• 掌握 Python 語(yǔ)言基礎(chǔ)，包括語(yǔ)法、數(shù)據(jù)類型、運(yùn)算符、輸入輸出函數(shù)等核心內(nèi)容。
• 熟練運(yùn)用 PyCharm 開(kāi)發(fā)工具，掌握其安裝、設(shè)置及調(diào)試相關(guān)操作。
• 精通 Python 中分支、循環(huán)結(jié)構(gòu)以及各類數(shù)據(jù)結(jié)構(gòu)（字符串、列表、字典、元組等）的操作與運(yùn)用。
• 深入理解面向?qū)ο缶幊蹋w類和對(duì)象、封裝、繼承、多態(tài)及設(shè)計(jì)模式等方面知識(shí)。
• 具備 Python 文件操作、異常處理以及模塊制作、安裝與使用的能力。
• 了解 Python 的高級(jí)特性，像深拷貝、淺拷貝、生成器、迭代器、閉包、裝飾器等內(nèi)容。
• 掌握 Python 進(jìn)程與線程相關(guān)概念及操作，包括并發(fā)、通信、互斥鎖等要點(diǎn)。
• 熟悉 Python 網(wǎng)絡(luò)編程以及正則表達(dá)式相關(guān)知識(shí)，用于對(duì)應(yīng)場(chǎng)景的實(shí)踐應(yīng)用。

Python核心

• 1、Python入門(mén)：Python發(fā)展史、Python應(yīng)用場(chǎng)景、Python開(kāi)發(fā)環(huán)境搭建
• 2、PyCharm：PyCharm的安裝、設(shè)置字體、設(shè)置快捷鍵、PyCharm常用設(shè)置、調(diào)試
• 3、Python基礎(chǔ)知識(shí)：注釋、變量以及數(shù)據(jù)類型、標(biāo)識(shí)符和關(guān)鍵字、輸入函數(shù)、輸出函數(shù)、運(yùn)算符、程序類型轉(zhuǎn)換
• 4、分支和循環(huán)：if判斷語(yǔ)句、運(yùn)算符、if-else語(yǔ)句、while循環(huán)、for循環(huán)、break、continue
• 5、字符串和列表：字符串輸入、字符串輸出、下標(biāo)和切片、字符串常見(jiàn)函數(shù)、列表(list)、列表的循環(huán)遍歷、列表的增刪改查、列表的嵌套、列表的切片
• 6、字典和元組：字典的增刪改查、字典遍歷、訪問(wèn)元組、修改元組、集合（set）
• 7、函數(shù)：函數(shù)定義、函數(shù)的類型、函數(shù)參數(shù)、函數(shù)返回值、函數(shù)嵌套、局部變量、全局變量、遞歸函數(shù)、匿名函數(shù)
• 8、文件操作：文件的打開(kāi)與關(guān)閉、文件的讀寫(xiě)、文件讀寫(xiě)應(yīng)用
• 9、面向?qū)ο螅惡蛯?duì)象）：定義類、類的構(gòu)成、類的__init__()方法、創(chuàng)建對(duì)象、理解self
• 10、面向?qū)ο螅ǚ庋b、繼承、多態(tài)）：封裝、私有方法、私有屬性、__del__()方法、繼承、多繼承、多態(tài)、類屬性、實(shí)例屬性、靜態(tài)方法和類方法
• 11、面向?qū)ο螅ㄔO(shè)計(jì)模式）：?jiǎn)卫Ｊ?、工廠模式、__new__方法
• 12、綜合案例：憤怒的小鳥(niǎo)
• 13、異常：捕獲異常、異常的傳遞
• 14、模塊：模塊中的__all__、模塊制作、打包模塊、模塊安裝與使用
• 15、深拷貝、淺拷貝、私有化：深拷貝案例、淺拷貝案例、進(jìn)制、位運(yùn)算、作用域、私有化、屬性property
• 16、生成器、迭代器、閉包、裝飾器、元類、垃圾回收、內(nèi)建函數(shù)
• 17、網(wǎng)絡(luò)編程：進(jìn)程池、進(jìn)程間通信、多線程、進(jìn)程和線程區(qū)別、網(wǎng)絡(luò)通信、端口、IP地址、socket、UDP、TCP、http
• 18、網(wǎng)絡(luò)編程綜合案例：企業(yè)級(jí)web框架starlette介紹及使用
• 19、正則表達(dá)：表示字符、表示數(shù)量、原始字符串、表示邊界、匹配分組
• 20、綜合案例：客戶信息管理系統(tǒng)綜合案例

• 掌握鏈表、棧、隊(duì)列的基本操作及應(yīng)用。
• 熟練運(yùn)用快速排序、二分查找等算法。
• 解決數(shù)組、字符串、查找等各類問(wèn)題。
• 掌握遞歸、動(dòng)態(tài)規(guī)劃、貪心、回溯等算法思想及應(yīng)用。

