算法进行预测分析
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介绍|
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
课时:5天 技术点:60项 测验:1次 学习方式:线下面授
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|3.了解深度学习正则化与算法优化
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|
课时:10天 技术点:100项 测验:1次 学习方式:线下面授
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.构建基本的文本分类器模型|8.使用fasttext进行快速的文本分类|9.为后续NLP项目学习奠定基础，能够胜任多数企业的NLP工程师的职位
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. Transformer原理该部分主要学习Transformer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|08_pytorch.hub
课时:6天技术点:80项测验:0次学习方式:线下面授
以投满分项目为例：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
投满分项目主要解决在海量新闻，咨询等文本信息的场景下, 需要完成文本类别的快速鉴别与分类, 并完成按频道的投递和排队, 最终推荐给对该类别感兴趣的用户, 从而提升点击量,阅读量,付费量等关键指标. 该项目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.
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
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.
课时:6天技术点:80项测验:0次学习方式:线下面授
以泛娱乐关系抽取为主：1、理解关系抽取任务 2、了解实现关系抽取任务的基本方法 3、掌握Casrel模型架构及工作原理 4、掌握关系抽取数据处理方法 5、掌握关系抽取的应用场景
该项目基于泛娱乐数据场景，依赖NLP技术从文本中提取实体和它们之间的关系，旨在辅助企业构建知识图谱。关系抽取的实现主要包括3种方法：分别是基于规则、Pipeline流水线、Joint联合抽取等。其中基于规则的方法由人工设定模版，完成简单关系的任务抽取；基于Pipeline流水线方法则是在完成实体识别的前提下，利用BILSTM+Attention模型实现关系分类，相比规则，该方法具备关系推理的能力；在Joint联合抽取方法应用方面，实现了可以解决多元复杂关系抽取问题的Casrel模型搭建。在实现关系抽取的基础之上，基于Neo4j图数据库，应用Cypher语言完成知识的存储。整个项目全方位为大家展现不同关系抽取方法的优缺点以及应用场景，目地让学生学会在不同场景下，选择合适的方法解决对应问题，且最终通过图谱的形式展示业务的实际应用。
1.文本数据处理解决方案| 2.基于Casrel模型实现关系抽取的解决方案
1.项目介绍：理解关系抽取任务以及关系抽取的常见场景 2. 环境构建：项目开发所需搭建的环境 3. 数据集介绍：数据来源、获取方式以及存储方式介绍 4. 数据处理：构建DataSet以及Dataloader 5. Casrel模型构建：实现关系抽取
课时:12天技术点:100项测验:1次学习方式:线下面授
以物流信息咨询智能问答项目： 1.掌握LangChain工具的基本使用方法，了解如何通过LangChain构建和管理语言模型应用。 2.熟悉ChatGLM-6B模型的应用，了解如何将大语言模型与本地知识库结合，实现高效准确的问答功能。 3.理解向量知识库的基本概念和技术原理，掌握如何构建和使用向量知识库来存储和检索知识信息。 4.掌握知识库的构建方法，从数据采集、处理到存储，学习如何将电商物流相关信息整合到知识库中。 5.理解RAG系统的基本原理和实现方法，学习如何结合检索和生成技术，提升问答系统的准确性和实用性。 6.从零开始搭建一个问答机器人，掌握整个系统的设计、实现和部署过程。
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
