喝酒斗牛规则,喷射派对手机版在哪里下载,电玩城捕鱼微信上下分

傳智教育(股票代碼 003032)旗下高端IT教育品牌

  • 免費(fèi)教程
  • 原創(chuàng)書籍
  • 教研團(tuán)隊(duì)
  • 開班時(shí)間
  • 報(bào)名流程
  • 項(xiàng)目信息站
  • 技術(shù)社區(qū)
北京昌平 
學(xué)費(fèi)是多少? 學(xué)多久就業(yè)? 能拿多少工資?
申請(qǐng)免費(fèi)試聽名額
黑馬程序員AI大模型抓住就業(yè)機(jī)遇
  • 國家政策發(fā)力

    應(yīng)用場(chǎng)景更多

    黑馬人工智能應(yīng)用場(chǎng)景
  • AI大模型快速崛起

    人工智能深入千行百業(yè)

    黑馬程序員AI崛起
  • 全行業(yè)薪資天花板

    薪資爆發(fā)式增長

    黑馬程序員就業(yè)薪資天花板
AI需求大爆發(fā)入行占領(lǐng)薪高地
  • 人才缺口千萬+高薪崗位多
  • 多重晉升通道升職加薪快
  • 發(fā)展路徑長就業(yè)市場(chǎng)火爆
人工智能崗位新增

熱招崗位:

大模型開發(fā)工程師、數(shù)據(jù)挖掘工程師、AIGC算法工程師、大模型Agent工程師、CV計(jì)算機(jī)視覺工程師、Prompt工程師、大語言模型LLM開發(fā)工程師、 大模型推理工程師、算法工程師、機(jī)器學(xué)習(xí)工程師、智能語音算法工程師、大模型微調(diào)工程師、NLP自然語言處理工程師、多模態(tài)工程師

數(shù)據(jù)來源于職友集、看準(zhǔn)網(wǎng)、boss直聘
黑馬程序元AI多重普升通道

AI人工智能工程師 薪資隨工作經(jīng)驗(yàn)持續(xù)增長

AI人工智能工程師 薪資隨工作經(jīng)驗(yàn)持續(xù)增長

AIGC領(lǐng)域人才超1/3大于35歲 發(fā)展路徑長

AIGC領(lǐng)域人才超1/3大于35歲 發(fā)展路徑長
黑馬程序員人工智能開發(fā)5.0解鎖新技能

優(yōu)勢(shì)1

大模型方向

設(shè)計(jì)、實(shí)現(xiàn)和優(yōu)化大規(guī)模深度學(xué)習(xí)模型,包括數(shù)據(jù)預(yù)處理、模型架構(gòu)設(shè)計(jì)、訓(xùn)練調(diào)優(yōu)、性能優(yōu)化以及模型部署,以推動(dòng)AI大模型技術(shù)在各種應(yīng)

課程技術(shù)點(diǎn)

  • ·Prompt
  • ·LangChain
  • ·RAG
  • ·Stable Diffusion

勝任崗位

薪資范圍:(20-35k)

自然語言處理(NLP)方向

通過處理和分析文本數(shù)據(jù),實(shí)現(xiàn)語言翻譯、情感分析、自動(dòng)摘要、聊天機(jī)器人等功能。使計(jì)算機(jī)能夠理解和生成人類語言。

課程技術(shù)點(diǎn)

  • ·Pytorch
  • ·Pytorch
  • ·Bert
  • ·遷移學(xué)習(xí)
  • ·Transformer

勝任崗位

薪資范圍:(18-25k)

計(jì)算機(jī)視覺(CV)方向

通過圖像和視頻分析、物體識(shí)別、場(chǎng)景重建等技術(shù),使計(jì)算機(jī)能夠理解和解釋視覺數(shù)據(jù),支持自動(dòng)化決策和智能系統(tǒng)。

課程技術(shù)點(diǎn)

  • ·目標(biāo)分類
  • ·目標(biāo)檢測(cè)
  • ·目標(biāo)分割
  • ·用戶畫像

勝任崗位

薪資范圍:(15-20k)

數(shù)據(jù)挖掘方向

運(yùn)用機(jī)器學(xué)習(xí)技術(shù),從大量數(shù)據(jù)中提取有價(jià)值的信息,發(fā)現(xiàn)數(shù)據(jù)背后的模式和趨勢(shì),并為決策提供支持。

課程技術(shù)點(diǎn)

  • ·機(jī)器學(xué)習(xí)
  • ·分類算法
  • ·回歸算法
  • ·聚類算法
  • ·模型選擇
  • ·模型訓(xùn)練
  • ·模型評(píng)估

勝任崗位

薪資范圍:(20-35k)

優(yōu)勢(shì)2

黑馬程序員訊飛騰訊大廠合作
【訊飛大模型項(xiàng)目案例】多風(fēng)格翻譯機(jī)
【騰訊大模型項(xiàng)目案例】文生圖應(yīng)用
黑馬程序員獲取AI前沿技能

優(yōu)勢(shì)3

黑馬程序員AI大模型核心微調(diào)原理 黑馬程序員I大模型開發(fā)落地全流程

優(yōu)勢(shì)4

  • NLP領(lǐng)域解決方案和技術(shù)棧
  • CV領(lǐng)域解決方案和技術(shù)棧
解決方案
解決方案
解決方案
解決方案
  • 人工智能開發(fā)入門1

    Python編程 基礎(chǔ)語法數(shù)據(jù)結(jié)構(gòu)函數(shù)面向?qū)ο?/em>模塊與包裝飾器選代器

    數(shù)據(jù)處理與統(tǒng)計(jì)分析 NumpyPandasMatplotlib/Seaborn

    能力畫像:掌握人工智能Python語言,掌握數(shù)據(jù)處理方法及數(shù)據(jù)統(tǒng)計(jì)分析方法,為數(shù)據(jù)建模奠定技術(shù)基礎(chǔ)
    勝任崗位:數(shù)據(jù)分析師、初級(jí)AI開發(fā)工程師、人工智能開發(fā)工程師
    參考薪資:10-14k
    黑馬程序員人工智能AI
  • 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)核心技術(shù)2

    機(jī)器學(xué)習(xí) Scikit-Learn分類算法回歸算法聚類算法特征工程模型選擇

    深度學(xué)習(xí) Pytorch神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)CNN卷積神經(jīng)網(wǎng)絡(luò)RNN循環(huán)神經(jīng)網(wǎng)絡(luò)

    能力畫像:掌握機(jī)器學(xué)習(xí)與深度學(xué)習(xí)核心算法,能夠解決基礎(chǔ)人工智能問題
    勝任崗位:機(jī)器學(xué)習(xí)工程師、深度學(xué)習(xí)工程師
    參考薪資:15-18k
    黑馬程序員人工智能AI
  • NLP自然語言處理技術(shù)3

    文本預(yù)處理 文本處理方法文本張量表示文本預(yù)料數(shù)據(jù)分析數(shù)據(jù)增強(qiáng)方法命名實(shí)體識(shí)別Word-Embedding

    Transformer原理 編碼器解碼器語言模型注意力機(jī)制模型超參數(shù)

    Bert / GPT Bert原理Bert預(yù)訓(xùn)練GPT原理GPT-2ChatGPT

    Hive 遷移學(xué)習(xí) FastText預(yù)訓(xùn)練模型權(quán)重微調(diào)

    能力畫像:通過文本處理、分析和建模,實(shí)現(xiàn)NER、文本分類、文本摘要、聊天機(jī)器人等功能
    勝任崗位:NLP算法工程師、知識(shí)圖譜工程師、機(jī)器學(xué)習(xí)工程師、語音識(shí)別工程師
    參考薪資:18-20k
  • 大模型核心技術(shù)4

    大模型入門 大模型基礎(chǔ)知識(shí)主流大模型分類AI應(yīng)用工具集企業(yè)級(jí)大模型開發(fā)平臺(tái)

    大模型應(yīng)用開發(fā) Function Call的原理及實(shí)踐大模型Agent原理及實(shí)戰(zhàn)

    大模型微調(diào)開發(fā) 提示詞工程實(shí)戰(zhàn)【金融】 大模型微調(diào)實(shí)戰(zhàn)【大健康, 新零售,新媒體】

    能力畫像:設(shè)計(jì)、實(shí)現(xiàn)與優(yōu)化垂直領(lǐng)域大模型
    勝任崗位:大模型開發(fā)工程師、Prompt工程師、大模型算法專家、大模型訓(xùn)練/推理開發(fā)工程師
    參考薪資:20-35k
  • CV計(jì)算機(jī)視覺5

    目標(biāo)分類 卷積計(jì)算方法多通道卷積AlexNetVGG ResNet殘差網(wǎng)絡(luò)ImageNet分類

    目標(biāo)檢測(cè) RCNNFPNSSD FasterRCNN非極大抑制NMS

    目標(biāo)分割 全卷積ROI AlignDeepLab MaskRCNN金字塔池化模塊語義分割評(píng)價(jià)標(biāo)準(zhǔn)

    能力畫像:通過圖像和視頻分析、物體識(shí)別等技術(shù),實(shí)現(xiàn)機(jī)器視覺相關(guān)任務(wù)
    勝任崗位:CV算法工程師、目標(biāo)檢測(cè)工程師、圖像處理工程師、深度學(xué)習(xí)工程師
    參考薪資:15-20k
  • 大廠面試專題6

