马上添加播妞学姐
了解课程详情
长按二维码识别，或保存截图

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
马上添加播妞学姐
领取资料&在线答疑
长按二维码识别，或保存截图
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. 入门试学班

    1. 大模型开发入门

  2. 高手班

    1. 大模型语言进阶 2. 提示词工程 3. 智能体平台开发 4. 大模型核心开发技术 5. NewsCompass投满分项目 6. 大模型RAG开发 7. RAG项目（2选1） 8. 大模型智能体定制开发 9. Agentic Workflow（2选1） 10. Agent Loop（3选1） 11. Agent Harness 12. 大模型微调开发基础 13. 微博文本信息抽取和摘要 14. 大模型微调综合项目（2选1）

  3. 赠送

    1. 图像分析基础 2. 多模态大模型应用开发

  4. AI大模型开发V6.5版本

  • 大模型开发入门入门试学班 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

    理解⼤语⾔模型基本原理| 熟悉主流⼤模型及应⽤场景| 掌握Prompt提示词设计⽅法| 理解Agent、RAG、Workflow掌握Coze智能体开发| 掌握知识库与RAG应⽤| 掌握插件与⼯具调⽤| 掌握⼯作流编排与应⽤| 掌握Python基础语法| 掌握流程控制与容器操作| 掌握函数的定义与调⽤掌握⽂件及异常处理| 理解Vibe Coding开发模式| 熟悉AI编程⼯具使⽤| 掌握⼤模型与知识库接⼊能够完成基础AI项⽬开发

    主讲内容

    1. AI⼤模型概述零基础入门AI大模型开发的开始，包含了以下技术点：

    什么是⼤语⾔模型（LLM）| ⼤模型能做什么（⽂本⽣成、对话、推理、翻译、摘要）| 主流⼤模型介绍（GPT系列、Claude、通义千问、⽂⼼⼀⾔、 DeepSeek等）| ⼤模型的边界与局限（幻觉、知识截⽌、上下⽂窗⼝）

    2. ⼤模型应⽤形态了解AI大模型应用形态，包含了以下技术点：

    API调⽤模式| 聊天对话模式| 智能体Agent模式| RAG知识库问答模式| 多模态应⽤模式（⽂⽣图、图⽣⽂、⽂⽣视频）

    3. ⾏业落地场景概览了解AI大模型行业落地场景，包含了以下技术点：

    AI客服、AI教育、AI医疗、AI办公、AI营销、AI编程等典型案例| 从场景到产品的转化逻辑

    4. Coze智能体开发掌握Coze智能体开发，包含了以下技术点：

    Coze平台定位（⼀站式AI智能体开发平台）| Coze国内版vs国际版| 平台核⼼能⼒：Bot创建、知识库、插件、⼯作流、发布多端

    5. 对话式智能体搭建该部分主要学习对话式智能体搭建，包含以下技术点：

    ⻆⾊扮演提示词编写技巧| 设定⻆⾊身份、语⽓⻛格、知识边界| 对话开场⽩设计| 提示词调试与迭代优化| 上下⽂窗⼝概念| 多轮对话记忆机制| 对话变量设置| 上下⽂⻓度管理策略| 发布到⾖包| 发布到⻜书| 发布为API接⼝| 发布为独⽴⽹⻚链接| 微信/钉钉等渠道集成

    6. 知识库与RAG应⽤该部分主要学习知识库与RAG应⽤，包含以下技术点：

    RAG（检索增强⽣成）原理| 知识库能解决的问题（突破知识截⽌限制、企业私有知识问答、降低幻觉）| 知识库搭建与配置| Bot绑定知识库

    7. 插件与⼯具能⼒该部分主要学习插件与⼯具能⼒，包含以下技术点：

    什么是插件| Coze插件商店| 内置官⽅插件（搜索、图⽚识别、链接读取等）| 第三⽅插件| 链接读取插件、搜索插件、代码执⾏插件、图⽚理解插件、代码执⾏插件与图⽚理解插件实战

    8. ⼯作流WorkFlow该部分主要学习⼯作流WorkFlow，包含以下技术点：

    什么是⼯作流| ⼯作流vs简单对话Bot的适⽤场景| 可视化编排节点介绍| 开始节点（输⼊定义）| 结束节点（输出设置）| ⼤模型节点（LLM调⽤）| 代码节点（Python/JS）| 条件判断节点| 变量聚合节点| 节点编排实操

    9. Coze智能体项⽬该部分主要学习Coze智能体项⽬，包含以下技术点：

    智能体项⽬需求分析| Bot架构设计| 分模块开发| 联调测试| 最终发布上线| 多端适配验证| ⽤户反馈收集| 后续迭代计划

    10. VibeCoding理念与准备该部分主要学习VibeCoding理念与准备，包含以下技术点：

    Vibe Coding是什么| AI编程⼯具链| Claude Code安装与配置

    11. Vibe Coding零代码开发智慧医疗智能体该部分主要学习Vibe Coding零代码开发智慧医疗智能体，包含以下技术点：

    医疗问诊智能体项⽬定位| 需求分析| 技术架构与项⽬数据流转| 项⽬结构搭建| ⼤模型接⼊| 问诊业务逻辑| 知识库服务| ⽇志与监控| 异常处理体系| 前端交互开发| 基于Vue打造前端Web界⾯| 前后端联调| 功能测试| 安全测试| 体验测试| 部署⽅案选型| 项⽬总结与展示

    12. Coze智能体与Vibe Coding项⽬实战该部分主要学习Coze智能体与Vibe Coding项⽬实战，包含以下技术点：

    ⼩组分配| 任务说明| 任务划分| ⼩组基于Coze开发智能体| 搭建WEB⻚⾯| Vibe Coding零代码开发⼩游戏| 项⽬答辩

    13. ⼤模型必备Python基础掌握大模型必备Python基础语法，包含了以下技术点：

    学习⼤模型必备Python语⾔| Python解释器和Pycharm开发⼯具安装| 注释和变量| 标识符和关键字以及命名规范| 输⼊和输出函数| 算数运算，⽐较运算，逻辑运算，赋值运算

    14. ⼤模型必备Python流程语句掌握大模型必备Python流程语句，包含了以下技术点：

    Python的三⼤流程控制语句| if选择结构，while/for循环结构| pass占位语句| 循环嵌套中的break/continue| 双重for循环执⾏流程| 99乘法表案例| 图形打印案例（三⻆形、菱形等）| 循环嵌套性能注意事项| 猜数字游戏开发、⽤户登录验证、带menu菜单程序设计实战

  • 大模型语言进阶高手班 1

    课时:10天 技术点:80项 测验:1次 学习方式:线下面授

    学习目标

    掌握面向对象编程思想| 独立运用面向对象思想完成指定需求| 掌握深拷贝和浅拷贝代码原理| 独立完成面向对象版-学生管理系统| 掌握闭包, 装饰器的用法| 独立完成网编案例代码实现| 掌握多进程, 多线程相关代码实现| 掌握上下文管理器对象的使用| 掌握生成器, 迭代器的用法| 理解正则表达式的相关运用| 掌握MySQL基本操作| 掌握Pandas基本操作

    主讲内容

    1. ⼤模型必备Python容器掌握大模型必备Python容器，包含了以下技术点：

    容器的概念与⽤途| Python内置容器类型：str/list/tuple/set/dict| 可变容器 vs 不可变容器| 容器选择决策| 索引与切⽚操作

    2. ⼤模型必备Python函数掌握大模型必备Python函数，包含了以下技术点：

    函数⼊⻔| 函数定义和调⽤| 函数的参数和返回值| 变量作⽤域| 函数的多种参数| 拆包和变量交换| Lambda表达式

    3. ⼤模型必备Python⽂件和异常处理掌握大模型必备Python文件和异常处理，包含了以下技术点：

    ⽂件的读写⼊⻔| 中⽂乱码和路径问题| ⽂件复制| os模块| with-open语法| 异常处理⽅式| 导⼊包和模块

    4. 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：

    ⾯向对象和⾯向过程| 类和对象的区别| 定义类和属性| 定义⽅法和魔法⽅法| ⾯向对象-案例| 【实战案例】⾯向对象综合实战案例| 继承的使⽤| 私有权限| 类属性和对象属性| 类⽅法和静态⽅法| ⾯向对象版-学⽣管理系统| 【实战作业】⾯向对象版-学⽣管理系统（采取部分实战）