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
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
课时:6天技术点:80项测验:0次学习方式:线下面授
以基于StableDiffusion的图像生成项目为例：1.了解虚拟试衣的背景 2.知道阿里PAI平台的使用方式 3.能够搭建虚拟试衣的环境 4.能够完成虚拟试衣的实践并进行资源清理
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。
虚拟试衣的常见解决方案 阿里PAI平台使用的解决方案 PAI—DSW环境搭建的解决方案 虚拟试衣实践的解决方案
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
课时:5天 技术点:100项 测验:1次 学习方式:线下面授
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
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|
课时:6天技术点:40项测验:0次学习方式:线下面授
以虚拟试衣项目为例： 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。
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
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
课程名称：主要针对：主要使用开发工具：
课程名称
人工智能AI进阶班/AI大模型开发
课程推出时间
2024.06.06
课程版本号
5.0
主要使用开发工具
PyCharm、DataGrip、Jupyter NoteBook
课程介绍
人工智能开发V5.0课程体系升级以企业需求为导向，专为培养和打造高级人工智能工程师、高含金量课程重磅推出，以业务为核心驱动项目开发，课程包括机器学习和深度学习框架Scikit-Learn和Pytorch，能够解决企业级数据挖掘、NLP自然语言处理、大模型开发与CV计算机视觉实际问题，通过理论和真实项目相结合，让学生能够掌握人工智能核心技术和应用场景。并推出「六项目制」项目教学，通过六个不同类型和开发深度的项目，使学员能够全面面对大部分企业人工智能应用场景。大型项目库，多行业多领域人工智能项目课程，主流行业全覆盖，其中项目课程包括了多行业13个场景的项目课程，让学生达到大厂的项目经验要求。课程消化吸收方面：V5.0在V4.0版本基础上迭代更新，加大了大模型开发比例，同时注重专业课的消化吸收，降低学习难度，提升就业质量。
全新升级四大课程优势，助力IT职业教育行业变革：
优势1:热门岗位全覆盖，匹配企业岗位需求，拓宽职业选择，实现阶段目标；优势2:与大厂合作，共建大模型课程，助力掌握前沿技术，增强就业竞争力；优势3:定制垂直领域大模型，专项领域赋能，打造就业薪资高，就业速度快的AI大模型人才；优势4:覆盖NLP，CV完整解决方案和技术栈，解决多业务场景问题。
1
更新Pytorch2.3.0
1
新增星火语音大模型
1
新增基于讯飞大模型定制平台的财经新闻情感分析项目
1
新增多风格英译汉翻译机项目
1
新增虚拟试衣项目
1
新增基于StableDiffusion的图像生成项目
1
新增大模型AI Agent开发应用
1
新增新零售行业评价决策系统
1
新增大模型搭建医疗问诊机器人
1
新增物流信息咨询智能问答项目
1
新增微博文本信息抽取项目
1
新增泛娱数据关系抽取项目
1
新增多模态技术及项目
1
友情提示更多学习视频+资料+源码，请加QQ：2632311208。
课程名称
人工智能AI进阶班
课程推出时间
2023.02.24
课程版本号
4.0
主要使用开发工具
Linux+PyCharm+Scikit-Learn+Pytorch+Neo4j+Docker
主要培养目标
以数据挖掘和NLP自然语言处理为核心方向，培养企业应用型高精尖AI人才
课程介绍
人工智能开发V4.0课程体系升级以企业需求为导向，专为培养和打造高级人工智能工程师、高含金量课程重磅推出，以业务为核心驱动项目开发，课程包括机器学习和深度学习框架Scikit-Learn和Pytorch，能够解决企业级数据挖掘、NLP自然语言处理与CV计算机视觉实际问题，通过理论和真实项目相结合，让学生能够掌握人工智能核心技术和应用场景。并推出「六项目制」项目教学，通过六个不同类型和开发深度的项目，使学员能够全面面对大部分企业人工智能应用场景。大型项目库，多行业多领域人工智能项目课程，主流行业全覆盖，其中项目课程包括了多行业13个场景的项目课程，让学生达到大厂的项目经验要求。课程消化吸收方面：V4.0在V3.0版本基础上迭代更新，注重专业课的消化吸收，降低学习难度，提升就业质量。