    數(shù)據(jù)結(jié)構(gòu) 數(shù)組鏈表哈希表

    常見算法 排序查找鏈表算法動(dòng)態(tài)規(guī)劃貪心算法

    機(jī)器學(xué)習(xí)/深度學(xué)習(xí) 分類算法面試題回歸算法面試題聚類算法面試題深度學(xué)習(xí)面試題

    NLP/CV專題 Transformer模型原理Bert/GPT面試題

    大模型專題 Prompt提示詞LangChain大模型開發(fā)工具 模型微調(diào) LoRA/Prefix-Tuning ChatGLM原理與面試題

黑馬程序員助力大數(shù)據(jù)進(jìn)階之路

人工智能 就業(yè)班

  • 零開發(fā)經(jīng)驗(yàn),理工科專業(yè)應(yīng)往屆畢業(yè)生,本科以上
  • 5個(gè)月
  • 研究生學(xué)歷補(bǔ)貼1000元

    985/211高校本科生學(xué)歷補(bǔ)貼600元

AI大模型 就業(yè)班

  • Java、前端、大數(shù)據(jù)等有經(jīng)驗(yàn)開發(fā)者或其他崗轉(zhuǎn)型(如運(yùn)維、測(cè)試、產(chǎn)品等); 理工科專業(yè)本科及以上學(xué)歷
  • 4個(gè)月

  • 研究生學(xué)歷補(bǔ)貼1000元

    985/211高校本科生學(xué)歷補(bǔ)貼600元

黑馬程序員6大緯度10大階段AI技能為你保駕護(hù)航

人工智能開發(fā)課程大綱

  • 大模型語言基礎(chǔ)

  • 大模型語言進(jìn)階

  • 數(shù)據(jù)處理與統(tǒng)計(jì)分析

  • 機(jī)器學(xué)習(xí)

  • 深度學(xué)習(xí)與NLP自然語言處理基礎(chǔ)

  • NEWNLP自然語言處理綜合項(xiàng)目

  • 大模型核心開發(fā)基礎(chǔ)與項(xiàng)目

  • 企業(yè)級(jí)大模型平臺(tái)開發(fā)項(xiàng)目

  • 圖像分析基礎(chǔ)

  • NEW多模態(tài)大模型綜合項(xiàng)目

查看詳細(xì)課程大綱大模型語言基礎(chǔ)學(xué)習(xí)方式:線下面授

主要內(nèi)容

Python基礎(chǔ)語法 | Python數(shù)據(jù)處理 | 函數(shù) | 文件讀寫 | 異常處理 | 模塊和包

可解決的現(xiàn)實(shí)問題

熟練掌握人工智能Python語言,建立編程思維以及面向?qū)ο蟪绦蛟O(shè)計(jì)思想,使學(xué)員能夠熟練使用Python技術(shù)完成基礎(chǔ)程序編寫。

可掌握的核心能力

1.掌握Python開發(fā)環(huán)境基本配置
2.掌握運(yùn)算符、表達(dá)式、流程控制語句、數(shù)組等的使用
3.掌握字符串的基本操作
4.初步建立面向?qū)ο蟮木幊趟季S
5.熟悉異常捕獲的基本流程及使用方式
6.掌握類和對(duì)象的基本使用方式

查看詳細(xì)課程大綱大模型語言進(jìn)階學(xué)習(xí)方式:線下面授

主要內(nèi)容

面向?qū)ο?| 網(wǎng)絡(luò)編程 | 多任務(wù)編程 | 高級(jí)語法 | Python數(shù)據(jù)結(jié)構(gòu)

可解決的現(xiàn)實(shí)問題

熟練使用Python,掌握人工智能開發(fā)必備Python高級(jí)語法。

可掌握的核心能力

1.掌握網(wǎng)絡(luò)編程技術(shù),能夠?qū)崿F(xiàn)網(wǎng)絡(luò)通訊
2.知道通訊協(xié)議原理
3.掌握開發(fā)中的多任務(wù)編程實(shí)現(xiàn)方式
4.知道多進(jìn)程多線程的原理

查看詳細(xì)課程大綱數(shù)據(jù)處理與統(tǒng)計(jì)分析學(xué)習(xí)方式:線下面授

主要內(nèi)容

Linux | MySQL與SQL | Numpy矩陣運(yùn)算庫 | Pandas數(shù)據(jù)清洗 | Pandas數(shù)據(jù)整理 | Pandas數(shù)據(jù)可視化 | Pandas數(shù)據(jù)分析項(xiàng)目

可解決的現(xiàn)實(shí)問題

掌握SQL及Pandas完成數(shù)據(jù)分析與可視化操作。

可掌握的核心能力

1.掌握Linux常用命令,為數(shù)據(jù)開發(fā)后續(xù)學(xué)習(xí)打下的良好基礎(chǔ)
2.掌握MySQL數(shù)據(jù)庫的使用
3.掌握SQL語法
4.掌握使用Python操作數(shù)據(jù)庫
5.掌握Pandas案例
6.知道繪圖庫使用
7.掌握Pandas數(shù)據(jù)ETL
8.掌握Pandas數(shù)據(jù)分析項(xiàng)目流程

查看詳細(xì)課程大綱機(jī)器學(xué)習(xí)學(xué)習(xí)方式:線下面授

主要內(nèi)容

機(jī)器學(xué)習(xí)簡(jiǎn)介 | K近鄰算法 | 線性回歸 | 邏輯回歸 | 決策樹 | 聚類算法 | 集成學(xué)習(xí) | 機(jī)器學(xué)習(xí)進(jìn)階算法 | 用戶畫像案例 | 電商運(yùn)營數(shù)據(jù)建模分析案例

可解決的現(xiàn)實(shí)問題

掌握機(jī)器學(xué)習(xí)基本概念,利用多場(chǎng)景案例強(qiáng)化機(jī)器學(xué)習(xí)建模。

可掌握的核心能力

1.掌握機(jī)器學(xué)習(xí)算法基本原理
2.掌握使用機(jī)器學(xué)習(xí)模型訓(xùn)練的基本流程
3.掌握Sklearn等常用機(jī)器學(xué)習(xí)相關(guān)開源庫的使用
4.熟練使用機(jī)器學(xué)習(xí)相關(guān)算法進(jìn)行預(yù)測(cè)分析

查看詳細(xì)課程大綱深度學(xué)習(xí)與NLP自然語言處理基礎(chǔ)學(xué)習(xí)方式:線下面授

主要內(nèi)容

深度學(xué)習(xí)基礎(chǔ) | BP神經(jīng)網(wǎng)絡(luò) | 經(jīng)典神經(jīng)同絡(luò)結(jié)構(gòu)(CNN&RNN) | 深度學(xué)習(xí)多框架對(duì)比 | 深度學(xué)習(xí)正則化和算法優(yōu)化 | 深度學(xué)習(xí)Pytorch框架 | NLP任務(wù)和開發(fā)流程 | 文本預(yù)處理 | RNN及變體原理與實(shí)戰(zhàn) | Transformer原理與實(shí)戰(zhàn) | Attention機(jī)制原理與實(shí)戰(zhàn) | 傳統(tǒng)序列模型 | 遷移學(xué)習(xí)實(shí)戰(zhàn)

掌握深度學(xué)習(xí)基礎(chǔ)及神經(jīng)網(wǎng)絡(luò)經(jīng)典算法;掌握全球熱門的Pytorch技術(shù),完成自然語言處理基礎(chǔ)算法,諸如RNN、LSTM、GRU等技術(shù)。

可掌握的核心能力

1.Pytorch工具處理神經(jīng)網(wǎng)絡(luò)涉及的關(guān)鍵點(diǎn)
2.掌握神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)
3.掌握反向傳播原理
4.了解深度學(xué)習(xí)正則化與算法優(yōu)化
5.掌握NLP領(lǐng)域前沿的技術(shù)解決方案
6.了解NLP應(yīng)用場(chǎng)景
7.掌握NLP相關(guān)知識(shí)的原理和實(shí)現(xiàn)
8.掌握傳統(tǒng)序列模型的基本原理和使用
9.掌握非序列模型解決文本問題的原理和方案
10.能夠使用Pytorch搭建神經(jīng)網(wǎng)絡(luò)
11.構(gòu)建基本的語言翻譯系統(tǒng)模型
12.構(gòu)建基本的文本生成系統(tǒng)模型
13.構(gòu)建基本的文本分類器模型
14.使用ID-CNN+CRF進(jìn)行命名實(shí)體識(shí)別
15.使用FastText進(jìn)行快速的文本分類
16.勝任多數(shù)企業(yè)的NLP工程師的職位

查看詳細(xì)課程大綱NLP自然語言處理綜合項(xiàng)目學(xué)習(xí)方式:線下面授

主要內(nèi)容

投滿分文本分類或AI醫(yī)生項(xiàng)目 | 泛娛樂關(guān)系抽取或知識(shí)圖譜項(xiàng)目

可解決的現(xiàn)實(shí)問題

1.掌握自然語言處理項(xiàng)目,完成投滿分文本分類或AI醫(yī)生項(xiàng)目
2.掌握自然語言處理項(xiàng)目,完成泛娛樂關(guān)系抽取或知識(shí)圖譜項(xiàng)目
3.掌握運(yùn)用NLP核心算法解決實(shí)際場(chǎng)景關(guān)系抽取的問題

可掌握的核心能力

1.抽取式文本摘要解決方案
2.生成式文本摘要解決方案
3.自主訓(xùn)練詞向量解決方案
4.解碼方案的優(yōu)化解決方案
5.數(shù)據(jù)增強(qiáng)優(yōu)化解決方案
6.大規(guī)模快速文本分類解決方案
7.多模型井行預(yù)測(cè)解決方案
8.分布式模型訓(xùn)練解決方案
9.多標(biāo)簽知識(shí)圖譜構(gòu)建解決方案
10.掌握關(guān)系抽取任務(wù)以及關(guān)系抽取的常見場(chǎng)景
11.掌握數(shù)據(jù)來源、獲取方式以及存儲(chǔ)方式介紹
12.掌握Casrel模型構(gòu)建:實(shí)現(xiàn)關(guān)系抽取