數(shù)據(jù)結(jié)構(gòu)&算法

• 什么是數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)結(jié)構(gòu)分類、什么是算法、算法的分類、時(shí)間復(fù)雜度、空間復(fù)雜度
• 常用數(shù)據(jù)結(jié)構(gòu)：數(shù)組、鏈表、棧、隊(duì)列、哈希表、樹(shù)、圖
• 常用算法：查找算法、排序算法、分治算法、動(dòng)態(tài)規(guī)劃算法、回溯算法、貪心算法
• 力扣刷題

• 熟練安裝配置 Linux 環(huán)境并掌握常用命令。
• 精通 MySQL 安裝使用及 SQL 操作。
• 熟悉 Numpy 的屬性、函數(shù)及運(yùn)算。
• 掌握 Pandas 的數(shù)據(jù)處理方法。
• 會(huì)用多種工具進(jìn)行數(shù)據(jù)可視化。
• 具備在 Linux 環(huán)境下進(jìn)行數(shù)據(jù)分析和可視化的綜合能力。

Linux基礎(chǔ)&Shell

• Linux環(huán)境準(zhǔn)備：VM 安裝、Linux 安裝、VI 編輯器、軟件包安裝
• Linux 常用命令：vim、cd、mkdir、chmod、chown、grep、echo、tail、more、touch、sudo、history、yum、systemctl、ln、ifconfig、hostname、ping、netstat、ps等
• Shell：變量、運(yùn)算符、條件判斷、流程控制、系統(tǒng)函數(shù)&自定義函數(shù)、常用工具命令、常用正則表達(dá)式

MySQL

• MySQL安裝和使用、SQL語(yǔ)句、數(shù)據(jù)庫(kù)操作、表操作、SQL約束、多表操作、開(kāi)窗函數(shù)、案例
• 遠(yuǎn)程連接MySQL、Redis、Hive數(shù)據(jù)庫(kù)

Numpy

• Anaconda下載、安裝、Ubuntu安裝Anaconda、conda常用命令
• Jupyter本地安裝、PyCharm中集成Jupyter、使用遠(yuǎn)程JupyterServer、Jupyter快捷鍵
• Numpy的屬性、創(chuàng)建方式、數(shù)據(jù)類型、切片和索引、基本函數(shù)、統(tǒng)計(jì)函數(shù)、比較函數(shù)、排序函數(shù)、基本運(yùn)算、去重函數(shù)、矩陣乘法

Pandas

• Pandas數(shù)據(jù)結(jié)構(gòu)-Series：創(chuàng)建、常用屬性、常用方法、布爾索引、運(yùn)算
• Pandas數(shù)據(jù)結(jié)構(gòu)-DataFrame：創(chuàng)建、常用屬性、常用方法、布爾索引、運(yùn)算、更改操作、數(shù)據(jù)的導(dǎo)入導(dǎo)出
• Pandas日期數(shù)據(jù)處理：to_datetime()、Series.dt、to_period()
• DataFrame：加載數(shù)據(jù)集、查看部分?jǐn)?shù)據(jù)、分組聚合計(jì)算、基本繪圖、常用統(tǒng)計(jì)值、常用排序算法；案例實(shí)操：?jiǎn)T工薪資統(tǒng)計(jì)分析
• Padas數(shù)據(jù)組合函數(shù)：concat連接、merge合并
• Padas的缺失值處理函數(shù)：查看缺失值、剔除缺失值、填充缺失值
• Padas的apply函數(shù)：Series使用apply()、DataFrame使用apply()、向量化函數(shù)
• Padas的數(shù)據(jù)聚合、轉(zhuǎn)換、過(guò)濾函數(shù)；Pandas透視表、案例實(shí)操：睡眠質(zhì)量分析透視表；
• Pandas時(shí)間序列：Pandas中的日期與時(shí)間、使用時(shí)間作為索引、生成時(shí)間序列
• Matplotlib可視化、Pandas可視化、Seaborn可視化
• 綜合案例：房地產(chǎn)市場(chǎng)洞察與價(jià)值評(píng)估

• 熟悉線性代數(shù)、概率、高數(shù)等數(shù)學(xué)基礎(chǔ)。
• 熟悉 KNN 算法的思想、流程及不同距離計(jì)算方法，能進(jìn)行特征預(yù)處理和案例實(shí)現(xiàn)。
• 理解線性回歸的概念、分類、損失函數(shù)等，掌握梯度下降算法等方法及模型評(píng)估。
• 掌握邏輯回歸的數(shù)學(xué)基礎(chǔ)、原理及分類評(píng)估指標(biāo)，能進(jìn)行案例實(shí)踐。