    5. Python⾼阶语法主要学习Python高阶语法，包含了以下技术点：

    深拷⻉, 浅拷⻉详解| 闭包详解| 装饰器详解| 【实战案例】装饰器实战案例| ⽹编相关概述介绍| ⽹编案例-客户端发送⽂件到服务器端| 并⾏和并发详解| 多进程-代码实现| 【实战案例】⽹编案例-客户端和服务器端交互| 多线程代码实现| 守护线程详解| 互斥锁详解| 线程同步详解| 上下⽂管理器详解| Json数据⽂件读取和处理| 【实战案例】Json数据⽂件读取和处理| ⽣成器详解| 协程详解| 迭代器详解| 正则表达式详解| 【实战案例】正则表达式⽂本匹配综合案例

    6. SQL数据库主要学习MySQL数据库的核心知识，包含了以下技术点：

    数据库基本操作| 数据库概念和作⽤| 关系型数据库和⾮关系型数据库| MySQL数据类型| 数据完整性和约束| 数据库创建| 表操作命令| 表数据操作命令| where⼦句| 分组聚合| 连接查询| 外键的使⽤| PyMySQL安装和使⽤| sql注⼊| 【实战案例】 ⽤户登录系统| Redis安装| 字符串 (String) 缓存| 哈希 (Hash)存储对象| 列表 (List)消息队列| 有序集合 (ZSet)排⾏榜等

    7. Pandas主要学习Pandas核心知识，包含以下技术点：

    Numpy基础概念与操作| 运算优势| 数组的属性| 数组的索引| 数组的形状| 数组的运算| 数组的⼴播机制等| Pandas统计分析| Pandas数据整理| Pandas透视表| Pandas+Matplotlib可视化(直⽅图/散点图/柱状图/折线图/饼图)| 【实战案例】中美⽇GDP数据折线图制作

  • 提示词工程高手班 2

    课时:2天技术点:20项测验:1次学习方式:线下面授

    学习目标

    能够理解和应⽤提示词⼯程原理| 掌握优化技巧并完成⾦融业务场景的实际问题解决

    基于Zero-shot零样本学习能⼒，通过DeepSeek/QWen/ChatGLM模型对⾦融领域数据进⾏分类、信息抽取、⽂本匹配，更好的解决业务问题

    主讲解决方案

    提示词撰写解决方案| 文本分类提示词解决方案| 信息抽取提示词解决方案| 文本匹配提示词解决方案

    主讲知识点

    ⼤模型发展过程| 提示词介绍及撰写介绍| 提示词优化⽅法| 基于Ollama模型部署完成提示词⼯程案例| 什么是Prompt Engineering| Prompt Engineering的原理以及实际应用的优化技巧| 如何利用Prompt Engineering完成实际金融业务

  • 智能体平台开发高手班 3

    课时:6天学习方式:线下面授

    基于Coze的智能⾯试助⼿项⽬（⾯试通）

    基于Dify的电商智能分析项⽬（数智通）

    项目简介技术点:80项测验:0次

    基于Coze⼯作流平台，结合LLM、ASR、TTS、RAG等技术，为⿊⻢程序员AI学科学⽣构建⾯试全流程智能辅助系统，实现简历修改、⾯试录⾳分析、个性化⾯试题⽣成和实时语⾳模拟⾯试等功能

    学习目标

    能够掌握Coze智能体开发范式 | 能够独⽴完成多场景智能体应⽤的构建与部署 | 能够实现⼯作流⾃动化与业务赋能

    主讲解决方案

    实现基于插件完成PDF、DOCX等⽂档转⽂本到分析处理的全流程解决⽅案 | 实现基于ASR技术实现录⾳⽂件转⽂本到分析处理的全流程解决⽅案 | 实现基于知识库结合PDF实现精准内容⽣成的解决⽅案 | 实现在⼯作流中读写数据库和知识库的解决⽅案 | 实现⽗⼦模式多Agent架构⾃主规划执⾏解决⽅案

    主讲知识点

    简历修改：基于OCR插件、prompt、数据库查询，实现简历中各类常⻅问题的召回和修改建议，以及进阶功能：违禁词过滤、业务背景重复率统计等，辅助学⽣编写更好的简历 | ⾯试录⾳分析：基于多模态⼤模型实现ASR，基于prompt实现⾯试官、应试者⻆⾊划分，最终实现⽂字提取、摘要以及建议，提⾯试⾼录⾳分析的效率 | ⾯试题⽣成：基于⿊⻢⾯试宝典使⽤RAG技术结合学⽣的简历，结合简历上的技能点、业务背景、毕业时间、专业等信息，⽣成个性化的⾯试题题库 | 模拟⾯试：基于简历和⾯试题⽣成流⽔线等功能，基于邢⽼师⾳⾊克隆⾯试官⾳⾊，结合ASR模型、TTS模型等技术，实现实时语⾳⾯试

    项目简介技术点:80项测验:0次

    本项⽬针对电商业务中数据分散（数据库）、规则分散（⽂档）、系统割裂（BI/知识库/AI⼯具）以及业务⼈员不会SQL、不会分析数据等痛点，基于Dify构建⼀套电商AI智能分析系统，通过融合⼤模型（LLM）、RAG检索和数据库分析能⼒，实现“⾃然语⾔提问 → ⾃动查询数据/知识 → 智能分析 → 图表展示”的⼀体化闭环，显著降低数据分析⻔槛，提⾼数据利⽤效率和业务决策能⼒

    学习目标

    理解AI数据分析系统从“模型调⽤”到“系统设计”的完整流程 | 掌握Dify平台核⼼能⼒（RAG/Agent/Workflow）及应⽤开发掌握⾃然语⾔转SQL的数据分析实现⽅案 | 掌握RAG知识库构建流程（分段/Embedding/检索/⽣成）掌握多节点⼯作流编排（判断/分⽀/循环/组合） | 掌握数据分析结果⾃动解释与可视化实现 | 具备AI系统整合能⼒（数据库 + 知识库 + ⼤模型 + ⼯作流）

    主讲解决方案

    数据查询问题：通过LLM⾃动⽣成SQL，实现“不会SQL也能查数据” | 知识分散问题：构建RAG知识库，实现统⼀语义检索与问答 | 系统割裂问题：通过Dify⼯作流整合数据分析、知识问答与AI能⼒ | 分析能⼒不⾜问题：LLM⾃动对查询结果进⾏总结与解释 | 可视化困难问题：⾃动⽣成图表（趋势/对⽐/占⽐）辅助决策 | 复杂任务不稳定问题：通过Workflow拆解任务，提⾼系统可控性与稳定性 | 整体⽅案：构建“查询 + 检索 + 分析 + 可视化”的AI闭环系统

    主讲知识点

    Dify平台：模型管理、⼯作流编排、应⽤发布 | Prompt⼯程：提示词设计、约束控制、结构化输出（JSON） | RAG技术：⽂档分段、Embedding、向量检索、混合检索、重排 | 数据库与SQL：MySQL结构设计、⾃然语⾔转SQL、查询优化 | ⼯作流设计：多节点流程、分⽀判断、循环控制、代码节点 | ⼤模型应⽤：LLM问答、数据分析解释、结果⽣成 | 数据可视化：ECharts图表⽣成（折线图/柱状图/饼图） | 系统⼯程：AI应⽤架构设计、多模块集成、业务落地能⼒

  • 大模型核心开发技术高手班 4

    课时:13天 技术点:100项 测验:1次 学习方式:线下面授

    学习目标

    掌握AI/ML/DL基本概念及数据、算法、算力协同| 能处理数据（特征标签划分、归一化标准化）、诊断欠/过拟合、用交叉验证和网格搜索调参| 熟悉KNN、线性回归、决策树、Bagging与Boosting、随机森林、聚类及评估| 具备PyTorch实操：张量与自动微分、搭建全连接网络（激活函数、损失函数、优化器、正则化）、设计CNN（卷积池化步长填充）做图像分类、用RNN处理文本（词嵌入、文本生成）| 理解词向量与Transformer（自注意力、位置编码），会用BERT做文本分类、相似度等下游任务| 了解常见BERT变体| 能独立完成预训练模型微调| 具备NLP应用搭建能力

    主讲内容

    1. 机器学习概述该部分主要学习机器学习基础，包含以下技术点：

    ⼈⼯智能（AI）| 机器学习（ML）| 深度学习（DL）| 三者关系| 基于规则的学习与基于模型的学习的区别| 数据| 算法| 算⼒| CPU、GPU、TPU的特点| 样本| 特征| 标签| 训练集| 测试集| 有监督学习（回归/分类）| ⽆监督学习（聚类）| 半监督学习| 强化学习