查看詳細(xì)課程大綱大模型核心開發(fā)基礎(chǔ)與項(xiàng)目學(xué)習(xí)方式:線下面授

主要內(nèi)容

大語言模型的主要方法與主要架構(gòu) | 主流大模型詳解 | 大模型主要微調(diào)方法 | 大模型評(píng)價(jià)指標(biāo)及模型部署上線

可解決的現(xiàn)實(shí)問題

1.掌握大模型核心原理,完成文本摘要或傳智大腦項(xiàng)目
2.掌握大模型應(yīng)用開發(fā),完成AI Agent項(xiàng)目構(gòu)建
3.掌握運(yùn)用大模型核心算法解決實(shí)際場(chǎng)景關(guān)系抽取的問題

可掌握的核心能力

1.大模型Prompt-Engineering實(shí)踐
2.基于Funcation call打造個(gè)人專屬助手
3.基于AI Agent實(shí)現(xiàn)郵件的自動(dòng)編寫及發(fā)送
4.物流行業(yè)信息咨詢智能問答系統(tǒng)(RAG檢索)
5.基于GPT2模型搭建醫(yī)療問診機(jī)器人
6.新零售行業(yè)決策評(píng)價(jià)系統(tǒng)
7.新媒體行業(yè)評(píng)論智能分類與信息抽取系統(tǒng)

查看詳細(xì)課程大綱企業(yè)級(jí)大模型平臺(tái)開發(fā)項(xiàng)目學(xué)習(xí)方式:線下面授

主要內(nèi)容

阿里PAI平臺(tái) | 訊飛星火大模型平臺(tái)

可解決的現(xiàn)實(shí)問題

1.掌握阿里PAI平臺(tái)、百度千帆、訊飛星火等開源大模型平臺(tái)使用
2.利用阿里PAI平臺(tái)、百度千帆、訊飛星火等開源大模型平臺(tái)完成大模型應(yīng)用與開發(fā)

可掌握的核心能力

1.基于阿里PAI平臺(tái)的虛擬試衣實(shí)戰(zhàn)
2.基于阿里PAI平臺(tái)的AI擴(kuò)圖實(shí)戰(zhàn)
3.訊飛星火多風(fēng)格翻譯機(jī)器人實(shí)戰(zhàn)
4.基于訊飛大模型定制平臺(tái)的金融情感分析項(xiàng)目

查看詳細(xì)課程大綱圖像分析基礎(chǔ)學(xué)習(xí)方式:線下面授

主要內(nèi)容

機(jī)器學(xué)習(xí)核心算法加強(qiáng) | 深度學(xué)習(xí)核心算法加強(qiáng) | 數(shù)據(jù)結(jié)構(gòu)與算法 | 圖像與視覺處理介紹 | 目標(biāo)分類和經(jīng)典CV網(wǎng)絡(luò) | 目標(biāo)分割和經(jīng)典CV網(wǎng)絡(luò)

1.掌握數(shù)據(jù)結(jié)構(gòu)與算法,核心機(jī)器學(xué)習(xí)、深度學(xué)習(xí)面試題,助力高薪就業(yè)
2.掌握計(jì)算機(jī)視覺基礎(chǔ)算法,諸如CNN、殘差網(wǎng)絡(luò)、Yolo及SSD

可掌握的核心能力

1.機(jī)器學(xué)習(xí)與深度學(xué)習(xí)核心算法,NLP經(jīng)典算法,數(shù)據(jù)結(jié)構(gòu)算法、Djkstra算法,動(dòng)態(tài)規(guī)劃初步,貪心算法原理,多行業(yè)人工智能案例剖析
2.經(jīng)典卷積網(wǎng)絡(luò):LeNet5、AlexNet、 VGG、 Inception、GoogleNlet、殘差網(wǎng)絡(luò)、深度學(xué)習(xí)優(yōu)化(RCNN、FastRCNN、FasterRCNN、SSD、YOLOM、 YOLOV2、 YOLOV)

查看詳細(xì)課程大綱多模態(tài)大模型綜合項(xiàng)目學(xué)習(xí)方式:線下面授

主要內(nèi)容

解決方案列表 | 項(xiàng)目架構(gòu)及數(shù)據(jù)采集 | 人臉檢測(cè)與跟蹤 | 人臉姿態(tài)任務(wù) | 人臉多任務(wù) | Stable Diffusion詳解 | Latte視頻生成(Sora對(duì)比)

掌握多模態(tài)文生圖項(xiàng)目、人臉支付項(xiàng)目或智慧交通項(xiàng)目

可掌握的核心能力

1.人臉檢測(cè)與跟蹤解決方案、人臉姿態(tài)任務(wù)解決方案、人臉多任務(wù)解決方案、人臉識(shí)別任務(wù)解決方案
2.掌握AIGC的原理、Stable Diffusion模型的構(gòu)成、訓(xùn)練策略、視頻生成模型Latte

*課程將會(huì)持續(xù)更新,更新后所有已報(bào)名該課程學(xué)員均可免費(fèi)觀看最新課程內(nèi)容

黑馬程序員大廠項(xiàng)目加持打造你的競(jìng)爭(zhēng)力
  • 醫(yī)療問診
  • 新聞咨詢
  • 新聞咨詢
  • 物流
  • 新零售
  • 泛娛樂
  • 語言服務(wù)行業(yè)
  • 金融
  • AIGC領(lǐng)域
  • 語音領(lǐng)域

紅蜘蛛圖譜項(xiàng)目

項(xiàng)目亮點(diǎn)

1.通過完善系統(tǒng)的知識(shí)圖譜知識(shí)體系,涵蓋知識(shí)表示、知識(shí)抽取、知識(shí)存儲(chǔ)、知識(shí)補(bǔ)全、知識(shí)推理相關(guān)內(nèi)容

2.高效的NER實(shí)體抽取解決方案,以及RE關(guān)系抽取解決方案,涵蓋模型方法和規(guī)則方法,雙渠道保證信息抽取的高效性和完備性

3.基于前綴樹和意圖識(shí)別,搭建紅蜘蛛醫(yī)療機(jī)器人,通過訪問Neo4j圖數(shù)據(jù)庫達(dá)成多輪醫(yī)療對(duì)話的功能

應(yīng)用場(chǎng)景

金融關(guān)系分析、商品推薦、品牌挖掘、醫(yī)療輔助分析

技術(shù)架構(gòu)圖

蜂窩頭條投滿分項(xiàng)目

項(xiàng)目亮點(diǎn)

1.項(xiàng)目背景介紹:投滿分項(xiàng)目在今日頭條中的作用,數(shù)據(jù)集的樣式等。快速實(shí)現(xiàn)基于隨機(jī)森林的基線模型1.0,和基于FastText的基線模型2.0

2.遷移學(xué)習(xí)優(yōu)化:實(shí)現(xiàn)基于BERT的遷移學(xué)習(xí)模型搭建和訓(xùn)練,并對(duì)比模型關(guān)鍵指標(biāo)的提升

3.模型的量化:實(shí)現(xiàn)對(duì)大型預(yù)訓(xùn)練模型的量化,并對(duì)比原始模型與量化模型的差異

4.模型的剪枝:實(shí)現(xiàn)對(duì)模型的剪枝的操作,包含主流的對(duì)特定網(wǎng)絡(luò)模塊的剪枝、多參數(shù)模塊的剪枝、全局剪枝、用戶自定義剪枝

5.遷移學(xué)習(xí)微調(diào):包含BERT模型微調(diào)、AlBERT模型、GPT2模型、T5模型、Transformer-XL模型、XLNet模型、Electra模型、Reformer模型的詳細(xì)介紹,以及消融實(shí)驗(yàn)的介紹

6.模型的知識(shí)蒸餾:詳細(xì)解析知識(shí)蒸餾的原理和意義,并實(shí)現(xiàn)知識(shí)蒸餾模型的搭建,對(duì)比知識(shí)蒸餾后的新模型的優(yōu)異表現(xiàn),并做詳細(xì)的對(duì)比測(cè)試

應(yīng)用場(chǎng)景

金融文本分類、情感分析、醫(yī)療報(bào)告的自動(dòng)分類、新聞內(nèi)容的自動(dòng)分類

技術(shù)架構(gòu)圖

微博文本信息抽取項(xiàng)目

項(xiàng)目亮點(diǎn)

1.項(xiàng)目介紹:理解信息抽取任務(wù)以及文本分類的業(yè)務(wù)意義及應(yīng)用場(chǎng)景

2.項(xiàng)目流程介紹:完整的實(shí)現(xiàn)整個(gè)任務(wù)的邏輯框架

3.數(shù)據(jù)預(yù)處理:修改數(shù)據(jù)格式適配大模型訓(xùn)練、數(shù)據(jù)張量的轉(zhuǎn)換等

4.ChatGLM-6B模型解析,LoRA方法講解、P-Tuning方法解析

5.基于ChatGLM-6B+LoRA方法實(shí)現(xiàn)模型的訓(xùn)練和評(píng)估

6.基于ChatGLM-6B+P-Tuning方法實(shí)現(xiàn)模型的訓(xùn)練和評(píng)估

7.基于Flask框架開發(fā)API接口,實(shí)現(xiàn)模型線上應(yīng)用

應(yīng)用場(chǎng)景

問答系統(tǒng)、知識(shí)圖譜構(gòu)建、醫(yī)療行業(yè)信息抽取

技術(shù)架構(gòu)圖

物流信息咨詢智能問答項(xiàng)目

項(xiàng)目亮點(diǎn)

1.項(xiàng)目介紹:理解什么是RAG系統(tǒng)

2.項(xiàng)目流程梳理:從本地知識(shí)庫搭建,到知識(shí)檢索,模型生成答案等流程介紹

3.數(shù)據(jù)預(yù)處理:本地文檔知識(shí)分割、向量、存儲(chǔ)