數(shù)學(xué)基礎(chǔ)

• 高等數(shù)學(xué)：基本函數(shù)的導(dǎo)數(shù)、導(dǎo)數(shù)的求導(dǎo)法則、利用導(dǎo)數(shù)求極值、二階導(dǎo)數(shù)、偏導(dǎo)數(shù)、梯度
• 線性代數(shù)：標(biāo)量與向量、向量運(yùn)算、向量范數(shù)、矩陣與張量、矩陣乘法、矩陣轉(zhuǎn)置、矩陣的逆
• 概率論：均勻分布、伯努利分布、二項(xiàng)分布、正態(tài)分布、貝葉斯定理、極大似然估計(jì)

機(jī)器學(xué)習(xí)概述

• 機(jī)器學(xué)習(xí)概述：發(fā)展歷程、應(yīng)用領(lǐng)域、基本術(shù)語(yǔ)、算法分類、建模流程、特征工程

監(jiān)督學(xué)習(xí)

• KNN：算法思想、分類流程和實(shí)現(xiàn)、回歸流程和實(shí)現(xiàn)、常見(jiàn)距離（歐氏、曼哈頓、切比雪夫、閔可夫斯基距離）度量方法、特征預(yù)處理歸一化和標(biāo)準(zhǔn)化、API
• KNN 案例和參數(shù)調(diào)優(yōu)
• 線性回歸：概念和分類、損失函數(shù)和求解方法（正規(guī)方程法、梯度下降算法）、模型評(píng)估（MAE/MSE/RMSE）、API
• 線性回歸案例和正則化
• 邏輯回歸：數(shù)學(xué)基礎(chǔ)、原理、損失函數(shù)、混淆矩陣、精確率/召回率/F1-score分類評(píng)估、AUC指標(biāo)、ROC曲線、API
• 邏輯回歸案例
• 感知機(jī)：基本概念、激活函數(shù)、具體實(shí)現(xiàn)；邏輯電路和感知機(jī)的局限
• 其它監(jiān)督學(xué)習(xí)算法：樸素貝葉斯、決策樹(shù)、SVM、AdaBoost等簡(jiǎn)介

無(wú)監(jiān)督學(xué)習(xí)

• 無(wú)監(jiān)督學(xué)習(xí)：聚類算法簡(jiǎn)介、API使用、Kmeans原理、模型評(píng)估；SVD、LDA、PCA簡(jiǎn)介
• 特征選擇和特征降維：基本概念介紹；低方差過(guò)濾法、相關(guān)過(guò)濾法、主成分分析（PCA）法

• 理解深度學(xué)習(xí)的概念、應(yīng)用場(chǎng)景及優(yōu)缺點(diǎn)。
• 掌握 Pytorch 的安裝及張量的各種操作，包括創(chuàng)建、類型轉(zhuǎn)換、數(shù)值計(jì)算等。
• 熟悉神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)組成，如輸入層、輸出層、隱藏層等，掌握激活函數(shù)、損失函數(shù)等相關(guān)知識(shí)。
• 了解卷積神經(jīng)網(wǎng)絡(luò) CNN，掌握?qǐng)D像基礎(chǔ)、卷積層和池化層等知識(shí)及案例應(yīng)用。
• 掌握循環(huán)網(wǎng)絡(luò) RNN 的原理及詞嵌入層、循環(huán)網(wǎng)絡(luò)層的 API 和文本生成案例。
• 具備深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)能力，如電商推薦和圖片搜索等項(xiàng)目。

深度學(xué)習(xí)簡(jiǎn)介和Pytorch

• 什么是深度學(xué)習(xí)、深度學(xué)習(xí)應(yīng)用場(chǎng)景、深度學(xué)習(xí)優(yōu)缺點(diǎn)
• Pytorch的安裝、張量創(chuàng)建方法、張量的類型轉(zhuǎn)換、張量的數(shù)值計(jì)算、張量運(yùn)算函數(shù)、張量索引操作、張量形狀操作、張量拼接操作、自動(dòng)微分模塊；案例：實(shí)現(xiàn)線性回歸

神經(jīng)網(wǎng)絡(luò)

• 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)：多層感知機(jī)、激活函數(shù)、初始化方式、神經(jīng)網(wǎng)絡(luò)搭建
• 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)：數(shù)據(jù)驅(qū)動(dòng)、損失函數(shù)、梯度下降法、學(xué)習(xí)算法的實(shí)現(xiàn)
• 反向傳播算法（核心算法）：計(jì)算圖、鏈?zhǔn)椒▌t、算法原理、算法實(shí)現(xiàn)
• 學(xué)習(xí)方法的優(yōu)化：參數(shù)更新、權(quán)重初始值、正則化、學(xué)習(xí)率衰減、梯度消失和梯度爆炸
• 神經(jīng)網(wǎng)絡(luò)案例：房?jī)r(jià)預(yù)測(cè)