    2. 机器学习的主要步骤该部分主要学习机器学习的主要步骤，包含以下技术点：

    获取数据| 数据基本处理| 特征⼯程| 模型训练| 模型评估| 上线服务| 特征提取| 特征预处理| 特征降维| 特征组合| ⽋拟合、过拟合的概念及产⽣原因| 泛化能⼒与奥卡姆剃⼑原则| KNN算法的核⼼思想| 交叉验证与⽹格搜索（GridSearchCV）| 混淆矩阵、精确率、召回率、F1-score

    3. 经典机器学习算法该部分主要学习经典机器学习算法，包含以下技术点：

    线性回归模型|损失函数（MSE）| 正规⽅程法与梯度下降法（全梯度/随机梯度/⼩批量梯度/SAG）| 评价指标：MAE、MSE、RMSE| L1正则化（Lasso回归）| L2正则化（岭回归）| 决策树（CART）的分类与回归原理| 决策树剪枝（预剪枝/后剪枝）| 集成学习思想| Bagging（随机森林）| Boosting（AdaBoost/GBDT/XGBoost等）| 随机森林的构建⽅法| 聚类算法（⽆监督学习）概念| 常⽤⽅法（K-Means/层次聚类/DBSCAN等）| K-Means算法实现流程| 聚类评估——SSE（误差平⽅和）、肘⽅法

    4. 深度学习架构该部分主要学习深度学习架构，包含以下技术点：

    深度学习概念| 深度学习发展史| 与机器学习的关系| 神经⽹络结构| 神经元构成| 输⼊层| 隐藏层| 输出层| 参数初始化⽅法| 激活函数| Sigmoid| tanh| ReLU| SoftMax

    5. 神经⽹络优化⽅法该部分主要学习神经⽹络优化⽅法，包含以下技术点：

    损失函数| 交叉熵| MAE| MSE| smoothL1| 优化算法| SGD（随机梯度下降）| Momentum（动量）| Adam（⾃适应矩估计）| 学习率衰减与正则化| 学习率衰减| Dropout（随机失活）| BN（批归⼀化）

    6. 经典⽹络架构该部分主要学习经典⽹络架构，包含以下技术点：

    卷积神经⽹络| 卷积层| 池化层| 特征图计算| 完成CIFAR-10图像分类| 循环神经⽹络| 词嵌⼊| RNN原理| 周杰伦歌词⽣成任

    7. Pytorch框架该部分主要学习Pytorch框架，包含以下技术点：

    Pytorch安装与环境配置| 张量的概念| 张量的创建| 类型转换| 数值计算| 索引操作| 形状变换| 张量的拼接| ⾃动微分| Pytorch构建神经⽹络| Pytorch案例实战

    8. NLP⼊⻔该部分主要学习NLP⼊⻔核心技术，包含以下技术点：

    什么是⾃然语⾔处理NLP| ⾃然语⾔处理NLP的发展史| ⾃然语⾔处理应⽤场景| 什么是⽂本预处理| ⽂本处理的基本⽅法| ⽂本张量的表示⽅法| ⽂本数据分析| ⽂本特征处理

    9. RNN及其变体该部分主要学习RNN及其变体，包含以下技术点：

    什么是RNN| RNN模型作⽤及类别| 传统RNN| LSTM| GRU

    10. Transformer该部分主要学习Transformer，包含以下技术点：

    什么是transformer| transformer的作⽤| transformer模型架构| transformer优势

    11. 迁移学习该部分主要学习迁移学习，包含以下技术点：

    Fasttext| 迁移学习| NLP中常⽤预训练模型| Transformers库的使⽤

  • NewsCompass投满分项目高手班 5

    课时:7天技术点:100项测验:1次学习方式:线下面授

    学习目标

    基于⼤规模业务留存数据构建快速⽂本分类系统| 快速搭建短⽂本精准分类模型| 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基于BERT的迁移学习优化模型搭建的能⼒| 实现神经⽹络量化的优化与测试| 实现神经⽹络剪枝的优化与测试| 实现神经⽹络知识蒸馏的优化与测试| 更多主流预训练模型的优化与深度模型剖析| BERT模型在⽣成式任务和⼯程优化上的深⼊扩展

    NewsCompass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

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

    主讲知识点

    随机森林（集成学习）| 基线模型（FastText）| BERT优化| 模型量化、剪枝、知识蒸馏| 基于大模型文本分类

  • 大模型RAG开发高手班 6

    课时:1天 技术点:50项 测验:1次 学习方式:线下面授

    学习目标

    理解LangChain框架的定位和基本概念| 掌握LangChain框架models、chain、prompt、indexes| 掌握LangChain框架记忆的使⽤

    主讲内容

    1. ⼤模型模型层Models该部分主要学习⼤模型模型层Models，包含以下技术点：

    LLM 基类：输⼊⽂本输出⽂本，传统⼤模型调⽤接⼝封装| ChatModel聊天模型：消息结构（System/Human/AI Message），对话格式封装| 模型集成：OpenAI、通义千问、本地开源模型 (Ollama/LlamaCpp)| 模型参数配置：temperature、top_p、max_tokens、stop词、流式输出stream| Embedding接⼝：⽂本向量化，⽂档Embedding、查询Embedding区别| 开源/闭源 Embedding 模型接⼊| 批量⽂本嵌⼊、⽂本分⽚后向量化| 向量维度、相似度计算（余弦相似度）

    2. 提示词⼯程层Prompts该部分主要学习提示词⼯程层Prompts，包含以下技术点：

    基础 PromptTemplate：变量占位符`{变量}`，字符串模板渲染| ChatPromptTemplate：多⻆⾊消息模板组合 (System/Human/AI)| Partial 局部变量预填充| from_messages 快速构建聊天模板| FewShotPromptTemplate 少样本模板| Example 样本示例| BaseOutputParser 基类，解析⼤模型返回⽂本| PydanticOutputParser：结构化输出 JSON，绑定数据模型| JsonOutputParser、CommaSeparatedListOutputParser| 格式化提示词注⼊，告诉模型输出格式

    3. ⼯具与智能代理Agents （⾃主调⽤⼯具）该部分主要学习⼯具与智能代理Agents，包含以下技术点：

    BaseTool ⼯具基类：name、description、_run 执⾏逻辑| 内置⼯具：搜索⼯具、计算器、PythonREPL 代码执⾏| ⾃定义⼯具 @tool 装饰器快速定义| Agent核⼼逻辑：思考(Thought)→⾏动(Action)→观察(Observation) ReAct框架| ReAct Agent、OpenAI Function Calling Agent| AgentExecutor代理执⾏器，循环执⾏思考调⽤⼯具| ⼯具选择、⼯具错误处理

  • RAG项目（2选1）高手班 7

    课时:8天学习方式:线下面授

    基于职业教育领域RAG智慧问答系统项目

    基于人力资源场景的RAG简历推荐系统项目

    项目简介技术点:70项测验:1次

    企业级标准RAG解决⽅案。基于IT职业教育⾏业答疑⼤模型抽取RAG解决⽅案，通过项⽬学习完成企业级RAG系统完整流程搭建与测试及优化。从智能查询路由设计、数据处理与多源集成、模型微调到后端服务与前端开发以及Docker企业级部署，完成全栈RAG系统构建

    学习目标

    了解LangChain基本概念、明确LangChain主要组件的作⽤、了解LangChain常⻅的使⽤场景 | 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| 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 | 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 | 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 | 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 | 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 | 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

    数据库查询优化：BM25 + Redis 缓存解决方案 | 语义检索：Milvus 混合向量检索解决方案 | 查询分类：BERT 分类器解决方案 | 动态检索策略：LLM 驱动的策略选择解决方案 | 答案生成：LLM + RAG 提示模板解决方案 | 性能优化：Redis 缓存 + 模块化设计解决方案 | 日志与监控：统一日志系统（logging）解决方案 | 配置管理：ConfigParser + config.ini解决方案

    主讲知识点

    智能问答系统架构：FAQ系统与RAG系统的区别与应⽤场景 | 数据库技术：MySQL表查询；Redis键值存储与缓存机制；Milvus向量数据库的架构与索引类型 | 检索算法：BM25算法原理；密集向量&稀疏向量混合检索；重排序的作⽤ | query的意图识别+改写：BERT分类器的训练与推理；LLM的调⽤与提示设计；查询分类与动态检索策略的实现逻辑 | 企业级开发实践：模块化代码设计与代码复⽤；配置⽂件（config.ini）与环境变量管理；⽇志系统设计与错误处理