1
优化Python系统编程，针对人工智能必须的Python高阶知识体系重构课程，增加基础数据结构内容
1
新增机器学习部分[数据挖掘项目实战]，以多场景业务为背景，通过SQL和Pandas完成数据处理与统计分析，夯实使用机器学习解决数据挖掘问题能力。
1
新增NLP方向[知识图谱项目]，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. 包括知识构建, 知识存储, 知识表达, 路由分发, 结果融合等实现.最终呈现一个基于知识图谱的问答机器人。
新增[知识抽取项目]，该项目针对于泛娱乐场景下复杂业务关系进行实体抽取，帮助企业构建知识图谱。
1
优化NLP方向[NLP基础课程]：修改文本数据增强方法，解决原始谷歌接口被限制调用的问题；优化Seq2Seq英译法案例，修改原始代码bug，提升模型的准确率；新增FastText模型架构介绍；加深FastText模型处理分类的问题的原理理解；新增Word2Vec训练两种优化策略，加速模型快速收敛。
1
优化计算机视觉CV基础：图像分类的经典网络，开山之作ALexNet，VGGNet，GoogLenNet,ResNeT,ResNetV2,VGGRep,SeNet,轻量型网络：mobileNet,shuffleNet,EfficientNet,模型微调，数据增强，cutmix,copypaste,mosaic,目标检测任务，IOU，Map,正负样本设计，smoothL1损失，RCNN系列网络架构：RCNN，FastRCNN,FasterRCNN,MaskRCNN,FPN结构，ROIpooling设计，anchor思想，RoiAlign设计，训练策略；yolo系列网络V1-V8:DarkNet,yolo-FPN特征融合，passthrough融合方法，多尺度训练，IOU系列损失，DIOU，CIOU，SIOU等，输出端的解耦，REP-PAN结构，E-ELAN结构，预测阶段的BN设计，SPP和SPPF结构
1
优化智慧交通项目：目标跟踪方法，运动模型的设计，DBT和DFT初始化方法，JIT的加速方法，yoloV7目标检测，REP的使用，检测辅助端的使用，E-ELAN的使用，backbone的实现，head结构的实现，数据分析，数据预处理，数据增强，模型训练，预测与评估，车辆检测，kalman的使用，预测和更新阶段，KM算法的匹配，匈牙利算法，IOU匹配，级联匹配，ReId特征提取，欧式距离，余弦距离，马氏距离计算，目标状态更新，Deepsort算法目标跟踪，代价矩阵的设计，虚拟线圈的设计，线圈位置的获取，双线圈检测车流量支持mac电脑的m1芯片和m2芯片的学习
课程名称
人工智能AI进阶班
课程推出时间
2022.01.20
课程版本号
3.0
主要培养目标
以机器学习和深度学习技术，培养企业应用型高精尖AI人才
主要使用开发工具
Linux+PyCharm+DataSpell+Pytorch+Tensorflow+Neo4j+Docer+k8s
课程介绍
人工智能V3.0课程体系升级以企业需求为导向，专为培养和打造高级人工智能工程师、高含金量课程重磅推出，以业务为核心驱动项目开发，课程包括机器学习和深度学习框架Pytorch和TensorFlow，能够解决企业级数据挖掘、NLP自然语言处理与CV计算机视觉实际问题，通过理论和真实项目相结合，让学生能够掌握人工智能核心技术和应用场景。并推出「六项目制」项目教学，通过六个不同类型和开发深度的项目，使学员能够全面面对大部分企业人工智能应用场景。大型项目库，多行业多领域人工智能项目课程，主流行业全覆盖，其中项目课程天数占比为100天，包括了多行业13个场景的项目课程，让学生达到大厂的项目经验要求。课程消化吸收方面：V3.0在V2.0版本基础上迭代更新，注重专业课的消化吸收，降低学习难度，提升就业质量。
1
优化优化Python系统编程，针对人工智能必须的Python高阶知识体系重构课程
1
新增[数据处理与统计分析阶段]，以Linux为基础，通过SQL和Pandas完成数据处理与统计分析，为人工智能数据处理奠定技术基础。
1
优化优化机器学习算法，每个算法都兼具使用场景，数学推导过程及参数调优
1