卷積神經(jīng)網(wǎng)絡(luò)

• CNN：圖像基礎(chǔ)、卷積層計(jì)算、池化層作用及分類、全連接層、API
• CNN案例：服裝分類

循環(huán)神經(jīng)網(wǎng)絡(luò)

• RNN：詞嵌入層作用及API、循環(huán)網(wǎng)絡(luò)層原理及API
• RNN案例：古詩(shī)生成

項(xiàng)目一：智圖尋寶

• 1. 掌握卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行圖片特征提取。
• 2. 運(yùn)用遷移學(xué)習(xí)。
• 3. 熟悉特征向量檢索及相似度計(jì)算方法。
• 4. 能夠進(jìn)行大規(guī)模數(shù)據(jù)處理，如使用索引技術(shù)。
• 5. 熟練使用 PyTorch 框架構(gòu)建、訓(xùn)練和優(yōu)化模型。
• 6. 運(yùn)用 Torchvision 處理圖像相關(guān)任務(wù)。
• 7. 進(jìn)行數(shù)據(jù)預(yù)處理與增強(qiáng)提升模型魯棒性。
• 8. 結(jié)合工具進(jìn)行大規(guī)模特征向量高效檢索。

• 理解 NLP 的概念、發(fā)展歷史和應(yīng)用場(chǎng)景。
• 掌握文本預(yù)處理的方法，包括文本張量表示、特征處理和數(shù)據(jù)增強(qiáng)等。
• 熟悉 RNN、LSTM、GRU 模型的概念、作用和結(jié)構(gòu)特點(diǎn)，以及對(duì)應(yīng)的 API。
• 了解注意力機(jī)制的概念和實(shí)現(xiàn)步驟，掌握 Seq2Seq 結(jié)構(gòu)及添加注意力機(jī)制的方法。
• 理解 Transformer 架構(gòu)，包括各層結(jié)構(gòu)和編碼器 - 解碼器結(jié)構(gòu)實(shí)現(xiàn)。
• 掌握 fastText 工具的作用、安裝和文本分類方法，以及詞向量遷移技巧。

NLP核心

• NLP技術(shù)演進(jìn)：規(guī)則系統(tǒng)階段、統(tǒng)計(jì)方法階段、機(jī)器學(xué)習(xí)階段、深度學(xué)習(xí)階段
• NLP英文分詞：頂級(jí)分詞、字符級(jí)分詞、子詞級(jí)分詞
• NLP中文分詞：字符級(jí)分詞、詞級(jí)分詞、子詞級(jí)分詞、 jieba分詞器工具
• 詞表示：One-hot編碼、語(yǔ)義化詞向量、 Word2Vec原理、Word2Vec案例實(shí)操
• RNN：基礎(chǔ)結(jié)構(gòu)、多層結(jié)構(gòu)、雙向結(jié)構(gòu)、多層+雙向結(jié)構(gòu)、API使用；案例實(shí)操：智能輸入法；RNN存在問(wèn)題；
• LSTM：基礎(chǔ)結(jié)構(gòu)、多層結(jié)構(gòu)、雙向結(jié)構(gòu)、多層+雙向結(jié)構(gòu)、API使用；案例實(shí)操：AI智評(píng)1.0；LSTM存在問(wèn)題；
• GRU：基礎(chǔ)結(jié)構(gòu)、多層結(jié)構(gòu)、雙向結(jié)構(gòu)、多層+雙向結(jié)構(gòu)、API使用；案例實(shí)操：AI智評(píng)2.0；GRU存在問(wèn)題；
• Seq2Seq模型：編碼器、解碼器、模型訓(xùn)練、模型推理；案例實(shí)操：中英翻譯1.0；Seq2Seq存在問(wèn)題
• Attention工作原理：相關(guān)性計(jì)算、注意力權(quán)重計(jì)算、上下文向量計(jì)算、解碼信息融合
• Attention注意力評(píng)分函數(shù)：點(diǎn)積評(píng)分、通用點(diǎn)積評(píng)分、拼接評(píng)分；案例實(shí)操：中英翻譯2.0；Attention存在問(wèn)題
• Transformer模型結(jié)構(gòu)詳解：核心思想、整體結(jié)構(gòu)、編碼器、解碼器
• Transformer模型：模型訓(xùn)練、模型推理、API使用；案例實(shí)操：中英翻譯3.0
• 預(yù)訓(xùn)練模型GPT：模型結(jié)構(gòu)、預(yù)訓(xùn)練方式、微調(diào)方式
• 預(yù)訓(xùn)練模型BERT：模型結(jié)構(gòu)、預(yù)訓(xùn)練方式、微調(diào)方式
• 預(yù)訓(xùn)練模型案例實(shí)操：AI智評(píng)3.0