    项目简介技术点:70项测验:1次

    项⽬基于向量数据库和LLM构建⼀个端到端、可⽔平扩展的检索增强⽣成（RAG）系统，⽀持对异构简历（PDF/DOCX/JPG/PNG）进⾏⾃动解析、结构化、语义索引与多轮对话式推荐。系统以向量数据库为核⼼存储，以LLM为推理中枢，以Agent框架为调度单元，⾯向企业HR及猎头平台提供秒级、可追溯、可解释的候选⼈推荐服务

    学习目标

    掌握⽂档智能处理、向量化索引、RAG系统开发掌握Agent框架应⽤ | 能够完成可扩展的简历推荐系统部署

    主讲解决方案

    基于LangChain+OpenAI实现异构简历（PDF/DOCX/JPG/PNG）智能解析与结构化提取 | 使⽤Milvus+BGEM3混合嵌⼊+ElasticSearch实现⾼级向量索引与多路召回 | 构建⽀持参数过滤、查询重写与历史对话的异步RAG链⽣成JSON候选⼈推荐 | 基于SmartRecruitAgent框架实现意图识别、多轮追问与上下⽂候选⼈筛选的智能代理集成Streamlit前端与Milvus/MongoDB/Elasticsearch多数据库持久化的DevOps配置 | 使⽤Ragas框架对RAG系统进⾏端到端Faithfulness/Answer Relevancy/Context Precision评估优化

    主讲知识点

    配置管理与项⽬初始化：使⽤Pydantic统⼀管理系统参数（数据库、模型路径、切块参数等），避免硬编码，确保全局配置安全可验证 | ⽂档处理与切块：实现多格式简历加载、⽂件哈希去重、LLM结构化信息提取（姓名、性别、年龄、⼯作年限）以及⽗块-⼦块分层切分，⽀持图⽚OCR提取|向量存储与混合检索：基于Milvus（稠密+稀疏向量）+Elasticsearch（BM25全⽂搜索+MongoDB（元数据存储），结合CrossEncoder重排序和doc_hash去重，实现⾼效混合检索与过滤 | RAG链构建与⽣成：使⽤LangChain构建异步查询改写、检索上下⽂格式化与LLM⽣成链，⽀持结构化JSON推荐输出 | 智能Agent意图优化：实现意图识别、招聘参数提取、追问处理与对话历史管理，路由不同场景（招聘需求、闲聊、追问等） | Web应⽤与数据初始化：基于Streamlit开发聊天交互、简历上传、候选⼈卡⽚展示与在线查看功能，实现端到端⽤户体验

  • 大模型智能体定制开发高手班 8

    课时:1天 技术点:30项 测验:0次 学习方式:线下面授

    学习目标

    使⽤LangGraph设计并实现具备状态管理、条件分⽀、并⾏执⾏、断点恢复的复杂AI ⼯作流| 理解并应⽤Reducer机制解决并⾏节点状态冲突问题| 区分条件边与Command的适⽤场景，并能根据需求灵活选择| 独⽴部署并配置LangFuse本地服务，为AI Agent接⼊链路追踪| 通过LangFuse控制台分析Agent执⾏过程，定位性能瓶颈、Prompt问题、检索错误或 Token消耗异常| 在团队项⽬中集成LangFuse回调，实现⽣产级可观测性，提升AI应⽤的调试与优化效率

    主讲内容

    1. LangGraph框架该部分主要学习LangGraph框架核心知识，包含以下技术点：

    理解Graph（⼯作流框架）| State（状态容器，TypedDict定义）| Node （执⾏单元，函数接收State返回更新）| Edge（连接与流向，含普通边和条件边）| Checkpoint（检查点持久化）| 使⽤Annotated类型标注字段的更新策略（如add_messages⽤于消息列表追加，operator.add⽤于数值累加），解决并⾏节点并发更新同⼀字段的冲突问题| 掌握StateGraph类的使⽤，通过add_node添加节点函数， add_edge(START, node)和add_edge(node, END)定义流转， add_conditional_edges绑定路由函数与路径映射表，实现动态分⽀| 节点直接返回Command(goto="node_name") 动态指定下⼀步，⽀持并⾏执⾏多个节点（goto传⼊列表），相⽐条件边更灵活，适合复杂动态流程| 使⽤SqliteSaver（或MemorySaver）作为checkpointer，通过thread_id区分会话，invoke时传⼊config⾃动保存状态，⽀持中断后恢复执⾏| 状态聚合：多个节点更新同⼀字段时通过Reducer合并| 分⽀并⾏：⼀个节点连接多个后继节点，LangGraph⾃动并⾏执⾏| 分⽀节点数量不同的并⾏处理：通过将多个前驱节点指向同⼀后继节点（add_edge(["B2", "C"], "D")）实现等待合并| 条件并⾏：add_conditional_edges配合返回列表的路由函数，动态决定并⾏执⾏哪些节点

    2. Langfuse框架该部分主要学习Langfuse框架核心知识，包含以下技术点：

    Trace（⼀次完整Agent执⾏）| Span（执⾏中的每个步骤，如节点调⽤、 LLM请求）| Session（同⼀会话的多条Trace归组）、User（按学员ID过滤）| 通过Docker启动LangFuse服务（端⼝3001），⾸次使⽤需注册本地账号并⽣成API Key（Public Key+Secret Key），在.env.local中配置 LANGFUSE_PUBLIC_KEY、LANGFUSE_SECRET_KEY、LANGFUSE_HOST| 使⽤langfuse.callback.CallbackHandler创建Handler，通过LangChain的Callback机制注⼊config["callbacks"]，LangGraph的ainvoke⾃动追踪每个节点的输⼊、输出、耗时、Token消耗

  • Agentic Workflow（2选1）高手班 9

    课时:8天学习方式:线下面授

    EduAgent多智能体项⽬

    星通通⽤智能体项⽬

    项目简介技术点:70项测验:0次

    基于LangChain、LangGraph和FastAPI构建。系统提供智能问答、代码审查、个性化学习路径规划和职业咨询等核⼼功能，旨在为在线教育场景提供全⽅位的AI辅助教学解决⽅案

    学习目标

    基础设施：⼀键docker-compose启动全环境，PostgreSQL、Milvus、Redis、MinIO、 Judge0 全部就绪 | 公共能⼒层：LLM Factory多模型路由、BGE-Reranker精排、MiniLM意图分类，全部可独⽴调⽤ | 四⼤Agent：智能问答、试卷批改、简历审查、模拟⾯试，端到端流程完整跑通，异常处理与降级策略覆盖到位 | 前端集成：Vue3界⾯与后端API全⾯对接，SSE流式输出流畅，三级⻆⾊权限路由隔离完整 | 集成测试：核⼼流程覆盖率达标，三层兜底降级机制验证通过，并发压测⽆崩溃

    主讲解决方案

    教育场景多租户数据隔离解决⽅案：所有PostgreSQL表预埋tenant_id，Milvus Collection按租户namespace隔离，⽀持多班级、多课程独⽴运营 | ⾼精度RAG冷启动与持续迭代解决⽅案：初始知识库由课程资料清洗⼊库，检索链路采⽤混合召回+精排+置信度过滤，低置信度问答⾃动进⼊补充队列，教师在线添加后热更新知识库 | 复杂批改任务的三轨并⾏加速解决⽅案：试卷批改Agent中，客观题规则引擎、简答题LLM分组并⾏、代码题Judge0执⾏+LLM评估三条轨道通过asyncio.gather并发执⾏，整体批改耗时降低60%以上 | Human-in-the-Loop教师确认解决⽅案：利⽤LangGraph的interrupt()挂起批改结果，教师登录后逐题确认或修改，通过Command恢复图执⾏，并集成企业微信机器⼈⾃动推送待确认通知 | 国产模型低成本切换与降级解决⽅案：LLM Factory封装DeepSeek-V3（通⽤）和 DeepSeek-Coder-V2（代码），⽀持配置热切换；三层兜底机制（重试→降级模型→预设回复）保障LLM服务异常时的系统可⽤性 | 本地开发到⽣产环境的平滑迁移解决⽅案：本地使⽤DockerCompose + MemorySaver+MinIO，⽣产环境仅需修改配置（AsyncPostgresSaver、阿⾥云 RDS/OSS、K8s 部署），业务代码零改动，⽀持⼀键迁移