新增[机器学习与多场景]，增加多场景案例实战，包括用户画像，电商运营建模等多场景案例实战
1
新增数据挖掘方向[百京金融风控]项目，从反欺诈、信用风险策略、评分卡模型构建等热点知识，使得学员具备中高级金融风控分析师能力。
1
新增数据挖掘方向[万米推荐系统]项目，从多数据源采集、多路召回、基于机器学习算法粗排算法与基于深度学习精排，解决了在大数据场景下如何实现完整推荐系统，使得学员可以具备企业级推荐项目开发能力。
1
优化深度学习基础课由TensorFlow切换为Pytorch，面向零基础同学更加友好
1
优化NLP基础课程Transform基础和Attention注意力机制在原理之后增加英译汉的案例，加强学生对基础算法原理的理解
1
优化NLP基础课程迁移学习API版本变化问题，优化传统序列模型算法原理
1
新增NLP方向[蜂窝头条文本分类优化]项目，增强学生NLP算法优化方面技能
1
新增NLP方向[知识图谱]项目，通过本体建模，知识抽取，知识融合，知识推理，知识存储与知识应用方面，学生可以掌握完整知识图谱构建流程。
1
新增[面试加强课]通过巩固机器学习与深度学习基础算法，加强核心算法掌握，增加数据结构基础算法、动态规划算法、贪心算法等面试高频算法题，加强多行业人工智能案例理解与剖析
1
删除Ubuntu环境搭建开发环境
课程名称
人工智能AI进阶班
课程推出时间
2021.02.01
课程版本号
2.0
主要针对
python3 & python2
主要使用开发工具
linux+PyCharm+Pytorch+Tensorflow+OpenCV+neo4j+Docer+k8s
课程介绍
AI理论方面: 通过新的开发的文本摘要项目、传智大脑项目, 提升学员复杂模型训练和优化的能力。
AI工程化方面: 新增的算法工程化讲座, 直接面向一线公司实际开发场景和需求, 比如服务日志, A/B测试, Git提交, Docker, K8S部署等, 让学员亲临公司场景, 求职后更好的无缝衔接进企业级开发。
AI新热点和趋势: 通过增加量化、剪枝、知识蒸馏、迁移学习等一线优化技术, 让学生有更多处理问题的武器和思路；增加知识图谱热点、mmlab框架热点、YOLO1~5算法系列，能更好的匹配业界需求。
课程消化吸收方面：V2.0在V.1.x版本基础上迭代更新，注重专业课的消化吸收，降低学习难度，提升就业速度、就业质量。
1
新增NLP方向【文本摘要项目】：自动完成文本信息的主题提取，中心思想提取，可以类比京东，当当网的商品自动宣传文案；快速的将主要信息展示给用户, 广泛应用于财经, 体育, 电商, 医疗, 法律等领域。基于seq2seq + attention的优化模型，基于PGN + attention + coverage的优化模型，基于PGN + beam-search的优化模型，文本的ROUGE评估方案和代码实现：weight-tying的优化策略、scheduled sampling的优化策略。
1
新增AI基础设置类项目【传智大脑】，目前提供AI前端功能展示、AI后端模型部署、AI在线服务、AI模型训练功能等系统功能。AI开发服务提供了信息中心网咨辅助系统，文本分类系统、考试中心试卷自动批阅系统、CV统计全国开班人数等系统；综合NLP、CV和未来技术热点。
1
新增CV方向【人流量统计项目】：以特定商场、客服场景对人流量进行分析和统计。掌握mmlab框架、核心模块MMDetection；resnet骨架网络特征提取，SSD网络和Cascade R-CNN网络目标检测；利用剪枝，压缩和蒸馏等方法减小模型规模；完成前后端部署（Flask + Gunicorn）、模型部署（ONNX-runtime技术）。
1
优化NLP方向【AI在线医生项目】: 两个离线模型 (命名实体审核模型, 命名实体识别模型)的优化，提升准确率, 召回率，F1的效果。 一个在线模型 (句子主题相关模型)的优化, 重在量化, 压缩, 知识蒸馏, 提升处理速度并展示对比测试实验。
1
新增知识图谱热点案例：知识图谱编程、深化neo4j中的cypher代码, 相关案例。
1
新增计算机视觉目标检测热点算法YoLov1~v5 V1~V5模型的网络架构、输入输出、训练样本构建，损失函数设计；模型间的改进方法；多尺度检测方法、先验框设计；数据增强方法、多种网络架构及设计不同模型的方法。
1
优化计算机视觉专业课：RCNN系列网络进阶课程：FasterRCNN目标检测的思想，anchor（锚框）设计与实现，掌握RPN网络是如何进行候选区域的生成的，掌握ROIPooling的使用方法掌握fasterRCNN的训练方法，掌握RCNN网络的预测方法。