項(xiàng)目二：智能發(fā)布

• 1. 熟悉 Transformer、BERT 等深度學(xué)習(xí)技術(shù)。
• 2. 掌握數(shù)據(jù)收集、清洗、標(biāo)注及預(yù)處理方法。
• 3. 能使用 PyTorch 框架搭建、訓(xùn)練和微調(diào)模型。
• 4. 了解在線推理服務(wù)部署及批量數(shù)據(jù)處理。
• 5. 使用TensorBoard 可視化工具展示訓(xùn)練過(guò)程
• 6. 具備持續(xù)迭代和優(yōu)化模型的能力。

項(xiàng)目三：項(xiàng)目實(shí)戰(zhàn)之智選新聞

• 1. 掌握 Transformer 模型與 BERT 預(yù)訓(xùn)練模型應(yīng)用。
• 2. 運(yùn)用 PyTorch 框架構(gòu)建、訓(xùn)練及部署模型。
• 3. 進(jìn)行新聞數(shù)據(jù)收集、清洗、分詞與編碼。
• 4. 實(shí)現(xiàn)新聞分類、新聞?wù)哪Ｐ臀⒄{(diào)。
• 5. 運(yùn)用相應(yīng)評(píng)估指標(biāo)評(píng)估各任務(wù)模型性能。
• 6. 利用TensorBoard可視化模型訓(xùn)練及性能情況。
• 7. 封裝模型為 API 服務(wù)并優(yōu)化推理速度。
• 8. 展示分類新聞和新聞?wù)獌?nèi)容。

項(xiàng)目四：智薦圖譜

• 1. 掌握深度學(xué)習(xí)框架 PyTorch。
• 2. 熟悉 UIE模型。
• 3. 運(yùn)用自然語(yǔ)言處理技術(shù)進(jìn)行分詞、命名實(shí)體識(shí)別等。
• 4. 了解多種數(shù)據(jù)庫(kù)存儲(chǔ)知識(shí)圖譜及結(jié)構(gòu)化數(shù)據(jù)。
• 5. 使用Neo4j存儲(chǔ)圖數(shù)據(jù)
• 6. 掌握協(xié)同過(guò)濾算法和深度學(xué)習(xí)推薦模型。
• 7. 能夠進(jìn)行數(shù)據(jù)采集、清洗和特征工程。
• 8. 構(gòu)建知識(shí)圖譜的實(shí)體識(shí)別、關(guān)系抽取和三元組生成。
• 9. 實(shí)現(xiàn)模型部署和提供推理服務(wù)。

項(xiàng)目五：項(xiàng)目實(shí)戰(zhàn)之智醫(yī)助手

• 1. 掌握 Transformer 和 BERT 等自然語(yǔ)言處理技術(shù)。
• 2. 運(yùn)用 PyTorch 框架構(gòu)建、訓(xùn)練及部署模型。
• 3. 進(jìn)行醫(yī)療對(duì)話數(shù)據(jù)收集、清洗、標(biāo)注與文本處理。
• 4. 實(shí)現(xiàn)意圖識(shí)別、實(shí)體抽取、對(duì)話生成的模型微調(diào)。
• 5. 開(kāi)發(fā) API 接口并集成前后端應(yīng)用。
• 6. 利用 TensorBoard 進(jìn)行數(shù)據(jù)可視化與分析。
• 7. 構(gòu)建醫(yī)療知識(shí)圖譜與常見(jiàn)問(wèn)題答疑庫(kù)。
• 8. 確保數(shù)據(jù)安全與隱私保護(hù)。
• 9. 按階段推進(jìn)項(xiàng)目實(shí)施與持續(xù)維護(hù)更新。

項(xiàng)目六：項(xiàng)目實(shí)戰(zhàn)之AI智教

• 1. 掌握 Transformer 和 BERT 模型應(yīng)用。
• 2. 運(yùn)用 PyTorch 框架構(gòu)建、訓(xùn)練及部署模型。
• 3. 利用 Pandas、NumPy 進(jìn)行數(shù)據(jù)處理與分析。
• 4. 進(jìn)行多源學(xué)習(xí)數(shù)據(jù)收集、清洗、特征工程與編碼。
• 5. 實(shí)現(xiàn)學(xué)習(xí)情況預(yù)測(cè)、情感分析等模型訓(xùn)練及優(yōu)化。
• 6. 部署模型并提供穩(wěn)定 API 接口與實(shí)時(shí)分析反饋。
• 7. 運(yùn)用 TensorBoard 等工具生成可視化報(bào)告。
• 8. 遵循數(shù)據(jù)隱私法規(guī)處理敏感信息。
• 9. 按階段推進(jìn)項(xiàng)目實(shí)施及功能迭代。