4.LangChain框架的詳解講解:6大組件應(yīng)用原理和實(shí)現(xiàn)方法

5.基于本地大模型ChatGLM-6B封裝到LangChain框架中

6.實(shí)現(xiàn)LangChain+ChatGLM-6B模型的知識(shí)問答系統(tǒng)搭建

應(yīng)用場(chǎng)景

客戶服務(wù)、醫(yī)療咨、新聞和媒體

技術(shù)架構(gòu)圖

物流信息咨詢智能問答項(xiàng)目

新零售行業(yè)評(píng)價(jià)決策系統(tǒng)

項(xiàng)目亮點(diǎn)

1.項(xiàng)目意義:新零售行業(yè)背景和需求

2.BERT模型介紹:架構(gòu)、預(yù)訓(xùn)練任務(wù)、應(yīng)用場(chǎng)景

3.P-Tuning方法的原理:定義、作用、優(yōu)點(diǎn)

4.PET方法的原理:定義、作用、優(yōu)點(diǎn)

5.模型訓(xùn)練調(diào)優(yōu):數(shù)據(jù)清洗、參數(shù)選擇、模型訓(xùn)練

6.模型性能評(píng)估:構(gòu)建評(píng)估指標(biāo)(Precision、Recall)、評(píng)估方法(混淆矩陣)

應(yīng)用場(chǎng)景

金融行業(yè)、供應(yīng)鏈管理、市場(chǎng)營銷、保險(xiǎn)航月、電信行業(yè)

技術(shù)架構(gòu)圖

大模型AI Agent開發(fā)應(yīng)用

項(xiàng)目亮點(diǎn)

1.大模型Function Call函數(shù)調(diào)用功能的原理和實(shí)現(xiàn)方式

2.開發(fā)Function Call實(shí)現(xiàn)大模型:實(shí)時(shí)查詢天氣、訂機(jī)票、數(shù)據(jù)庫查詢等功能

4.解析GPTs和Assistant API的原理及應(yīng)用方式

5.基于GPTs store和Assistant API開發(fā)實(shí)用的聊天機(jī)器人應(yīng)用

6.拆解AI Agent的原理及對(duì)比與傳統(tǒng)軟件的區(qū)別

7.基于CrewAI框架開發(fā)自動(dòng)寫信并發(fā)送郵件的AI Agent

應(yīng)用場(chǎng)景

客戶服務(wù)于支持、個(gè)人助理、金融服務(wù)、制造業(yè)、人力資源

技術(shù)架構(gòu)圖

大模型AI Agent開發(fā)應(yīng)用

多風(fēng)格英譯漢翻譯機(jī)項(xiàng)目

項(xiàng)目亮點(diǎn)

1.多風(fēng)格翻譯機(jī)的介紹、應(yīng)用場(chǎng)景

2.翻譯機(jī)前端界面的搭建:stream、streamlit、websocket

3.星火大模型API的調(diào)用方式:key、value

4.翻譯風(fēng)格的設(shè)計(jì):提示詞工程的應(yīng)用

應(yīng)用場(chǎng)景

電子商務(wù)平臺(tái)、時(shí)尚零售、娛樂行業(yè)、社交媒體

技術(shù)架構(gòu)圖

基于訊飛大模型定制平臺(tái)的財(cái)經(jīng)新聞項(xiàng)目

項(xiàng)目亮點(diǎn)

1.準(zhǔn)備數(shù)據(jù)集:正負(fù)面新聞標(biāo)題數(shù)據(jù)集中包含17149條新聞數(shù)據(jù),包括input和target兩個(gè)字段

2.上傳數(shù)據(jù)集:大模型定制訓(xùn)練平臺(tái)

3.模型定制:BLOOMZ-7B是一個(gè)由BigScience研發(fā)并開源的大型語言模型(LLM),參數(shù)量為70億。它是在一個(gè)包含46種語言和13種編程語言的1.5萬億個(gè)tokens上訓(xùn)練的,可用于多種自然語言處理任務(wù)

4.模型訓(xùn)練:LoRa、學(xué)習(xí)率、訓(xùn)練次數(shù)

5.效果評(píng)測(cè):提升效果(%)=優(yōu)化后(正確/已選) - 優(yōu)化前(正確/已選)

6.模型服務(wù):可使用webAPI的方式進(jìn)行調(diào)用,也可在線體驗(yàn)服務(wù)的應(yīng)用

應(yīng)用場(chǎng)景

創(chuàng)意產(chǎn)業(yè)、文學(xué)和出版、新聞和媒體、游戲和應(yīng)用開發(fā)

技術(shù)架構(gòu)圖

基于訊飛大模型定制平臺(tái)的財(cái)經(jīng)新聞項(xiàng)目

虛擬試衣項(xiàng)目

項(xiàng)目亮點(diǎn)

1.虛擬試衣簡(jiǎn)介:背景、應(yīng)用場(chǎng)景、優(yōu)勢(shì)、方法

2.阿里PAI平臺(tái)介紹:平臺(tái)意義、產(chǎn)品結(jié)構(gòu)、PAI的架構(gòu)、PAI的注冊(cè)與開通

3.PAI-DSW環(huán)境搭建:DSW介紹、產(chǎn)品特點(diǎn)、環(huán)境搭建方法

4.虛擬試衣實(shí)踐:Diffusers、加速器accelerate、下載SD模型、LoRa微調(diào)、模型部署、推理驗(yàn)證

應(yīng)用場(chǎng)景

電子商務(wù)平臺(tái)、時(shí)尚零售、娛樂行業(yè)、社交媒體

技術(shù)架構(gòu)圖

星火的語音大模型

項(xiàng)目亮點(diǎn)

1.語音識(shí)別的背景、原理、應(yīng)用場(chǎng)景

2.語音識(shí)別的實(shí)現(xiàn)流程:數(shù)據(jù)預(yù)處理+特征的提取+模型構(gòu)建+模型訓(xùn)練+模型推理

3.大語言模型的介紹及其在多倫對(duì)話中的應(yīng)用

4.超擬人合成的介紹、原理、應(yīng)用場(chǎng)景

5.超擬人合成的實(shí)現(xiàn)流程:文本預(yù)處理(情感分析)+模型選擇+模型訓(xùn)練+模型推理+語音后處理

應(yīng)用場(chǎng)景

客戶服務(wù)、健康醫(yī)療、虛擬助手、法律咨詢、語言學(xué)習(xí)和翻譯

技術(shù)架構(gòu)圖

黑馬程序員AI適合學(xué)習(xí)人群
Tips : 有一定數(shù)學(xué)基礎(chǔ),本科及以上學(xué)歷,學(xué)習(xí)效果更佳

剛畢業(yè)、迷茫期

沒有工作經(jīng)驗(yàn),期待學(xué)習(xí)有前景的AI大模型技術(shù)

零基礎(chǔ)、想轉(zhuǎn)行

零基礎(chǔ),對(duì)AI人工智能或者大模型感興趣,有想法致力于通過AI人工智能或AI大模型解決實(shí)際問題

想晉升加薪

具備Java、前端、大數(shù)據(jù)、運(yùn)維等開發(fā)經(jīng)驗(yàn),面臨職場(chǎng)瓶頸期,期待自我提升

黑馬程序員歡迎你的加入AI學(xué)習(xí)

* 學(xué)員就業(yè)信息統(tǒng)計(jì)數(shù)據(jù)為數(shù)據(jù)庫中實(shí)時(shí)獲取的真實(shí)相關(guān)數(shù)據(jù),非廣告宣傳 更多學(xué)員就業(yè)信息

黑馬程序員傳授AI薪技術(shù)
黑馬程序員雄厚師資

李老師

碩士,Stable diffusion開發(fā)者

  • ·曾就職于多家上市公司,并擔(dān)任高級(jí)算法工程師、算法專家。研究領(lǐng)域包括NLP、目標(biāo)檢測(cè)、視頻跟蹤、大語言模型、多模態(tài)、模型推理加速等;
黑馬程序員雄厚師資

趙老師

人工智能領(lǐng)域技術(shù)大佬

  • ·曾任職于美團(tuán)搜索部,負(fù)責(zé)NER及Bert搜索排序優(yōu)化;
  • ·多年模式識(shí)別和數(shù)據(jù)挖掘開發(fā)經(jīng)驗(yàn),主導(dǎo)研發(fā)多項(xiàng)科研項(xiàng)目;
  • ·曾負(fù)責(zé)信貸風(fēng)控模型和智能醫(yī)療數(shù)據(jù)平臺(tái)開發(fā),專注ML/DL/PR/KG領(lǐng)域相關(guān)算法的應(yīng)用;
  • ·對(duì)Hadoop、SparkTensorflow和Pytorch等大數(shù)據(jù)、人工智能技術(shù)有多年企業(yè)實(shí)踐經(jīng)驗(yàn)。
黑馬程序員雄厚師資

姚老師

哈爾濱工程大學(xué)碩士

GIS行業(yè)工程實(shí)戰(zhàn)大佬

  • ·在圖像分割、檢測(cè)、追蹤等方面有多年從業(yè)經(jīng)歷;
  • ·曾參與多項(xiàng)重大項(xiàng)目,具備豐富的工程落地經(jīng)驗(yàn);
  • ·對(duì)Tensorflow和Pytorch有豐富的使用經(jīng)驗(yàn),對(duì)于二維和三維圖像方面有深入了解。
黑馬程序員雄厚師資

