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。
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
面向对象|网络编程|多任务编程|高级语法|Python数据结构
熟练使用Python，掌握人工智能开发必备Python高级语法。
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
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
掌握SQL及Pandas完成数据分析与可视化操作。
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ETL8.掌握Pandas数据分析项目流程
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
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。
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
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
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
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
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AIAgent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
阿里PAI平台|讯飞星火大模型平台
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
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
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
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）
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）
掌握多模态文生图项目、人脸支付项目或智慧交通项目
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
*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
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FunctionCall函数调用功能的原理和实现方式
2.开发FunctionCall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AssistantAPI的原理及应用方式
5.基于GPTsstore和AssistantAPI开发实用的聊天机器人应用
6.拆解AIAgent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AIAgent
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
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，Stablediffusion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
北京化工大学工学硕士算法专家
课程名称
人工智能AI进阶班/AI大模型开发
2024.06.06
课程版本号
5.0
主要使用开发工具
PyCharm、DataGrip、JupyterNoteBook
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：
1
更新Pytorch2.3.0
新增星火语音大模型
新增基于讯飞大模型定制平台的财经新闻情感分析项目
新增多风格英译汉翻译机项目
新增虚拟试衣项目
新增基于StableDiffusion的图像生成项目
新增大模型AIAgent开发应用
新增新零售行业评价决策系统
新增大模型搭建医疗问诊机器人
新增物流信息咨询智能问答项目
新增微博文本信息抽取项目
新增泛娱数据关系抽取项目
新增多模态技术及项目
人工智能AI进阶班
2023.02.24
4.0
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
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。
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
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。
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。
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。
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
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
2022.01.20
3.0
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
Linux+PyCharm+DataSpell+Pytorch+Tensorflow+Neo4j+Docer+k8s
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。
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
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。
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
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
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。
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。
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
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
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
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
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。
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
删除Ubuntu环境搭建开发环境
2021.02.01
2.0
主要针对
python3&python2
linux+PyCharm+Pytorch+Tensorflow+OpenCV+neo4j+Docer+k8s
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。
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、scheduledsampling的优化策略。
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。
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CascadeR-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）。
新增计算机视觉目标检测热点算法YoLov1~v5V1~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。
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。
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。
2020.6.1
1.5
主要针对版本
linux+PyCharm+Pytorch+Tensorflow
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。
新增计算机视觉CV案例库
新增自然语言处理案例库
新增AI企业面试题
新增算法强化课程
新增计算机视觉强化课
2019.12.21
1.0
Python3&Python2
新增机器学习进阶课程
新增计算机视觉项目：实时人脸检测项目、智能交通项目
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
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
源源不断引进大厂技术大牛，专业研发课程升级、迭代，与企业需求实时接轨
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
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
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