• 理解 LLaMA 和 Qwen 系列模型的核心原理。
• 掌握大模型微調(diào)的方法，包括核心要素、數(shù)據(jù)收集與評(píng)估、各種技術(shù)及參數(shù)設(shè)置等。
• 熟悉 NLP 常規(guī)任務(wù)方案設(shè)計(jì)，能搭建大模型訓(xùn)練環(huán)境并理解微調(diào)代碼。
• 了解多模態(tài)技術(shù)，掌握 Vit、CLIP、ALBEF 等多模態(tài)模型的核心原理。
• 能夠運(yùn)用大模型內(nèi)容生成技術(shù)解決實(shí)際問(wèn)題。

大模型微調(diào)核心

• GPT 系列模型核心原理講解
• LLaMA 系列模型核心原理詳解
• Qwen 系列模型核心原理講解
• 大模型微調(diào)概述、核心要素、數(shù)據(jù)收集
• 大模型微調(diào)數(shù)據(jù)集處理、alpaca指令跟隨格式、shareGPT多輪對(duì)話格式
• 大模型微調(diào)技術(shù)PEFT概述、promp-tuning介紹、p-tuning介紹、zero-shot、few-shot
• 大模型量化算法、LoRA微調(diào)、QLoRA微調(diào)
• 大模型全參數(shù)微調(diào)技術(shù)詳解、DeepSpeed分布式訓(xùn)練
• 大模型訓(xùn)練環(huán)境搭建、微調(diào)代碼詳解、微調(diào)參數(shù)詳解
• 大模型合并、打包，vllm高性能部署
• 大模型評(píng)估方法與評(píng)估指標(biāo)分析

項(xiàng)目七：文本摘要

• 1、數(shù)據(jù)增強(qiáng)：結(jié)合合成數(shù)據(jù)生成與主動(dòng)學(xué)習(xí)，用GPT生成大量帶噪樣本，提升模型對(duì)長(zhǎng)文本、低資源語(yǔ)言的魯棒性。
• 2、長(zhǎng)文本優(yōu)化：采用滑動(dòng)窗口分塊策略，結(jié)合Key-Value Memory緩存機(jī)制，實(shí)現(xiàn)超長(zhǎng)文本網(wǎng)頁(yè)摘要
• 3、生成控制??：注入Prompt模板（如“重點(diǎn)總結(jié)優(yōu)缺點(diǎn)”）與溫度參數(shù)調(diào)節(jié)，精準(zhǔn)控制摘要長(zhǎng)度（50-200字）與信息密度
• 4、模型微調(diào)：使用LoRA微調(diào)，適配專業(yè)術(shù)語(yǔ)
• 5、實(shí)時(shí)推理??：基于vLLM引擎部署，支持高并發(fā)，端到端低延遲

項(xiàng)目八：RAG項(xiàng)目

• 1. 環(huán)境搭建：配置多GPU服務(wù)器及安裝必要的軟件和驅(qū)動(dòng)。
• 2. 數(shù)據(jù)處理：收集并清洗大規(guī)模語(yǔ)料，設(shè)計(jì)多樣化的指令模板。
• 3. 檢索模塊：實(shí)現(xiàn)高效文本檢索算法，設(shè)計(jì)上下文感知的檢索策略
• 4. 模型微調(diào)：開(kāi)發(fā)支持多模型和框架的微調(diào)代碼，采用LoRA或全參數(shù)微調(diào)Qwen2.5。
• 5. RAG集成：將檢索模塊與生成模塊集成，實(shí)現(xiàn)端到端的問(wèn)答系統(tǒng)。
• 6. 性能評(píng)估：建立包含自動(dòng)和人工評(píng)價(jià)的全面評(píng)估體系。
• 7. 部署與接口：將模型封裝為服務(wù)，并設(shè)計(jì)安全的RESTful API接口。
• 8. 前端開(kāi)發(fā)：使用主流前端框架構(gòu)建用戶交互界面，實(shí)現(xiàn)對(duì)話和配置功能。

項(xiàng)目九：智服在線

• 1. 環(huán)境搭建：配置多GPU服務(wù)器及安裝必要的軟件和驅(qū)動(dòng)。
• 2. 數(shù)據(jù)處理：收集并清洗大規(guī)模語(yǔ)料，設(shè)計(jì)多樣化的指令模板。
• 3. 模型微調(diào)：開(kāi)發(fā)支持多模型和框架的微調(diào)代碼，采用LoRA或全參數(shù)微調(diào)Qwen2.5。
• 4. 性能評(píng)估：建立包含自動(dòng)和人工評(píng)價(jià)的全面評(píng)估體系。
• 5. 部署與接口：將模型封裝為服務(wù)，并設(shè)計(jì)安全的RESTful API接口。
• 6. 前端開(kāi)發(fā)：使用主流前端框架構(gòu)建用戶交互界面，實(shí)現(xiàn)對(duì)話和配置功能。