李老師

北京化工大學(xué)工學(xué)碩士

算法專家

  • ·北京化工大學(xué)工學(xué)碩士,多家互聯(lián)網(wǎng)公司首席信息官,算法專家,具備多年機(jī)器學(xué)習(xí),深度學(xué)習(xí)等人工智能相關(guān)算法的研發(fā)經(jīng)驗(yàn);
  • · 熟悉Python、Java等常用開發(fā)語言,對(duì)PyTorch,Tensorflow,PaddlePaddle等深度學(xué)習(xí)框架熟練使用,在自然語言處理應(yīng)用方面具備多年的企業(yè)實(shí)踐經(jīng)驗(yàn)
黑馬程序員雄厚師資

魏老師

多年算法工作經(jīng)驗(yàn)

  • ·多年數(shù)據(jù)開發(fā)經(jīng)驗(yàn),曾參與過國云數(shù)據(jù)公司的數(shù)據(jù)中臺(tái)開發(fā),以及甲乙丙丁公司商品推薦系統(tǒng)開發(fā)
  • ·精通Python、MySQL編程語言,機(jī)器學(xué)習(xí)以及推薦相關(guān)算法,熟練應(yīng)用Hadoop、Hive離線數(shù)倉等相關(guān)技術(shù);
  • ·曾擔(dān)任過BI數(shù)據(jù)分析師,數(shù)據(jù)挖掘,推薦算法工程師,數(shù)據(jù)倉庫工程師等數(shù)據(jù)以及算法相關(guān)崗位。
黑馬程序員雄厚師資

趙老師

人工智能領(lǐng)域技術(shù)大佬

  • ·曾任職于美團(tuán)搜索部,負(fù)責(zé)NER及Bert搜索排序優(yōu)化;
  • ·多年模式識(shí)別和數(shù)據(jù)挖掘開發(fā)經(jīng)驗(yàn),主導(dǎo)研發(fā)多項(xiàng)科研項(xiàng)目;
  • ·曾負(fù)責(zé)信貸風(fēng)控模型和智能醫(yī)療數(shù)據(jù)平臺(tái)開發(fā),專注ML/DL/PR/KG領(lǐng)域相關(guān)算法的應(yīng)用;
  • ·對(duì)Hadoop、SparkTensorflow和Pytorch等大數(shù)據(jù)、人工智能技術(shù)有多年企業(yè)實(shí)踐經(jīng)驗(yàn)。
黑馬程序員雄厚師資

姚老師

哈爾濱工程大學(xué)碩士

GIS行業(yè)工程實(shí)戰(zhàn)大佬

  • ·在圖像分割、檢測(cè)、追蹤等方面有多年從業(yè)經(jīng)歷;
  • ·曾參與多項(xiàng)重大項(xiàng)目,具備豐富的工程落地經(jīng)驗(yàn);
  • ·對(duì)Tensorflow和Pytorch有豐富的使用經(jīng)驗(yàn),對(duì)于二維和三維圖像方面有深入了解。
黑馬程序員雄厚師資

李老師

北京化工大學(xué)工學(xué)碩士算法專家

  • ·北京化工大學(xué)工學(xué)碩士,多家互聯(lián)網(wǎng)公司首席信息官,算法專家,具備多年機(jī)器學(xué)習(xí),深度學(xué)習(xí)等人工智能相關(guān)算法的研發(fā)經(jīng)驗(yàn);
  • · 熟悉Python、Java等常用開發(fā)語言,對(duì)PyTorch,Tensorflow,PaddlePaddle等深度學(xué)習(xí)框架熟練使用,在自然語言處理應(yīng)用方面具備多年的企業(yè)實(shí)踐經(jīng)驗(yàn)
黑馬程序員雄厚師資

魏老師

多年算法工作經(jīng)驗(yàn)

  • ·多年數(shù)據(jù)開發(fā)經(jīng)驗(yàn),曾參與過國云數(shù)據(jù)公司的數(shù)據(jù)中臺(tái)開發(fā),以及甲乙丙丁公司商品推薦系統(tǒng)開發(fā)
  • ·精通Python、MySQL編程語言,機(jī)器學(xué)習(xí)以及推薦相關(guān)算法,熟練應(yīng)用Hadoop、Hive離線數(shù)倉等相關(guān)技術(shù);
  • ·曾擔(dān)任過BI數(shù)據(jù)分析師,數(shù)據(jù)挖掘,推薦算法工程師,數(shù)據(jù)倉庫工程師等數(shù)據(jù)以及算法相關(guān)崗位。
黑馬程序員雄厚師資

李老師

碩士,Stable diffusion開發(fā)者

  • ·曾就職于多家上市公司,并擔(dān)任高級(jí)算法工程師、算法專家。研究領(lǐng)域包括NLP、目標(biāo)檢測(cè)、視頻跟蹤、大語言模型、多模態(tài)、模型推理加速等;
  • 全日制教學(xué)管理每天10小時(shí)專屬學(xué)習(xí)計(jì)劃
    測(cè)試、出勤排名公示
    早課+課堂+輔導(dǎo)+測(cè)試+心理疏導(dǎo)

  • 實(shí)戰(zhàn)項(xiàng)目貫穿教學(xué)一線大廠實(shí)戰(zhàn)項(xiàng)目
    實(shí)用技術(shù)全面覆蓋
    課程直擊企業(yè)需求

  • AI教輔保障學(xué)習(xí)效果水平測(cè)評(píng),目標(biāo)導(dǎo)向?qū)W習(xí)
    隨堂診斷糾錯(cuò),階段測(cè)評(píng)
    在線題庫,BI報(bào)表數(shù)據(jù)呈現(xiàn)

  • 個(gè)性化就業(yè)指導(dǎo)就業(yè)指導(dǎo)課,精講面試題
    模擬面試,給出就業(yè)建議
    試用期輔導(dǎo),幫助平穩(wěn)過渡

  • 持續(xù)助力職場(chǎng)發(fā)展免費(fèi)享,更新項(xiàng)目和學(xué)習(xí)資料
    主題講座,獲取行業(yè)前沿資訊
    人脈經(jīng)驗(yàn),線下老學(xué)員分享會(huì)

  • 無憂學(xué)就業(yè)權(quán)益未就業(yè),全額退費(fèi)
    薪資低于標(biāo)準(zhǔn),發(fā)放補(bǔ)貼
    多一份安心,學(xué)習(xí)無憂

  • 1教學(xué)管理
  • 2項(xiàng)目實(shí)戰(zhàn)
  • 3教輔促學(xué)
  • 4求職指導(dǎo)
  • 5職后提升
  • 6無憂學(xué)

更多>>人工智能學(xué)科動(dòng)態(tài)

  • 01新征程,再出發(fā)丨傳智教育在深交所成功掛牌上市
  • 02與阿里云達(dá)成合作,基于通義靈碼共創(chuàng)AI教育新紀(jì)元
  • 03校園招聘!60余家企業(yè)組團(tuán)來黑馬!
  • 05破圈,各種神仙場(chǎng)景下的黑馬程序員
  • 05【官宣】傳智教育使命升級(jí)!
  • 06盲注if被過濾怎么繞過?

更多>>人工智能技術(shù)資訊

  • 01Python下載和安裝圖文教程[超詳細(xì)]
  • 02深度相機(jī)常見技術(shù):深度相機(jī)的相位求解
  • 03解決類別不平衡數(shù)據(jù)方法介紹
  • 04Bert算法:語言模型-BERT詳細(xì)介紹
  • 05python人工智能之人臉識(shí)別綜合應(yīng)用與實(shí)踐
  • 06用人工智能玩轉(zhuǎn)《絕地求生》

更多>>人工智能常見問題

  • 01學(xué)人工智能未來有哪些發(fā)展方向?
  • 02為什么好的項(xiàng)目課程要多行業(yè)多領(lǐng)域?
  • 03數(shù)學(xué)基礎(chǔ)不好能學(xué)人工智能嗎?
  • 04為什么好的課程要教如何接手老項(xiàng)目?
  • 05為什么好的課程要教學(xué)員組件化定制?
  • 06掌握前沿技術(shù)解決方案的重要性

課程大綱

  1. 基礎(chǔ)班

    1. 大模型語言基礎(chǔ)

  2. 高手班

    1. 大模型語言進(jìn)階 2. 數(shù)據(jù)處理與統(tǒng)計(jì)分析 3. 機(jī)器學(xué)習(xí) 4. 深度學(xué)習(xí)基礎(chǔ) 5. NLP自然語言處理基礎(chǔ) 6. 自然語言處理項(xiàng)目1 7. 自然語言處理項(xiàng)目2 8. 大模型開發(fā)基礎(chǔ)與項(xiàng)目 9. 企業(yè)級(jí)大模型平臺(tái)開發(fā) 10. 圖像分析基礎(chǔ) 11. 多模態(tài)大模型項(xiàng)目

  3. 人工智能開發(fā) V5.0版本

  • 大模型語言基礎(chǔ)基礎(chǔ)班 1

    課時(shí):8天 技術(shù)點(diǎn):60項(xiàng) 測(cè)驗(yàn):1次 學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    1.掌握Python開發(fā)環(huán)境基本配置| 2.掌握運(yùn)算符.表達(dá)式.流程控制語句.數(shù)組等的使用| 3.掌握字符串的基本操作| 4.初步建立面向?qū)ο蟮木幊趟季S| 5.熟悉異常捕獲的基本流程及使用方式, 6.掌握類和對(duì)象的基本使用方式

    主講內(nèi)容

    1. Python基礎(chǔ)語法零基礎(chǔ)學(xué)習(xí)Python的開始,包含了以下技術(shù)點(diǎn):

    01_變量| 02_標(biāo)識(shí)符和關(guān)鍵字| 03_輸入和輸出| 04_數(shù)據(jù)類型轉(zhuǎn)換| 05_PEP8編碼規(guī)范| 06_比較/關(guān)系運(yùn)算符| 07_if判斷語句語法格式| 08_三目運(yùn)算符| 09_while語句語法格式| 10_while 循環(huán)嵌套| 11_break 和 continue| 12_while 循環(huán)案例| 13_for循環(huán)