    主讲知识点

    系统架构设计：理解EduAgent的五层架构（前端→API⽹关→Orchestrator→Agent执⾏层→公共能⼒层→MCP→数据存储），掌握分层职责与数据流向 | 四⼤Agent状态机实现：分别构建智能问答（RAG+多轮记忆）、试卷批改（三轨并⾏ + HitL）、简历审查（六维度并⾏）、模拟⾯试（四阶段状态机），熟练使⽤LangGraph的StateGraph、节点、边、并⾏发送（Send）等核⼼API | 意图识别与动态路由：基于MiniLM分类器+LLM 兜底实现请求分级（单Agent直达/多Agent串联/澄清对话），通过LangGraph条件边动态编排执⾏链路 | 公共能⼒层封装：实现LLM Factory（DeepSeek-V3/Coder-V2切换）、BGE-Reranker进程内精排、Milvus分层知识库检索、对话记忆（MemorySaver/AsyncPostgresSaver）等共享组件 | MCP⼯具统⼀接⼊：理解MCP协议，实现知识库检索、代码沙箱（Judge0）、数据库操作、⽂件解析、外部搜索等MCP Server，并在LangGraph Agent中通过MCP Client 标准化调⽤ | 教师端Human-in-the-Loop：使⽤LangGraph的interrupt()和Command实现试卷批改的教师确认节点，⽀持暂停、修改、恢复，并集成企业微信通知

    项目简介技术点:70项测验:0次

    通⽤智能体作为该领域的⾼阶形态，其开发能⼒可为各类垂直场景的智能体构建提供坚实基础与技术范式。本项⽬基于Langchain 1.0框架，集成了MCP协议、多模态处理及联⽹搜索等前沿技术，是理解和构建复杂智能体平台的实战标杆。项⽬旨在构建⼀个基于LangChain⽣态的通⽤Agent平台，实现⾃主任务规划、多模态交互及联⽹搜索功能，⽀持多⽤户并发，具备极强的扩展性

    学习目标

    构建智能代理中枢：实现⼯具调⽤、⾃主任务规划及深度上下⽂理解 | 实现全模态覆盖：⽀持主流办公⽂档（PDF/Word/Excel/PPT）及图⽚的双向处理 | 集成实时信息检索：通过Tavily API实现联⽹搜索，确保信息的时效性与准确性 | 提供企业级架构：⽀持多⽤户、多会话，提供完善的监控与追踪能⼒

    主讲解决方案

    基于Langchain DeepAgents，完善⽂件管理与任务规划 | 通过⽣图模型与VLM增加图⽂能⼒ | 通过若⼲MCP扩展Agent能⼒ | 通过Skill-creator与⽂件管理增加制作Skill并⽴即⽣效的能⼒ | 通过Docker完善项⽬部署

    主讲知识点

    LangChain1.0：核⼼基座，整个项⽬是⼀个Langchain1.0框架下的⼯程，提供项⽬架构，Agent基座，中间件编排，⼦Agent编排等 | LangSmith：可视化观测⽇志与调试项⽬，使Agent可在⾼效的体系下调试 | Tavily Search：联⽹搜索集成，使Agent可获取实时信息 | SiliconFlow API：多模型服务接⼊，提供了LLM、VLM及图像⽣成能⼒的统⼀接⼊，且有免费额度，因此该项⽬得以在基于免费资源开发 | MinIO：对象存储，通过对象存储，传递Agent制作的⽂件给⽤户 | Agent Chat UI：开箱即⽤的前端界⾯，与LangChain⼯程⽆缝衔接，使得Agent可以有⼀个直观的可视化界⾯ | Docker：项⽬整合与部署，整合⼯程与数据库依赖，使项⽬最终可以⼀键部署 | MCP：连接外部⼯具，连接了Excel-mcp，Tavily Search,ppt-mcp等⼯具，丰富Agent的能⼒ | PostgreSQL：关系型数据库，存储历史对话与状态信息等LangChain⽣产级⼯程指定数据库, 现有协议使得开发⾼效

  • Agent Loop（3选1）高手班 10

    课时:6天学习方式:线下面授

    中医知识图谱Agent项⽬

    智能旅游多Agent项⽬

    SmartCloud云服务系统

    项目简介技术点:70项测验:0次

    “草本通” 项⽬致⼒于解决中医药知识难以理解、碎⽚化严重、检索效率低 等问题，通过爬⾍、DeepSeek+LangChain实体抽取、Neo4j图谱构建与LangGraph多智能体协同，打造⼀个可理解、可对话、可传播、可拓展的智能知识服务平台。系统融合多种AI技术，⽀持从数据采集到语义问答、图谱构建、再到内容⽣成与平台发布的完整AI闭环

    学习目标

    掌握知识图谱构建、多智能体流程调度 | 掌握⽣成式应⽤开发 | 能够具备垂直领域知识智能化平台的搭建能⼒

    主讲解决方案

    多源中医药数据爬取与联合任务数据预处理适配知识图谱构建的解决⽅案 | 基于Neo4j + FAISS的中医药知识图谱检索增强（RAG）解决⽅案 | 基于LangGraph的中医药智能问答与多意图⼯作流编排解决⽅案 | 基于FastAPI实现LangGraph智能体流式API接⼝开发的解决⽅案 | 基于LlamaFactory微调⼤模型进⾏实体关系⽣成的解决⽅案

    主讲知识点

    利⽤爬⾍⾃动采集中药、⽅剂、功效、症状、疾病等原始⽂本 | 使⽤⼤语⾔模型（DeepSeek）+ LangChain进⾏实体与关系抽取 | 构建Neo4j图数据库与 Faiss 向量检索双引擎，实现结构化查询与语义匹配 | 基于LangGraph搭建多智能体协同系统，管理复杂问答流程 | 提供基于Streamlit的⽹⻚端交互式问答界⾯ | ⾃动⽣成小红书⻛格图⽂内容，并实现⼀键发布，实现从“知识获取”到“内容传播”的闭环

    项目简介技术点:70项测验:0次

    SmartVoyage是⼀个智能旅⾏助⼿系统，使⽤A2A(Agent-to-Agent)协议构建多代理协作框架，⽀持⽤户查询天⽓和票务信息。系统包括LLM路由服务器（意图识别）、天⽓代理服务器（查询天⽓数据库）、票务代理服务器（查询票务数据库）、MCP⼯具服务器（数据库接⼝）、数据采集脚本和前端客户端。⽤户输⼊查询（如“北京天⽓”或 “北京到上海⽕⻋票”），系统通过LLM路由到合适代理，代理⽣成SQL查询MCP数据库，返回结果显示在界⾯

    学习目标

    能够掌握A2A多代理框架开发 | 掌握意图识别与数据库查询技能 | 能够完成交互式旅⾏助⼿系统的构建

    主讲解决方案

    基于Python-a2a协议实现多代理A2A协作框架 | 使⽤LangChain+DeepSeek构建LLM路由服务器意图识别与动态路由 | 实现MCP⼯具服务器标准化MySQL查询接⼝ | 天⽓代理服务器LangChain SQL⽣成与MCP实时天⽓数据库查询集成 | 票务代理服务器多类型动态SQL⽣成与结果友好格式化 | 基于Streamlit开发A2A多代理实时交互前端客户端

    主讲知识点

    LLM 路由服务器（意图识别） | 天⽓代理服务器（查询天⽓数据库） | 票务代理服务器（查询票务数据库） | MCP⼯具服务器（数据库接⼝） | 数据采集脚本|Streamlit前端客户端

    项目简介技术点:70项测验:0次

    项⽬基于LangChain、LangGraph和FastMCP等⼯业级框架，实现了5个专业AI智能体的协同⼯作系统，覆盖云服务全⽣命周期⽀持。项⽬集成了意图识别、追问检测、分布式缓存、多模态处理及A2A跨系统协作等前沿技术，是理解和构建⽣产级AI应⽤的实战标杆

    学习目标

    AI架构设计能⼒：掌握微服务架构下的AI系统设计，解耦⼤脑（Agent）与⼿脚（Tools） | RAG系统构建能⼒：精通Milvus+Elasticsearch混合检索架构，实现⾼精度知识问答Agent | 编排能⼒: 熟练使⽤LangGraph构建ReAct、Saga等复杂Agent模式 | 协议集成能⼒：掌握MCP(Anthropic)和A2A(Google)两⼤前沿协议，实现⼯具标准化与跨系统协作 | 意图识别优化能⼒：实现"规则引擎+⼩模型+⼤模型"的分级意图识别，平衡成本与体验 | 分布式事务处理能⼒: 在Agent系统中落地Saga模式，保障数据⼀致性 | 全链路监控能⼒：使⽤Phoenix和LangSmith进⾏LLM应⽤的调试、评测与监控 | 多模态应⽤开发能⼒：集成⽂⽣图、⽂⽣⽂⼯作流，打造全能型助⼿ | 全栈开发能⼒：独⽴完成从后端API到前端React交互的完整开发