項(xiàng)目十：項(xiàng)目實(shí)戰(zhàn)之保險(xiǎn)反詐（三選一）

• 1. 掌握大模型訓(xùn)練技術(shù)
• 2. 運(yùn)用 PyTorch 框架構(gòu)建和訓(xùn)練模型。
• 3. 進(jìn)行數(shù)據(jù)采集、清洗和預(yù)處理。
• 4. 實(shí)施特征工程與降維。
• 5. 實(shí)現(xiàn)模型融合提升預(yù)測(cè)性能。
• 6. 部署模型為微服務(wù)提供 API。
• 7. 利用 Matplotlib 進(jìn)行數(shù)據(jù)可視化。
• 8. 構(gòu)建告警系統(tǒng)處理高風(fēng)險(xiǎn)請(qǐng)求。

項(xiàng)目十：項(xiàng)目實(shí)戰(zhàn)之AI學(xué)情（三選一）

• 1. 掌握大模型訓(xùn)練技術(shù)
• 2. 運(yùn)用 PyTorch 框架構(gòu)建和訓(xùn)練模型。
• 3. 進(jìn)行數(shù)據(jù)收集、清洗、預(yù)處理和特征工程。
• 4. 實(shí)現(xiàn)模型融合與優(yōu)化。
• 5. 部署模型提供 API 接口進(jìn)行實(shí)時(shí)預(yù)測(cè)。
• 6. 利用 TensorBoard 進(jìn)行數(shù)據(jù)可視化展示。
• 7. 生成學(xué)習(xí)情況報(bào)告和個(gè)性化學(xué)習(xí)建議。

項(xiàng)目十：項(xiàng)目實(shí)戰(zhàn)之智薦廣告（三選一）

• 1. 掌握大模型訓(xùn)練技術(shù)
• 2. 運(yùn)用 PyTorch 框架構(gòu)建和訓(xùn)練模型。
• 3. 進(jìn)行數(shù)據(jù)收集、清洗、預(yù)處理及特征工程。
• 4. 實(shí)現(xiàn)模型融合與優(yōu)化。
• 5. 部署模型提供實(shí)時(shí)預(yù)測(cè)服務(wù)。
• 6. 利用 TensorBoard 進(jìn)行數(shù)據(jù)可視化。
• 7. 展示個(gè)性化廣告并生成報(bào)告。

多模態(tài)核心原理

• 多模態(tài)技術(shù)概述
• Vit模型核心原理詳解
• CLIP模型核心原理詳解
• ALBEF模型核心原理詳解
• BLIP/BLIP-2模型核心原理詳解
• LLaVA模型核心原理詳解
• Qwen-VL模型核心原理詳解

項(xiàng)目十一：多模圖題

• 1. 掌握 Transformer 模型處理文本數(shù)據(jù)的應(yīng)用。
• 2. 運(yùn)用 Stable Diffusion 第三方 API 處理圖像數(shù)據(jù)。
• 3. 利用 PyTorch 構(gòu)建和訓(xùn)練模型。
• 4. 進(jìn)行文本和圖像數(shù)據(jù)的收集、清洗及預(yù)處理。
• 5. 實(shí)現(xiàn)文本與圖像特征的提取及多模態(tài)融合。
• 6. 部署模型并提供 API 接口用于實(shí)時(shí)監(jiān)控。
• 7. 運(yùn)用 TensorBoard 進(jìn)行數(shù)據(jù)可視化。

• 掌握強(qiáng)化學(xué)習(xí)基礎(chǔ)方法及神經(jīng)網(wǎng)絡(luò)與強(qiáng)化學(xué)習(xí)結(jié)合應(yīng)用。
• 熟悉先進(jìn)強(qiáng)化學(xué)習(xí)算法并具備解決實(shí)際問(wèn)題的能力。
• 熟悉DeepSeek理論和DeepSeek企業(yè)應(yīng)用

強(qiáng)化學(xué)習(xí)

• 強(qiáng)化學(xué)習(xí)基礎(chǔ)理論：老虎機(jī)問(wèn)題、馬爾可夫決策過(guò)程、貝爾曼方程、動(dòng)態(tài)規(guī)劃法、蒙特卡羅方法、TD方法
• 深度強(qiáng)化學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò)和Q學(xué)習(xí)、DQN、策略梯度法
• 基于強(qiáng)化學(xué)習(xí)微調(diào)大模型：A2C算法、PPO（近端策略優(yōu)化）、RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)）