    2. Python數(shù)據(jù)處理掌握Python的數(shù)據(jù)類型,并對(duì)其進(jìn)行操作處理,包含了以下技術(shù)點(diǎn):

    01_字符串定義語法格式| 02_字符串遍歷| 03_下標(biāo)和切片| 04_字符串常見操作| 05_列表語法格式| 06_列表的遍歷| 07_列表常見操作| 08_列表嵌套| 09_列表推導(dǎo)式| 10_元組語法格式| 11_元組操作| 12_字典語法格式| 13_字典常見操作| 14_字典的遍歷

    3. 函數(shù)能夠?qū)崿F(xiàn)Python函數(shù)的編寫,包含了以下技術(shù)點(diǎn):

    01_函數(shù)概念和作用、函數(shù)定義、調(diào)用| 02_函數(shù)的參數(shù)| 03_函數(shù)的返回值| 04_函數(shù)的注釋| 05_函數(shù)的嵌套調(diào)用| 06_可變和不可變類型| 07_局部變量| 08_全局變量| 09_組包和拆包、引用

    4. 文件讀寫能夠使用Python對(duì)文件進(jìn)行操作,包含了以下技術(shù)點(diǎn):

    01_文件的打開與關(guān)閉、文件的讀寫| 02_文件、目錄操作及案例| 03_os模塊文件與目錄相關(guān)操作

    5. 異常處理主要介紹了在Python編程中如何處理異常,包含了以下技術(shù)點(diǎn):

    01_異常概念| 02_異常捕獲| 03_異常的傳遞

    6. 模塊和包主要介紹了Python中的模塊和包的體系,以及如何使用模塊和包,包含了以下技術(shù)點(diǎn):

    01_模塊介紹| 02_模塊的導(dǎo)入| 03_包的概念| 04_包的導(dǎo)入| 05_模塊中的__all__ | 06_模塊中__name__

  • 大模型語言進(jìn)階高手班 1

    課時(shí):6天 技術(shù)點(diǎn):8項(xiàng) 測(cè)驗(yàn):1次 學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    1、掌握面向?qū)ο笙嚓P(guān)技術(shù)| 2、知道網(wǎng)絡(luò)編程相關(guān)知識(shí)| 3、掌握數(shù)據(jù)結(jié)構(gòu)和排序和查找算法

    主講內(nèi)容

    1. 面向?qū)ο?/span>從逐步建立起面向?qū)ο缶幊趟枷耄俚綍?huì)使用對(duì)象,到創(chuàng)建對(duì)象,再到真正理解為什么封裝對(duì)象,包含了以下技術(shù)點(diǎn):

    01_面向?qū)ο蠼榻B| 02_類的定義和對(duì)象的創(chuàng)建| 03_添加和獲取對(duì)象屬性| 04_self 參數(shù)| 05_init方法| 06_繼承| 07_子類方法重寫| 08_類屬性和實(shí)例屬性| 09_類方法、實(shí)例方法、靜態(tài)方法|

    2. 網(wǎng)絡(luò)編程主要學(xué)習(xí)通訊協(xié)議,以及Python實(shí)現(xiàn)TCP、HTTP通訊,包含了以下技術(shù)點(diǎn):

    01_IP地址的介紹| 02_端口和端口號(hào)的介紹| 03_TCP的介紹| 04_Socket的介紹| 05_TCP網(wǎng)絡(luò)應(yīng)用的開發(fā)流程| 06_基于TCP通信程序開發(fā)|

    3. 多任務(wù)編程主要學(xué)習(xí)Python中多線程、多進(jìn)程,包含了以下技術(shù)點(diǎn):

    01_多任務(wù)介紹| 02_多進(jìn)程的使用| 03_多線程的使用| 04_線程同步|

    4. 高級(jí)語法主要學(xué)習(xí)Python的高級(jí)語法,包含以下技術(shù)點(diǎn):

    01_閉包| 02_裝飾器| 03_正則

    5. Python數(shù)據(jù)結(jié)構(gòu)主要學(xué)習(xí)主要查找算法、排序算法、關(guān)鍵數(shù)據(jù)結(jié)構(gòu)

    01_時(shí)間復(fù)雜度| 02_線性表| 03_鏈表| 04_常用數(shù)據(jù)結(jié)構(gòu) 05_二分查找| 06_冒泡、選擇、插入、快排

  • 數(shù)據(jù)處理與統(tǒng)計(jì)分析高手班 2

    課時(shí):6天 技術(shù)點(diǎn):105項(xiàng) 測(cè)驗(yàn):1次 學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    1.掌握Linux常用命令,為數(shù)據(jù)開發(fā)后續(xù)學(xué)習(xí)打下的良好基礎(chǔ)| 2.掌握MySQL數(shù)據(jù)庫的使用| 3.掌握SQL語法| 4.掌握使用Python操作數(shù)據(jù)庫| 5.掌握Pandas案例| 6.知道繪圖庫使用|7.掌握Pandas數(shù)據(jù)分析項(xiàng)目流程

    主講內(nèi)容

    1. Linux掌握Linux操作系統(tǒng)常用命令和權(quán)限管理

    01_Linux命令使用| 02_Linux命令選項(xiàng)的使用| 03_遠(yuǎn)程登錄| 04_Linux權(quán)限管理| 05_vi編輯器使用|

    2. MySQL與SQL零基礎(chǔ)小白通過MySQL數(shù)據(jù)庫,掌握核心必備SQL,包含了以下技術(shù)點(diǎn):

    01_數(shù)據(jù)庫概念和作用| 02_MySQL數(shù)據(jù)類型| 03_數(shù)據(jù)完整性和約束| 04_數(shù)據(jù)庫、表基本操作命令| 05_表數(shù)據(jù)操作命令| 06_where子句| 07_分組聚合| 08_連接查詢| 09_外鍵的使用| 10_PyMySQL

    3. Numpy矩陣運(yùn)算庫Numpy矩陣運(yùn)算庫技術(shù),包含以下技術(shù)點(diǎn):

    01_Numpy運(yùn)算優(yōu)勢(shì),數(shù)組的屬性,數(shù)組的形狀| 02_Numpy實(shí)現(xiàn)數(shù)組基本操| 03_Numpy實(shí)現(xiàn)數(shù)組運(yùn)算,矩陣乘法

    4. Pandas數(shù)據(jù)清洗Pandas數(shù)據(jù)清洗技術(shù),包含以下技術(shù)點(diǎn):

    1.數(shù)據(jù)組合:01_Pandas數(shù)據(jù)組合_concat連接;02_Pandas數(shù)據(jù)組合_merge數(shù)據(jù);03_Pandas數(shù)據(jù)組合_join| 2.缺失值處理:01_缺失值處理介紹;02_缺失值處理_缺失值數(shù)量統(tǒng)計(jì);03_缺失值處理;04_缺失值處理_刪除缺失值;05_缺失值處理_填充缺失值| 3.Pandas數(shù)據(jù)類型| 4.apply函數(shù):01_Series和DataFrame的apply方法;02_apply使用案例

    5. Pandas數(shù)據(jù)整理Pandas數(shù)據(jù)處理技術(shù),包含以下技術(shù)點(diǎn):

    1.數(shù)據(jù)分組: 01_單變量分組聚合; 02_通過調(diào)用agg進(jìn)行聚合; 03_分組后transform; 04_transform練習(xí)| 2.Pandas透視表: 01_透視表概述&繪員存量增量分析; 02_繪員增量等級(jí)分布; 03_增量等級(jí)占比分析&整體等級(jí)分布; 04_線上線下增量分析| 3.datetime數(shù)據(jù)類型: 01_日期時(shí)間類型介紹; 02_提取日期分組案例; 03_股票數(shù)據(jù)處理; 04_datarange函數(shù); 05_綜合案例

    6. Pandas數(shù)據(jù)可視化Pandas數(shù)據(jù)可視化技術(shù),包含以下技術(shù)點(diǎn):

    1.Matplotlib可視化| 2.Pandas可視化| 3.Seaborn可視化|

    7. Pandas數(shù)據(jù)分析項(xiàng)目利用所學(xué)的Python Pandas,以及可視化技術(shù),完成數(shù)據(jù)處理項(xiàng)目實(shí)戰(zhàn)

    RFM客戶分群案例: 01_RFM概念介紹| 02_RFM項(xiàng)目_數(shù)據(jù)加載和數(shù)據(jù)處理| 03_RFM項(xiàng)目_RFM計(jì)算| 04_RFM項(xiàng)目_RFM可視化| 05_RFM項(xiàng)目_業(yè)務(wù)解讀和小結(jié)|

  • 機(jī)器學(xué)習(xí)高手班 3

    課時(shí):5天 技術(shù)點(diǎn):80項(xiàng) 測(cè)驗(yàn):1次 學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    1.掌握機(jī)器學(xué)習(xí)算法基本原理| 2.掌握使用機(jī)器學(xué)習(xí)模型訓(xùn)練的基本流程| 3.熟練使用機(jī)器學(xué)習(xí)相關(guān)算法進(jìn)行預(yù)測(cè)分析

    主講內(nèi)容

    1. 機(jī)器學(xué)習(xí)該部分主要學(xué)習(xí)機(jī)器學(xué)習(xí)基礎(chǔ)理論,包含以下技術(shù)點(diǎn):

    01_人工智能概述| 02_機(jī)器學(xué)習(xí)開發(fā)流程和用到的數(shù)據(jù)介紹| 03_特征工程介紹和小結(jié)| 04_機(jī)器學(xué)習(xí)算法分類| 05_機(jī)器學(xué)習(xí)模型評(píng)估| 06_數(shù)據(jù)分析與機(jī)器學(xué)習(xí)