    主讲解决方案

    基于Multi-Agent协作与Agentic RAG技术构建⼯业级云服务智能客服系统的解决⽅案 | 实现MCP+A2A协议的多智能体A2A协作框架的解决⽅案 | 使⽤LangChain+LangGraph构建LLM路由服务器意图识别与动态路由的解决⽅案 | 实现基于FastMCP协议标准化MySQL查询接⼝的⼯具服务器解决⽅案 | 基于RAG+MCP调⽤实现融合知识库与业务API的上下⽂增强解决⽅案 | 实现向量数据库（Milvus+BM25（Elasticsearch）双检索的知识库增强⽣成解决⽅案 | 实现动态更新知识库的RAG服务⾃动化迭代解决⽅案 | 实现双层级智能缓存（Redis L1+会话 L2）的⾼性能响应加速解决⽅案 | ⽀持Saga分布式事务保障的多数据库（MySQL+MongoDB）对话持久化⼀致性解决⽅案 | 集成Deep Research能⼒的⾃主调研与⾏业分析报告⾃动⽣成解决⽅案 | 实现系统级别（Prometheus+Grafana+cAdvisor）与业务级别（Phoenix+ LangSmith）全链路监控的智能运维解决⽅案

    主讲知识点

    Orchestrator 路由服务器（意图识别与动态路由） | Product_Tech_Agent（产品技术咨询 Agent） | Finance_Order_Agent（财务账单查询 Agent） | ICP_Service_Agent（备案与合规服务 Agent） | Deep_Research_Agent（深度研究与报告⽣成 Agent） | Ops_Marketing_Agent（营销推⼴与内容⽣成 Agent） | MCP ⼯具服务器（Base Tools / RAG Tools / Dify Tools） | Agentic RAG服务（混合检索与知识增强） | A2A协议通信层（跨 Agent 协作） | 三级智能缓存与Saga分布式事务层 | 全链路监控与可观测性层（Phoenix + LangSmith + Grafana）

  • Agent Harness高手班 11

    课时:6天学习方式:线下面授

    从Vibe Coding到SDD规范驱动交付

    HeiMaClaw系统级Agent

    Hermes⾼阶实战

    项目简介技术点:70项测验:0次

    本课程以Claude Code+Trae+OpenClaw为核⼼⼯具链，系统构建从Vibe Coding到Agentic Engineering的⽣产级AI开发体系。学员通过standardsv2.0企业级⼯程化框架，完成两⼤真实业务项⽬：基于阿⾥云天池真实数据集的⾦融营销预测系统（端到端MLOps全流程）；浏览器端⾼性能⽹⻚三消游戏（实时交互引擎）。全程落地GitHub Actions+Docker⽣产级CI/CD流⽔线，实现从意图定义到Multi-Agent协同开发、再到⾃动化安全交付的完整⼯业闭环

    学习目标

    掌握Agentic Engineering⽅法论，成为智能体全栈Owner | 熟练使⽤Claude Code + Trae实现多智能体协同开发 | 精通standards v2.0框架，快速完成企业级项⽬⼯程化治理 | 完成⾦融场景端到端MLOps全流程（数据探索→模型训练→FastAPI⽣产部署） | 掌握浏览器端⾼性能实时交互系统开发能⼒ | 独⽴搭建GitHub Actions + Docker⽣产级CI/CD与容器化交付流⽔线 | 完成OpenClaw私有化多渠道Agent平台构建与⻜书集成

    主讲解决方案

    基于Claude Code + Trae的Agentic Engineering多智能体协同开发解决⽅案 | 基于standards v2.0框架的企业级AI项⽬⼯程化治理与⾃动化交付解决⽅案 | 基于Claude Code Agentic开发的⾦融营销预测端到端MLOps全流程解决⽅案 | 基于GitHub Actions + Docker的⽣产级CI/CD与容器化DevOps交付解决⽅案 | 基于OpenClaw的私有化多渠道Agent平台构建与⻜书集成解决⽅案

    主讲知识点

    编程抽象演进与AI编程范式（Vibe Coding → Agentic Engineering） | AI编程工具链与Agent协同策略（Cursor、Claude Code、Trae、OpenClaw） | Agentic Engineering与多智能体协同开发 | 企业级AI项目工程化规范体系（standards v2.0框架） | 数据智能分析与机器学习全流程案例实战（银行营销预测系统） | 交互式Web前端与复杂游戏逻辑实现案例实战（网页三消乐） | 生产级CI/CD与容器化DevOps交付体系（GitHub Actions + Docker多阶段构建 + Secrets安全远程部署） | OpenClaw多渠道Agent平台实战

    项目简介技术点:70项测验:0次

    OpenClaw项⽬是真正的⽣产级开源AI Agent⽹关，远超“聊天机器⼈壳⼦”，其核⼼竞争⼒在于完整实现了Agent记忆能⼒（Memory+RAG）、系统物理交互（Sandbox Tools）、⾃迭代防死循环（tool-loop-detection+compaction）以及Multi-Agent协同（Subagent spawn） 项⽬采⽤Monorepo（pnpm-workspace）结构，TypeScript开发，内置Pi-embedded-runner原⼦执⾏引擎，⽀持Feishu、Slack、WhatsApp等⼗余个渠道⽆缝接⼊。通过LanceDB本地向量库+混合检索+时间衰减算法，实现真正可⽤的⻓期记忆；所有Tool执⾏均在Docker/Podman沙箱中完成，具备⽂件、⽹络、资源严格隔离；⽀持动态Subagent孵化，让复杂任务⾃动拆解；集成MCP协议实现标准化⼯具调⽤；⽣产部署⽀持systemd⾃启、Nginx⾼可⽤、Prometheus监控等企业级特性 该项⽬是理解和构建真实可⽤、⻓期运⾏、⽣产级AI Agent系统的实战标杆，特别适合希望掌握从消息接⼊到Agent 执⾏全链路、从开发到运维闭环的开发者

    学习目标

    OpenClaw架构机制理解能⼒：理解OpenClaw整体架构机制，以及Gateway、Routing、 Agents执⾏、Memory RAG、Sandbox、Subagent等核⼼模块的协同⼯作原理 | ⻜书机器⼈配置与使⽤能⼒：熟练通过命令和配置⽂件快速接⼊并配置Feishu机器⼈，实现消息标准化接⼊与实际业务交互 | Skill查询安装与⾃定义扩展能⼒：学会通过ClawHub查询安装Skill，同时掌握⾃定义创建 Skill 包（SKILL.md+tools/+prompts/）扩展Agent能⼒

    主讲解决方案

    通过OpenClaw⼀键部署多消息渠道标准化接⼊并统⼀管理AI Agent的解决⽅案 | 通过OpenClaw ClawHub技能市场⼀键安装扩展Agent能⼒的解决⽅案 | 通过OpenClaw⾃定义创建并部署专属Skill包（SKILL.md+tools/+prompts/）扩展 Agent能⼒的解决⽅案 | 通过OpenClaw Sandbox安全执⾏Tool并彻底保障系统与数据安全的解决⽅案

    主讲知识点

    Gateway 接收层（WebSocket + HTTP 统⼀⼊⼝与 Event Bus） | Multi-Channel 消息插件层（Feishu / Slack / WhatsApp / Discord 等适配器） | Routing 路由层（resolve-route.ts + 多租户 Session 隔离） | Agents 执⾏核⼼层（Pi-embedded-runner + Subagent 注册与孵化） | Memory ⻓期记忆与 RAG 增强层（LanceDB + hybrid 混合检索） | Context Engine 上下⽂引擎（静态 Workspace + 动态 Session + RAG 融合） | Hooks 扩展钩⼦系统（前置/后置消息处理） | Skills 插件化技能系统（ClawHub 市场 + SKILL.md 动态加载） | Sandbox 安全沙箱执⾏层（Podman/Docker 隔离）

    项目简介技术点:70项测验:0次

    HeiMaClaw×智新电池⼯⼚是⼀套⾯向制造业⼀线⽣产管理的企业级AI Agent落地⽅案。系统以HeiMaClaw⽣产级AI Agent平台为⼤脑，承担渠道接⼊、租户权限、Agent 编排、记忆审计和沙箱执⾏；以智新电池⼯⼚MCP Server为业务数据源，通过 FastMCP暴露产线状态、⼯单进度、班次产量三类业务⼯具，背后由独⽴数据库承载真实⽣产数据。两边通过MCP协议桥接，把远端⼯具统⼀注册为平台ToolRegistry中的标准⼯具，让班组⻓/⽣产主管在⻜书⾥⽤⾃然语⾔完成产线状态、⼯单进度、班次产量等真实业务查询，打通「⾃然语⾔⼊⼝→Agent 编排→MCP ⼯具→业务数据库→智能总结回复」的完整落地链路

