课程时长课程主题课程内容学习目标3天Python常见类库与人工智能概述pip工具的使用

虚拟环境搭建

重要数据类型的常用方法

模块与包的应用

常见数据结构 算法描述

Anaconda和Jupyter的基本使用

人工智能的发展历程与脉络

人工智能各领域的应用

相关算法模型的作用

机器学习、深度学习和神经网络之间的关联

数据科学计算包Numpy

基于Numpy数据的矩阵运算

Python编程基础

Python数据可视化编程

Python文件加载和处理

Python基础编程应用1.掌握Python中三方模块的下载和安装

2.了解常见数据结构和算法的实现

3.掌握如何自行搭建项目开发环境

4.了解人工智能的历史背景

5.掌握人工智能不同领域的应用和解决方案

6.掌握人工智能的基本开发流程

7.掌握Numpy数据科学计算包及编程应用

8.掌握Numpy数据的矩阵运算

9.掌握Python编程基本语法

10.掌握Python数据可视化编程

11.掌握Python文件加载和处理

12.掌握Python基础编程应用2天科学计算与样本数据预处理数据清洗

数据加载与存储

pandas的索引与切片

基于Pandas的级联与合并

数据表格的映射操作

数据分组、交叉与透视操作

数据的各种聚合操作

基于pandas实现的数据运算

数据的可视化包matplotlib

线性代数、概率论和信息论的概述1.掌握数值型数据的存储与加载

2.掌握数值型数据的相关处理运算

3.了解矩阵的相关处理运算机制

4.掌握非数值型数据的相关处理运算

5.**pandas的学习了解数据清洗的综合操作规范

6.可自行实现对数据集的预处理加工2天机器学习概述 特征工程机器学习通用原理介绍

机器学习初步的开发流程

分类和回归问题判定

数据集捕获方式

数据集的切分

特征工程-特征值化

特征工程-无量纲化

特征工程-特征选择1.了解机器学习的基本原理和应用方向

2.理解机器学习的数据类型

3.初步掌握特征工程在机器学习中的作用和实现方式

4.基于特征工程三要素可自行处理分析原始样本数据1天机器学习 (监督学习、非监督学习) 监督学习、非监督学习和半监督学习的分类、适用场景

监督学习的适用场合，应用和开发流程

非监督学习适用场合，应用和开发流程

半非监督学习适用场合，应用和开发流程

强化学习适用场合，应用和开发流程

基于GPT的半监督学习应用和开发流程1.了解监督学习、非监督学习和半监督学习的分类、优缺点、适用场景

2.掌握半监督学习兴起，特点和适用场景

3.熟悉强化学习适用场合，应用和开发流程

4.掌握GPT的半监督学习应用和开发流程4天机器学习算法线性回归模型的原理剖析 实战应用

回归模型的评价指标

模型的交叉验证

KNN算法模型的原理剖析 实战应用

分类模型的评价指标

模型的过拟合和欠拟合的处理

贝叶斯算法原理剖析 实战应用

树模型的原理剖析 实战应用

集成算法的原理剖析 实战应用

SVM支持向量机的原理剖析 实战应用

逻辑回归的原理剖析 实战应用

聚类算法的原理剖析 实战应用

算法模型的部署和应用1.充分掌握回归算法的通用原理和应用场景

2.充分掌握回归算法的通用原理和应用场景

3.充分掌握聚类算法的通用原理和应用场景

4.掌握主流特征工程的实现机制

5.掌握各类算法的评估指标

6.了解模型的部署流程2天深度学习核心

算法01.神经⽹络整体架构

02.卷积神经⽹络原理与参数解读

03.递归神经⽹络与词向量原理解读

04.深度学习必备基础知识点

05.图神经网络模型拓展应用

06.AI领域各经典模型架构分析

07.百度与商汤核心项目技术细节分析 1. 掌握深度学习领域核心算法原理

2. 熟悉神经网络建模流程与应用

3. 熟悉神经网络在不同领域的拓展

4. 掌握AI大厂**新算法与应用4天深度学习框架

PyTorch

实战01.PyTorch框架基本处理操作

02.神经⽹络实战分类与回归任务

03.卷积神经⽹络原理与参数解读

04.图像识别核⼼模块实战解读

05.迁移学习的作⽤与应⽤实例

06.递归神经⽹络与词向量原理解读

07.新闻数据集⽂本分类实战1. 熟练使用PyTorch框架进行建模

2. 熟悉神经网络搭建方法与应用

3. 熟练基于PyTorch完成计算机视觉与自然语言处理基本任务2天深度学习经典网络架构应用实战1. 项目1：商标图片分类识别，深度神经网络ResNet-101 v2网络架构设计，网络实现，和网络调优

2. 项目2：头条文章类型分类，利用Bert深度神经网络架构的设计，网络实现和参数调优

3. 掌握迁移学习实战1. 图片数据标注

2. 网络结构的设计

3. 参数调优

4. 熟悉迁移学习的方法和特征

5. 掌握深度学习框架的工程化方法和落地部署实践

6. 掌握迁移学习实践5天计算机视觉综合项目1. AI算力网络：构建深度学习的智算网络

2. 基于Nvidia GPU算法优化

3. 物体检测项目YOLO实战

4. 目标追踪Deepsort实战

5. 对抗生成网络GAN实战

6. 图像分割和识别Segment Anything实战

7. 行为识别与姿态估计案例应用

8. 图像生成:大模型图像生成

9. 基于Stable Diffusion和Midjourney大模型图像生成实践

10. 基于Transformer大模型图像的识别、分类和分割

11.  视觉大模型的应用实践

12. 计算机视觉企业项目流程与挑战分析1. 构建AI算力网络

2. 基于Nvidia GPU算法优化

3. 全流程掌握计算机视觉项目构建方法

4. 熟练使用深度学习框架开发CV项目

5. 从标注数据开始一步步掌握整个AI项目全部技术细节

6. 大模型图像生成及实践

7. 图像分割和识别

8. 熟练基于Transformer大模型图像的识别、分类和分割

9.  掌握视觉大模型的应用实践5天自然语言处理综合项目(含ChatGPT为代表的大模型)1. 基于深度学习的自然语言处理架构设计

2. 大语言模型LLM算法原理，实现以及实践

3. ChatGPT技术原理、行业实践及商业变现途径

4. 提示工程实践：提示工程算法原理、实现和实践

5. 大模型领域知识实践

6. 大模型本地化部署

7. 大模型能力涌现：思维链、能力涌现

8. AIGC多模态应用及实践

9. 大模型综合应用实践

10. Transformer框架原理与应用

11. 谷歌BERT项目解读与应用

12. LSTM情感分析项目

13. 知识图谱与图数据库解读

14. 基于知识图谱构建医药问答助手1. 掌握自然语言处理架构设计及应用

2. 大模型LLM算法原理以及实践应用

3. ChatGPT技术原理、行业实践及商业变现途径

4. 提示工程实践：提示工程算法原理、实现和实践

5. 大模型领域知识实践

6. 大模型本地化部署

7. 大模型能力涌现：思维链、能力涌现及行业应用

8. 大模型垂直行业的落地实践

9. AIGC多模态应用及实践

10. 大模型综合应用实践

11. 掌握自然语言处理建模方法与应用

12. 熟练使用PyTorch框架构建文本模型

13. 熟练使用图数据库打造知识图谱