    2. K近鄰算法該部分主要學(xué)習(xí)機(jī)器學(xué)習(xí)KNN算法及實(shí)戰(zhàn),包含以下技術(shù)點(diǎn):

    01_K近鄰算法基本原理| 02_K近鄰算法進(jìn)行分類預(yù)測(cè)| 03_sklearn實(shí)現(xiàn)knn| 04_訓(xùn)練集測(cè)試集劃分| 05_分類算法的評(píng)估| 06_歸一化和標(biāo)準(zhǔn)化| 07_超參數(shù)搜索| 08_K近鄰算法總結(jié)

    3. 線性回歸該部分主要學(xué)習(xí)機(jī)器學(xué)習(xí)線性回歸算法及實(shí)戰(zhàn),包含以下技術(shù)點(diǎn):

    01_線性回歸簡(jiǎn)介| 02_線性回歸API使用初步| 03_導(dǎo)數(shù)回顧| 04_線性回歸的損失函數(shù)和優(yōu)化方法| 05_梯度下降推導(dǎo)| 06_波士頓房價(jià)預(yù)測(cè)案例| 07_欠擬合和過擬合| 08_模型的保存和加載| 09_線性回歸應(yīng)用-回歸分析

    4. 邏輯回歸該部分主要學(xué)習(xí)機(jī)器學(xué)習(xí)邏輯回歸算法及實(shí)戰(zhàn),包含以下技術(shù)點(diǎn):

    01_邏輯回歸簡(jiǎn)介| 02_邏輯回歸API應(yīng)用案例| 03_分類算法評(píng)價(jià)方法| 04_邏輯回歸應(yīng)用_分類分析

    5. 聚類算法該部分主要學(xué)習(xí)機(jī)器學(xué)習(xí)聚類算法及實(shí)戰(zhàn),包含以下技術(shù)點(diǎn):

    01_聚類算法的概念| 02_聚類算法API的使用| 03_聚類算法實(shí)現(xiàn)原理| 04_聚類算法的評(píng)估| 05_聚類算法案例

    6. 決策樹該部分主要學(xué)習(xí)機(jī)器學(xué)習(xí)決策樹算法及實(shí)戰(zhàn),包含以下技術(shù)點(diǎn):

    01_決策樹算法簡(jiǎn)介| 02_決策樹分類原理| 03_特征工程-特征提取| 04_決策樹算法api| 05_決策樹案例

    7. 集成學(xué)習(xí)該部分主要學(xué)習(xí)機(jī)器學(xué)習(xí)集成算法算法及實(shí)戰(zhàn),包含以下技術(shù)點(diǎn):

    01_集成學(xué)習(xí)算法簡(jiǎn)介| 02_Bagging和隨機(jī)森林| 03_隨機(jī)森林案例| 04_Boosting介紹| 05_GBDT介紹| 06_XGBOOST介紹|

    8. 數(shù)據(jù)挖掘案例數(shù)據(jù)挖掘案例部分,包含以下技術(shù)點(diǎn):

    01_數(shù)據(jù)探索性分析| 02_特征工程| 03_模型訓(xùn)練與特征優(yōu)化| 04_模型部署上線

  • 深度學(xué)習(xí)基礎(chǔ)高手班 4

    課時(shí):5天 技術(shù)點(diǎn):60項(xiàng) 測(cè)驗(yàn):1次 學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    1.Pytorch工具處理神經(jīng)網(wǎng)絡(luò)涉及的關(guān)鍵點(diǎn)|2.掌握神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)|3.掌握反向傳播原理|3.了解深度學(xué)習(xí)正則化與算法優(yōu)化

    主講內(nèi)容

    1. 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)該部分主要學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)基礎(chǔ),包含以下技術(shù)點(diǎn):

    01_神經(jīng)網(wǎng)絡(luò)基礎(chǔ):神經(jīng)網(wǎng)絡(luò)的構(gòu)成、激活函數(shù)、損失函數(shù)、優(yōu)化方法及正則化|02_反向傳播原理:梯度下降算法、鏈?zhǔn)椒▌t、反向傳播算法、改善反向傳播算法性能的迭代法|03_深度學(xué)習(xí)正則化與算法優(yōu)化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam;04_實(shí)現(xiàn)多層神經(jīng)網(wǎng)絡(luò)案例|

    2. 深度學(xué)習(xí)多框架對(duì)比該部分主要學(xué)習(xí)深度學(xué)習(xí)多框架對(duì)比,包含以下技術(shù)點(diǎn):

    01_Pytorch| 02_Tensorflow| 03_MxNet| 04_PaddlePaddle|

    3. Pytorch框架該部分主要學(xué)習(xí)Pytorch深度學(xué)習(xí)框架,包含以下技術(shù)點(diǎn):

    01_Pytorch介紹|02_張量概念|03_張量運(yùn)算|04_反向傳播|05_梯度,自動(dòng)梯度|06_參數(shù)更新|07_數(shù)據(jù)加載器|08_迭代數(shù)據(jù)集|

  • NLP自然語言處理基礎(chǔ)高手班 5

    課時(shí):10天 技術(shù)點(diǎn):100項(xiàng) 測(cè)驗(yàn):1次 學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    1.掌握NLP領(lǐng)域前沿的技術(shù)解決方案|2.了解NLP應(yīng)用場(chǎng)景|3.掌握NLP相關(guān)知識(shí)的原理和實(shí)現(xiàn)|4.掌握傳統(tǒng)序列模型的基本原理和使用|5.掌握非序列模型解決文本問題的原理和方案|6.能夠使用Pytorch搭建神經(jīng)網(wǎng)絡(luò)|7.構(gòu)建基本的文本分類器模型|8.使用fasttext進(jìn)行快速的文本分類|9.為后續(xù)NLP項(xiàng)目學(xué)習(xí)奠定基礎(chǔ),能夠勝任多數(shù)企業(yè)的NLP工程師的職位

    主講內(nèi)容

    1. NLP入門該部分主要學(xué)習(xí)NLP基礎(chǔ),包含以下技術(shù)點(diǎn):

    01_NLP簡(jiǎn)介|02_NLU簡(jiǎn)介|03_文本生成簡(jiǎn)介|04_機(jī)器翻譯簡(jiǎn)介|05_智能客服介紹|06_機(jī)器人寫作介紹|07_作文打分介紹

    2. 文本預(yù)處理該部分主要學(xué)習(xí)文本預(yù)處理技術(shù),包含以下技術(shù)點(diǎn):

    01_文本處理的基本方|02_文本張量表示方法|03_文本語料的數(shù)據(jù)分析,文本特征處理,數(shù)據(jù)增強(qiáng)方法|04_分詞,詞性標(biāo)注,命名實(shí)體識(shí)別|05_one-hot編碼,Word2vec,Word Embedding|06_標(biāo)簽數(shù)量分布,句子長度分布,詞頻統(tǒng)計(jì)與關(guān)鍵詞詞云

    3. RNN及變體該部分主要學(xué)習(xí)RNN、LSTM、GRU等技術(shù),包含以下技術(shù)點(diǎn):

    01_傳統(tǒng)RNN,LSTM,Bi-LSTM,GRU,Bi-GRU|02_新聞分類案例,機(jī)器翻譯案例|03_seq2seq,遺忘門,輸入門,細(xì)胞狀態(tài),輸出門,更新門,重置門

    4. Transformer原理該部分主要學(xué)習(xí)Transformer技術(shù),包含以下技術(shù)點(diǎn):

    01_輸入部分,輸出部分,編碼器部分,解碼器部分,線性層|02_softmax層,注意力機(jī)制,多頭注意力機(jī)制|03_前饋全連接層,規(guī)范化層,子層連接結(jié)構(gòu),語言模型|04_wikiText-2數(shù)據(jù)集,模型超參數(shù)|05_模型的訓(xùn)練,模型驗(yàn)證

    5. 遷移學(xué)習(xí)該部分主要學(xué)習(xí)遷移學(xué)習(xí),包含以下技術(shù)點(diǎn):

    01_fasttext工具,進(jìn)行文本分類|02_CBOW模式,skip-gram模式,預(yù)訓(xùn)練模型|03_微調(diào),微調(diào)腳本,訓(xùn)練詞向量|04_模型調(diào)優(yōu)|05_n-gram特征|06_CoLA 數(shù)據(jù)集,SST-2 數(shù)據(jù)集,MRPC 數(shù)據(jù)集|07_BERT|08_pytorch.hub

  • 自然語言處理項(xiàng)目1高手班 6

    課時(shí):6天技術(shù)點(diǎn):80項(xiàng)測(cè)驗(yàn):0次學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    以投滿分項(xiàng)目為例:1. 基于大規(guī)模業(yè)務(wù)留存數(shù)據(jù)構(gòu)建快速文本分類系統(tǒng)|2. 基于推薦系統(tǒng)內(nèi)部分頻道投遞的需求, 快速搭建短文本精準(zhǔn)分類投遞的模型|3. 基于隨機(jī)森林和FastText搭建快速基線模型, 驗(yàn)證業(yè)務(wù)通道的能力. | 4. 基于BERT的遷移學(xué)習(xí)優(yōu)化模型搭建的能力. | 5. 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)量化的優(yōu)化與測(cè)試. | 6. 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)剪枝的優(yōu)化與測(cè)試. | 7. 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)知識(shí)蒸餾的優(yōu)化與測(cè)試. | 8. 更多主流預(yù)訓(xùn)練模型的優(yōu)化與深度模型剖析| 9. BERT模型在生成式任務(wù)和工程優(yōu)化上的深入擴(kuò)展

    投滿分項(xiàng)目主要解決在海量新聞,咨詢等文本信息的場(chǎng)景下, 需要完成文本類別的快速鑒別與分類, 并完成按頻道的投遞和排隊(duì), 最終推薦給對(duì)該類別感興趣的用戶, 從而提升點(diǎn)擊量,閱讀量,付費(fèi)量等關(guān)鍵指標(biāo). 該項(xiàng)目結(jié)合今日頭條真實(shí)場(chǎng)景下的海量數(shù)據(jù), 快速搭建隨機(jī)森林和FastText的基線模型, 以驗(yàn)證商業(yè)化落地的可行性. 更多聚焦在深度學(xué)習(xí)的優(yōu)化方法上, 搭建基于BERT的初版微調(diào)模型, 應(yīng)用量化,剪枝,預(yù)訓(xùn)練模型微調(diào),知識(shí)蒸餾等多種手段,反復(fù)迭代,反復(fù)優(yōu)化模型的離線效果,在線效果.