    学习目标

    掌握以HeiMaClaw为底座、以MCP业务服务器为数据源的「企业级Agent+业务系统」⼀体化落地能⼒ | 实现MCP⼯具的安全接⼊与⾃动注册 | 掌握MCP Server注册、 Agent可⻅性控制与权限策略联动 | 理解平台六层架构下业务数据「不进⼊平台、只⾛ MCP Tool」的设计边界 | 能够独⽴完成业务MCP Server构建、平台对接、⻜书⾃然语⾔⼊⼝验证，并基于审计、⻛险等级、租户作⽤域设计企业级安全闭环

    主讲解决方案

    基于FastMCP实现智新电池⼯⼚业务MCP Server并标准化暴露产线状态、⼯单进度、班次产量三类⼯具的解决⽅案 | 基于HeiMaClaw平台MCP可选依赖与桥接层实现远端⼯具⾃动安全注册到 ToolRegistry的解决⽅案 | 基于CLI命令完成MCP Server注册、Agent级可⻅性收敛及tools.allowed⽩名单联动的解决⽅案 | 基于AgentRunner + UnifiedExecutionEngine + Planner与LLM完成⾃然语⾔意图识别与槽位填充的解决⽅案 | 结合tool_gate与AuthPolicyManager实现租户隔离、权限策略下沉及企业级安全闭环的解决⽅案 | 构建“⻜书⾃然语⾔提问→HeiMaClaw Agent编排→安全MCP⼯具调⽤→业务数据库→智能总结回复”的企业级Agent+业务系统⼀体化落地闭环解决⽅案

    主讲知识点

    业务MCP Server冷启动阶段，基于FastMCP框架实现电池⼯⼚业务⼯具开发，使⽤ SQLite承载产线、⼯单、班次三类真实⽣产数据，并通过SSE协议对外暴露标准业务⼯具 | HeiMaClaw平台接⼊阶段，安装MCP可选依赖，通过CLI命令完成业务服务器注册，并配置企业级元数据（传输⽅式、⻛险等级、租户作⽤域、超时等），再校验远端⼯具列表可达 | 实现MCP⼯具到ToolRegistry的安全桥接，通过桥接层⾃动拉取远端⼯具列表，采⽤安全命名规则⽣成本地⼯具名，并封装调⽤逻辑、归⼀化返回结果，同时携带权限元数据下沉到⼯具级别 | 实现意图识别与槽位填充，通过CLI把MCP Server启⽤到⽬标Agent，⾃动追加⼯具到⽩名单；运⾏时由Agent编排引擎把⾃然语⾔解析为标准⼯具调⽤，⼯具返回数据后再由LLM总结为业务话术 | 实现租户与权限闭环，每次⼯具调⽤携带租户、⽤户、⻆⾊等上下⽂，由权限策略管理器完成租户隔离与响应策略；⽀持全局开关与Agent级⼯具可⻅性动态收敛 | 实现⻜书渠道与⽣产部署闭环，完成⻜书⻓连接与回调接⼊，通过多进程启动⽅式，完成⽣产环境或智能体应⽤

  • 大模型微调开发基础高手班 12

    课时:4天 技术点:70项 测验:1次 学习方式:线下面授

    学习目标

    能够理解Transformer的注意⼒机制与架构设计，并掌握基于Transformer的翻译任务开发技能| 能够使⽤Hugging Face库对预训练模型进⾏全量微调，完成特定NLP任务| 能够理解主流⼤模型的架构特性与预训练原理，掌握为微调任务选择合适模型的能⼒

    主讲内容

    1. 大模型Transformer架构该模块主要学习大模型Transformer架构，包含以下技术点：

    词向量（Word Embedding）| ⼤模型Transformer架构的注意⼒机制| ⼤模型Transformer架构（encoder、decoder、encoder+decoder）| ⼤模型Transformer翻译任务实战

    2. 大模型迁移学习该部分主要学习大模型迁移学习，包含以下技术点：

    迁移学习的预训练模型和微调阶段| NLP中的常⽤预训练模型（BERT/ GPT-1/GPT-2）| Hugging Face预训练模型仓库| Huggingface Transformers库使⽤（提供了NLP领域预训练语⾔模型结构模型和调⽤框架）| 基于微调⽅式实现中⽂分类、中⽂填空、句⼦关系等任务

    3. 大模型主流模型运行机制该部分主要学习大模型主流模型运行机制，包含以下技术点：

    GPT/DeepSeek/QWen基础| GPT/DeepSeek/QWen架构变化| GPT/DeepSeek/QWen的预训练任务| 基于DeepSeek/QWen预训练+微调任务实战

  • 微博文本信息抽取和摘要高手班 13

    课时:4天技术点:80项测验:0次学习方式:线下面授

    学习目标

    了解和掌握⼤语⾔模型的基本原理和架构，特别是ChatGLM-6B模型的结构和⼯作机制| 掌握⼤模型LoRA微调技术，通过微调预训练的⼤模型来适应特定任务的需求| 掌握⼤模型P-Tuning微调技术，对⼤模型进⾏⾼效的参数调整，增强其在特定任务上的表现| 能够掌握 QLoRA 量化微调与并⾏计算技术，完成⽂本摘要模型的⾼效训练与部署

    项⽬以Qwen/DeepSeek模型为核⼼，通过LoRA和P-Tuning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。借助DeepSpeed框架实现训练过程的加速优化。同时采⽤了GPTQ和QLoRA技术对模型进⾏量化处理，旨在进⼀步提升模型的推理速度。最终，通过Vllm平台完成了模型的部署，实现了对⽂本中关键信息的⾃动化抽取，完成信息抽取的任务

    主讲解决方案

    联合任务数据预处理适配模型训练的解决⽅案| 实现ChatGLM-6B+LoRA训练的解决⽅案| 实现ChatGLM-6B+P-Tuning训练的解决| ⽅案基于Flask框架实现模型API接⼝开发的解决⽅案| ⼤模型并⾏计算解决⽅案| ⼤模型量化解决⽅案| ⼤模型部署解决⽅案| ⼤模型推理优化解决⽅案

    主讲知识点

    理解信息抽取任务以及⽂本分类的业务意义及应⽤场景| 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Qwen/DeepSeek模型解析| LoRA⽅法讲解| P-Tuning⽅法解析| 基于Qwen/DeepSeek+LoRA⽅法实现模型的训练和评估| 基于Qwen/DeepSeek+P-Tuning⽅法实现模型的训练和评估| 基于Flask框架开发API接⼝，实现模型线上应⽤| 数据集处理、模型构建、模型训练、模型预测| ⼤模型并⾏计算：deepspeed，数据并⾏、流⽔线并⾏、模型并⾏| ⼤模型量化：训练量化⽅法QLora，训练后量化⽅法GPTQ| 模型部署和推理优化框架：vLLM和oLLAMA

  • 大模型微调综合项目（2选1）高手班 14

    课时:8天学习方式:线下面授

    基于亚⻢逊电商商品聚合⼤模型项⽬

    ⿊⻢直聘⼤模型搜索推荐项⽬

    项目简介技术点:70项测验:0次

    项⽬以“电商商品聚合与⽐价”为核⼼业务场景，解决电商场景中多源、异构商品数据的标准化处理、⾼精度分类与智能聚合难题

    学习目标

    环境与⼯程搭建能⼒：熟练搭建Linux开发环境，吃透模型微调完整流程，精通PyTorch 与HuggingFace⽣态，具备⼯业级算法项⽬搭建基础能⼒ | 电商数据处理能⼒：掌握电商商品数据集制作、⼤模型少样本预标注、主动学习降本、难负样本挖掘，独⽴完成业务数据清洗与优化 | 多模态模型微调能⼒：精通商品分类、向量召回、同款聚合聚类三⼤任务，熟练运⽤对⽐学习、度量学习、LoRA⾼效微调，可独⽴微调图⽂多模态模型 | 主流算法与⼯具实战能⼒：掌握双塔/交叉编码器架构、FAISS向量检索、⾃动超参调优，能⽤LlamaFactory实战微调视觉⼤模型，⾃定义训练逻辑与评估指标 | 模型推理部署落地能⼒：掌握模型量化、推理加速、注意⼒优化，可快速搭建交互式演示项⽬，完成多模态⼤模型从训练、调优到线上部署全流程落地