DeepSeek

• DeepSeek理論：MLA、MoE、MTP、GRPO、獎(jiǎng)勵(lì)模型、CoT、模型蒸餾、訓(xùn)練過(guò)程
• DeepSeek企業(yè)應(yīng)用：本地部署、多卡聯(lián)合部署、vLLM多卡推理、微調(diào)案例
• 思維鏈：如何從零復(fù)刻一個(gè)deepseek-r1模型

• 掌握指令模型和推理模型提示詞規(guī)則
• 掌握常見(jiàn)的大模型使用方式
• 掌握大模型提升工作效率的常用方式，包括常見(jiàn)使用場(chǎng)景、大模型結(jié)合辦公軟件、AI Agent及工作流搭建方式

提示詞工程

• 1、Prompt 在大模型應(yīng)用中的重要性
• 2、Prompt設(shè)計(jì)的基本原則
• 3、指令模型 vs 推理模型的prompt的不同設(shè)計(jì)
• 4、復(fù)雜任務(wù)的多步驟Prompt設(shè)計(jì)
• 5、案例：爆款文案生成、簡(jiǎn)歷指導(dǎo)、模擬面試

Agent 智能體與MCP

• 1、智能體的發(fā)展階段、智能體的核心要素
• 2、個(gè)人知識(shí)庫(kù)搭建
• 3、低階智能體與高階智能體的搭建（案例：個(gè)人生活助理、智能秘書(shū)等）
• 4、DeepResearch的應(yīng)用 與 Manus的使用
• 5、MCP的C/S架構(gòu)、Cursor中使用MCP、手動(dòng)開(kāi)發(fā)MCP、常用的十大MCP servers

項(xiàng)目十二：基于Coze構(gòu)建智能Agent

• 案例1：復(fù)刻爆款視頻
• 案例2：一鍵生成行業(yè)調(diào)研PPT
• 案例3：根據(jù)官方模版復(fù)刻應(yīng)用

項(xiàng)目十三：Dify+Ollama +LLMs智能應(yīng)用開(kāi)發(fā)實(shí)戰(zhàn)

• 1、云平臺(tái)部署Docker、部署Dify、部署模型管理平臺(tái)Ollama、Xinference
• 2、Dify部署企業(yè)級(jí)LLM、嵌入模型、重排序模型
• 3、Dify構(gòu)建企業(yè)級(jí)Agent、RAG、Workflow
• 4、案例：智能對(duì)話機(jī)器人、智能面試官、智能旅游系統(tǒng)、智能客服

LangChain框架

• 1、LangChain框架概述、LangChain的安裝與調(diào)用
• 2、Model I/O：Message、Prompt Template、Output Parsers、FunctionCaling
• 3、Chains：Chains的設(shè)計(jì)理念、SequentialChain、RouterChain
• 4、Memory：Memory模塊的設(shè)計(jì)理念、如何自定義Memory模塊、內(nèi)置的Memory模塊
• 5、Agents：基于LangChain的Agent抽象、自定義基于ReAct范式的Agents、使用LangChain定義的ReAct策略
• 6、Retrieval：Source 與 data loaders、Text Splitters、Text embedding models、vector store

項(xiàng)目十四：LangChain+LLM+Chroma+Gradio構(gòu)建文檔問(wèn)答助手

• 1、項(xiàng)目介紹與核心流程
• 2、加載文檔、切分文檔、生成文本向量、向量數(shù)據(jù)庫(kù)存儲(chǔ)、問(wèn)答鏈構(gòu)建

項(xiàng)目十五：LangChain+DeepSeek構(gòu)建對(duì)話機(jī)器人

• 1、項(xiàng)目介紹與核心流程
• 2、基礎(chǔ)對(duì)話開(kāi)發(fā)、記憶功能、工具調(diào)用、部署應(yīng)用、性能調(diào)優(yōu)

• 從技術(shù)和項(xiàng)目?jī)蓚€(gè)角度按照企業(yè)面試要求帶領(lǐng)同學(xué)們復(fù)習(xí)。
• 手把手簡(jiǎn)歷指導(dǎo)，讓同學(xué)們順利通過(guò)簡(jiǎn)歷篩選。

就業(yè)面試題講解

• 1、串講所學(xué)的所有技術(shù)點(diǎn)。
• 2、串講所有學(xué)過(guò)的項(xiàng)目。
• 3、對(duì)所有串講的過(guò)的面試題和項(xiàng)目進(jìn)行考試。

就業(yè)簡(jiǎn)歷指導(dǎo)

• 1、簡(jiǎn)歷指導(dǎo)、職業(yè)規(guī)劃。
• 2、簡(jiǎn)歷書(shū)寫(xiě)（Word、網(wǎng)上）
• 3、模擬面試。