1
新增AI算法工程化专题：10个子案例展示算法工程化中的实际工程问题, 企业真实开发中的问题和解决方案。研发, 测试环境的异同, 服务日志的介绍和实现， A/B测试，模型服务风险监控，在线服务重要指标，Git提交与代码规范化，正式环境部署(Docker, K8S),，数据分析与反馈。
课程名称
人工智能AI进阶班
课程推出时间
2020.6.1
课程版本号
1.5
主要针对版本
python3 & python2
主要使用开发工具
linux+PyCharm+Pytorch+Tensorflow
课程介绍
以周为单位迭代更新课程，包括机器学习、自然语言处理NLP、计算机视觉、AI算法强化等课程。同时为了更好的满足人工智能学员更快速的适应市场要求，推出了自然语言处理NLP案例库、计算机视觉CV案例库、面试强化题等等。同时也增加职业拓展课，学生学习完AI课程以后，可在职学习：推荐系统、爬虫、泛人工智能数据分析。
1
新增计算机视觉CV案例库
1
新增自然语言处理案例库
1
新增AI企业面试题
1
新增算法强化课程
1
新增计算机视觉强化课
课程名称
人工智能AI进阶班
课程推出时间
2019.12.21
课程版本号
1.0
主要针对版本
Python3 & Python2
主要使用开发工具
linux+PyCharm+Pytorch+Tensorflow
课程介绍
人工智能赋能实体产业的规模以每年40%的速度递增，人工智能人才在计算机视觉CV、自然语言处理NLP、数据科学的推荐广告搜索的需求越来越明确。传智教育研究院经过2年潜心研发，萃取百余位同行经验，推出全新的人工智能1.0课程。全新的人工智能课程体系具有以下优势：
1）六个月高级软件工程师培训课程。精准定位、因材施教，人工智能和Python开发分成两个不同的班型进行授课。
2）理论+实践培养AI专精型人才。如何培养人才达到企业的用人标准？传智教育提出了课程研发标准：1、AI理论方面，培养学员AI算法研究能力：AI算法实用性、先进性、可拓展性；2、AI实践方面，培养学员利用AI理论解决企业业务流的能力。
3）多领域多行业项目，全生态任性就业。设计多领域多行业项目有：智能交通项目（CV）、 实时人脸检测项目（CV）、在线AI医生项目（NLP）、智能文本分类项目（NLP）、泛娱乐推荐项目（CV+推荐）、CT图像肺结节自动检测项目（CV）、小智同学-聊天机器人（NLP）、场景识别项目（CV）、在线图片识别-商品检测项目（CV）、黑马头条推荐系统（推荐+数据科学）。
4）AI职业全技能（NLP、CV、数据科学-推荐广告搜索）,涵盖8大主流就业岗位。视觉处理工程师（CV）、自然语言处理工程师（NLP）、推荐系统工程师、机器学习工程师、深度学习工程师、数据分析工程师、数据挖掘工程师、知识图谱工程师。
5）课程设置科学合理，适合AI技术初学者。
6）技术大牛倾力研发，专职沉淀AI新技术。
1
新增机器学习进阶课程
1
新增计算机视觉项目：实时人脸检测项目、智能交通项目
1
新增自然语言处理NLP项目：在线AI医生项目、智能文本分类项目
1
新增算法强化课程：进化学习、分布式机器学习、数据结构强化
教师录取率<3%，从源头把控师资，带你过关斩将掌握每一个知识点< /p>
用数据驱动教学，贯通教/学/练/测/评，为每一位学员私人定制学习计划和就业服务
学前入学多维测评
学前目标导向式学习
学中随堂诊断纠错
学中阶段效果测评
学后在线作业试题库
学后问答社区查漏补缺
保障BI报表数据呈现
就业面试指导就业分析
就业流程
全信息化处理
学员能力
雷达图分析
定制个性化
就业服务
技术面试题
讲解
就业指导课
面试项目分析
HR面试攻略
模拟企业
真实面试
专业简历指导
面试复盘辅导
风险预警
企业黑名单提醒
老学员毕业后即可加入传智汇精英社区，持续助力学员职场发展
传智教育旗下IT互联网精英社区，以汇聚互联网前沿技术为核心，以传递、分享为己任，联合经纬创投、创新工场、京东人工智能、华为等众多关注互联网的知名机构及企业、行业大咖，共同研究中国互联网深度融合、跨界渗透、整合汇聚、相互促进的信息化资源共享平台。
行业沙龙
高端人脉
职场资源
技术研习
9970元/月平均薪资
15900元/月最高薪资
100%就业率
58人月薪过万
*学员就业信息统计数据为数据库中实时调取的真实相关数据，非广告宣传
江苏传智播客教育科技股份有限公司 版权所有Copyright 2006-2024, All Rights Reserved 苏ICP备16007882号 营业执照 增值电信业务经营许可证 出版物经营许可证 苏公网安备 32132202000574号