    主讲解决方案

    低成本⾼质量数据集构建解决⽅案 | 使⽤Optuna进⾏⾃动超参数寻优解决⽅案 | 多模态⼤模型微调解决⽅案 | 多模态⼤模型推理部署解决⽅案 | 多模态⼤模型推理优化解决⽅案

    主讲知识点

    数据为中⼼的机器学习，包括基于Krippendorff's alpha的标注质量检测、主动学习和使⽤(推理)⼤模型的Incontext Learning(zero-shot/few-shot Learing)进⾏数据与标注，解决被学术界忽略但⼯业落地最棘⼿的数据问题 | Huggingface⽣态的深⼊学习，包括⾃定义Dataset/DataCollator、Metric | ⾃定义PretrainedConfig和PreTrainedModel | ⾃定义Trainer来实现复杂的指标计算 | 深⼊介绍checkpoint保存机制 | 使⽤Optuna来进⾏超参数搜索，⽐常⽤的GridSearch更快，⽐RandomSearch更好，同时深⼊探讨⼿动模型调参和主动调参的适⽤场景 | 介绍双塔召回模型+交叉精排模型的⼯业级架构，解决两两对⽐复杂度O(n^2)计算爆炸的问题 | 详细介绍度量学习和对⽐学习，包括arcface和InfoNCE-等损失函数以及CLIP和SigLiP等多模态模型 | 同时介绍IVF和HNSW等ANN算法原理和在FAISS的⽤法使⽤多种⽅法实现多模态的融合 | 并且介绍召回模型微调的实⽤技巧：难负样本挖掘、数据对称性处理 | 介绍多模态⼤模型微调的显存优化技巧，详细介绍LoRA，包括RS-LoRA、 AdaLoRA、pissa_init和DoRA等改进 | 同时介绍GaLore和BAdam等内存⾼效的全参数微调算法以及梯度累积、FlashAttention、混合精度训练和8-bit/4-bit 量化优化器等节省显存的训练技巧 | 深⼊介绍LlamaFactory，修改其代码来实现⾃定义评估指标的计算 | 详细介绍使⽤LlamaFactory微调Qwen3 VL的优化过程 | 使⽤Gradio来展示召回与grouping模型，使⽤vLLM实现⼤模型推理 | 并且介绍常⻅部署的优化技巧，包括KV Cache和PagedAttention、GPTQ和AWQ等⼤模型量化算法、 MQA/GQA/MLA等注意⼒机制优化和推测性解码

    项目简介技术点:80项测验:0次

    基于⼈⼒资源招聘⾏业垂直⼤模型与知识图谱融合检索解决⽅案，通过项⽬学习完成企业级招聘检索系统全流程开发、部署、测试与优化。从Transformer底层原理、⼤模型 SFT+DPO双阶段微调、LangGraph智能体构建、招聘职位实体要素抽取及图谱关系构建，结合实时数据⼯程组件写⼊职位实体到检索引擎，完成招聘AI检索系统构建

    学习目标

    招聘领域⼤模型微调能⼒ | ⼤模型服务化部署能⼒ | LangGraph 智能体开发能⼒ | 招聘知识图谱构建能⼒ | 搜索意图识别匹配能⼒ | Kafka+Flink实时数据流处理能⼒ | 基于Kafka消息队列实现业务解耦能⼒ | 搜索推荐（Sug）构建能⼒：基于实体图谱的搜索词补全

    主讲解决方案

    招聘领域⼤模型 SFT+DPO 双阶段微调解决⽅案 | 基于 LangGraph 的招聘智能体与知识图谱构建解决⽅案 | 招聘搜索意图识别与实体抽取解决⽅案 | ⼤模型 vLLM ⾼性能推理部署解决⽅案 | ElasticSearch +Redis ⾼并发职位检索解决⽅案 | 基于实体图谱的搜索词推荐（Sug）解决⽅案 | ⼤模型训练显存优化（ZeRO / 梯度检查）解决⽅案 | 招聘检索 badcase 治理与相关性优化解决⽅案

    主讲知识点

    招聘领域⼤模型微调：LoRA/QLoRA微调；SFT监督微调；DPO强化学习对⻬；训练数据清洗、去重、隐私处理；微调显存优化（ZeRO、梯度检查） | ⼤模型服务化部署：vLLM/SGLang推理加速框架；KV Cache缓存机制；模型量化（FP16/INT4）；⼤模型服务监控、压测与⾼并发优化 | LangGraph智能体开发：State/Node/Edge 核⼼组件；线性/条件/循环⼯作流构建；⼯具调⽤（Tool Call）；招聘职位实体要素抽取及职位实体图谱构建智能体 | 招聘知识图谱构建：职位实体（岗位、结算⽅式、⼯作类型、⼯作时间等）抽取；实体关系泛化与图谱建模；职位要素分类与意图图谱构建；缓存与ES联动更新 | 搜索意图识别：⽤户搜索词意图分类；多意图表达识别；⻓尾搜索词优化；意图与职位要素匹配策略 | 检索系统核⼼技术：Kafka实时数据流处理；近实时职位⼊库与ES检索 | 搜索推荐（Sug）：ES Completion Suggester原理；FST数据结构；前端防抖与实时推荐；基于实体图谱的搜索词补全 | 企业级⼯程实践：模块化设计与代码复⽤；配置与环境管理；⽇志与错误处理；分布式部署、负载均衡；Docker/K8s部署思路 | 项⽬优化与评估：检索badcase优化；意图识别准确率提升；⻓尾问题处理；模型与检索效果评测指标 | 就业导向能⼒：⼤模型⾯试考点（Transformer/微调/部署/图谱）；业务场景拆解与⽅案设计

  • 图像分析基础赠送 1

    课时:0天 技术点:80项 测验:0次 学习方式:录播

    学习目标

    学员能够掌握CNN、ResNet、Yolo及分割算法的核⼼原理| 具备开发图像分类与⽬标检测应⽤的能⼒

    主讲内容

    1. 计算机视觉背景该部分主要学习计算机视觉背景、任务、发展历史介绍，包含以下技术点：

    计算机视觉定义| 计算机视觉的任务| 计算机视觉的应⽤领域| 计算机视觉的发展历史

    2. 图像分析特性该部分主要学习图像特性分析与图像处理实践，包含以下技术点：

    图像的表示⽅法| 图像的IO操作| 图像的颜⾊空间| 图像的加法| 图像混合| 图像的⼏何变换| 图像噪声| 图像平滑⽅法

    3. 图像分类该部分主要学习图像分类与图像增强技术实践，包含以下技术点：

    图像分类任务详解| 图像分类的数据集| 图像分类的评估⽅法| 常⽤的图像增强⽅法| tf.image进⾏图像增强| imagedatagenrator进⾏图像增强| 模型微调| 数据集获取| 【案例】图像⼏何颜⾊增强实践| 图像分类的CNN⽹络回顾| AlexNet⽹络实践| VGG⽹络架构| GoogLeNet详解与实践| Inception系列⽹络| ResNet⽹络结构与实践| 残差块和瓶颈块| 【案例】鲜花分类案例

    4. 图像分割该部分主要学习图像分割核心知识，包含以下技术点：

    图像分割定义| 图像分割的类型| 图像分割的开源数据集| 图像分割的评估指标| unet⽹络结构| 语义分割VOC数据集获取| 数据集⽣成器| 模型构建| 编码器实践| 解码器实践| 模型训练| 模型预测| 【案例】基于Unet的VOC数据的语义分割案例| 图像实例分割| MaskRCNN的⽹络构成| MaskRCNN的流程| ROIAlign原理与实践| ⽓球分割数据集的获取| 模型训练| 损失函数的实践| 模型预测| 【案例】MaskRCNN⽓球实例分割实践

  • 多模态大模型应用开发赠送 2

    课时:0天技术点:70项测验:0次学习方式:录播

    学习目标

    能够掌握CLIP与Diffusion的核⼼原理| 独⽴搭建Stable Diffusion⽂⽣图项⽬| 熟练运⽤LoRA、ControlNet等控制技术| 能够基于Qwen系列模型完成图⽂理解任务，并利⽤ms-SWIFT或LlamaFactory框架进⾏⾼效微调，实现从模型训练到部署的完整项⽬落地

    项目基于Stable Diffusion，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，项目可扩展于艺术创作、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

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

  • AI大模型开发 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