    主講解決方案

    1.海量文本快速分類基線模型解決方案| 2.基于預(yù)訓(xùn)練模型優(yōu)化的解決方案| 3.模型量化優(yōu)化的解決方案| 4.模型剪枝優(yōu)化的解決方案| 5.模型知識(shí)蒸餾優(yōu)化的解決方案| 6.主流遷移學(xué)習(xí)模型微調(diào)優(yōu)化的解決方案

    主講知識(shí)點(diǎn)

    1. 項(xiàng)目背景介紹, 項(xiàng)目快速實(shí)現(xiàn)基于隨機(jī)森林的基線模型1.0, 和基于FastText的基線模型2.0 2. 遷移學(xué)習(xí)優(yōu)化, 實(shí)現(xiàn)基于BERT的遷移學(xué)習(xí)模型搭建和訓(xùn)練, 并對(duì)比模型關(guān)鍵指標(biāo)的提升. 3. 模型的量化, 實(shí)現(xiàn)對(duì)大型預(yù)訓(xùn)練模型的量化, 并對(duì)比原始模型與量化模型的差異. 4. 模型的剪枝, 實(shí)現(xiàn)對(duì)模型的剪枝的操作, 包含主流的對(duì)特定網(wǎng)絡(luò)模塊的剪枝, 多參數(shù)模塊的剪枝, 全局剪枝, 用戶自定義剪枝, 包含處理細(xì)節(jié)和理論知識(shí). 5. 遷移學(xué)習(xí)微調(diào), 包含BERT模型微調(diào). 6. 模型的知識(shí)蒸餾, 詳細(xì)解析知識(shí)蒸餾的原理和意義, 并實(shí)現(xiàn)知識(shí)蒸餾模型的搭建, 對(duì)比知識(shí)蒸餾后的新模型的優(yōu)異表現(xiàn), 并做詳細(xì)的對(duì)比測(cè)試.

  • 自然語言處理項(xiàng)目2高手班 7

    課時(shí):6天技術(shù)點(diǎn):80項(xiàng)測(cè)驗(yàn):0次學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    以泛娛樂關(guān)系抽取為主:1、理解關(guān)系抽取任務(wù) 2、了解實(shí)現(xiàn)關(guān)系抽取任務(wù)的基本方法 3、掌握Casrel模型架構(gòu)及工作原理 4、掌握關(guān)系抽取數(shù)據(jù)處理方法 5、掌握關(guān)系抽取的應(yīng)用場(chǎng)景

    該項(xiàng)目基于泛娛樂數(shù)據(jù)場(chǎng)景,依賴NLP技術(shù)從文本中提取實(shí)體和它們之間的關(guān)系,旨在輔助企業(yè)構(gòu)建知識(shí)圖譜。關(guān)系抽取的實(shí)現(xiàn)主要包括3種方法:分別是基于規(guī)則、Pipeline流水線、Joint聯(lián)合抽取等。其中基于規(guī)則的方法由人工設(shè)定模版,完成簡(jiǎn)單關(guān)系的任務(wù)抽取;基于Pipeline流水線方法則是在完成實(shí)體識(shí)別的前提下,利用BILSTM+Attention模型實(shí)現(xiàn)關(guān)系分類,相比規(guī)則,該方法具備關(guān)系推理的能力;在Joint聯(lián)合抽取方法應(yīng)用方面,實(shí)現(xiàn)了可以解決多元復(fù)雜關(guān)系抽取問題的Casrel模型搭建。在實(shí)現(xiàn)關(guān)系抽取的基礎(chǔ)之上,基于Neo4j圖數(shù)據(jù)庫,應(yīng)用Cypher語言完成知識(shí)的存儲(chǔ)。整個(gè)項(xiàng)目全方位為大家展現(xiàn)不同關(guān)系抽取方法的優(yōu)缺點(diǎn)以及應(yīng)用場(chǎng)景,目地讓學(xué)生學(xué)會(huì)在不同場(chǎng)景下,選擇合適的方法解決對(duì)應(yīng)問題,且最終通過圖譜的形式展示業(yè)務(wù)的實(shí)際應(yīng)用。

    主講解決方案

    1.文本數(shù)據(jù)處理解決方案| 2.基于Casrel模型實(shí)現(xiàn)關(guān)系抽取的解決方案

    主講知識(shí)點(diǎn)

    1.項(xiàng)目介紹:理解關(guān)系抽取任務(wù)以及關(guān)系抽取的常見場(chǎng)景 2. 環(huán)境構(gòu)建:項(xiàng)目開發(fā)所需搭建的環(huán)境 3. 數(shù)據(jù)集介紹:數(shù)據(jù)來源、獲取方式以及存儲(chǔ)方式介紹 4. 數(shù)據(jù)處理:構(gòu)建DataSet以及Dataloader 5. Casrel模型構(gòu)建:實(shí)現(xiàn)關(guān)系抽取

  • 大模型開發(fā)基礎(chǔ)與項(xiàng)目高手班 8

    課時(shí):12天技術(shù)點(diǎn):100項(xiàng)測(cè)驗(yàn):1次學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    以物流信息咨詢智能問答項(xiàng)目: 1.掌握LangChain工具的基本使用方法,了解如何通過LangChain構(gòu)建和管理語言模型應(yīng)用。 2.熟悉ChatGLM-6B模型的應(yīng)用,了解如何將大語言模型與本地知識(shí)庫結(jié)合,實(shí)現(xiàn)高效準(zhǔn)確的問答功能。 3.理解向量知識(shí)庫的基本概念和技術(shù)原理,掌握如何構(gòu)建和使用向量知識(shí)庫來存儲(chǔ)和檢索知識(shí)信息。 4.掌握知識(shí)庫的構(gòu)建方法,從數(shù)據(jù)采集、處理到存儲(chǔ),學(xué)習(xí)如何將電商物流相關(guān)信息整合到知識(shí)庫中。 5.理解RAG系統(tǒng)的基本原理和實(shí)現(xiàn)方法,學(xué)習(xí)如何結(jié)合檢索和生成技術(shù),提升問答系統(tǒng)的準(zhǔn)確性和實(shí)用性。 6.從零開始搭建一個(gè)問答機(jī)器人,掌握整個(gè)系統(tǒng)的設(shè)計(jì)、實(shí)現(xiàn)和部署過程。

    項(xiàng)目基于LangChain+ChatGLM-6B實(shí)現(xiàn)電商物流 本地知識(shí)庫問答機(jī)器人搭建,讓模型根據(jù)本地信 息進(jìn)行準(zhǔn)確回答,解決大模型的“幻覺”問題, 實(shí)現(xiàn)精準(zhǔn)問答。通過項(xiàng)目皆在掌握LangChain工 具的基本使用方式,理解向量知識(shí)庫以及實(shí)現(xiàn)知 識(shí)庫的技術(shù)原理,快速構(gòu)建檢索增強(qiáng)生成 (RAG)系統(tǒng)

    主講解決方案

    1.LangChain工具使用介紹解決方案 2.ChatGLM-6B模型集成到問答系統(tǒng)中的解決方案 3.向量知識(shí)庫的構(gòu)建和檢索的解決方案 4.搭建RAG系統(tǒng)的解決方案

    主講知識(shí)點(diǎn)

    1.項(xiàng)目介紹:理解什么是RAG系統(tǒng) 2.項(xiàng)目流程梳理(從本地知識(shí)庫搭建,到知識(shí)檢索,模型生成答案等流程介紹) 3.數(shù)據(jù)預(yù)處理:本地文檔知識(shí)分割,向量,存儲(chǔ) 4.LangChain框架的詳解講解:6大組件應(yīng)用原理和實(shí)現(xiàn)方法 5.基于本地大模型ChatGLM-6B封裝到LangChain框架中 6.實(shí)現(xiàn)LangChain+ChatGLM-6B模型的知識(shí)問答系統(tǒng)搭建

  • 企業(yè)級(jí)大模型平臺(tái)開發(fā)高手班 9

    課時(shí):6天技術(shù)點(diǎn):80項(xiàng)測(cè)驗(yàn):0次學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    以基于StableDiffusion的圖像生成項(xiàng)目為例:1.了解虛擬試衣的背景 2.知道阿里PAI平臺(tái)的使用方式 3.能夠搭建虛擬試衣的環(huán)境 4.能夠完成虛擬試衣的實(shí)踐并進(jìn)行資源清理

    利用計(jì)算機(jī)視覺技術(shù),上傳照片,選擇不同的服裝進(jìn)行試穿,使得用戶無需到實(shí)體店,就能夠在線上體驗(yàn)不同的風(fēng)格,更方便地進(jìn)行購物決策。該項(xiàng)目利用人體數(shù)據(jù)、服裝圖像和文本提示,擴(kuò) 散模型Diffusion Model在人體數(shù)據(jù)和服裝圖像的控制因子下,分別處理文本提示,最后進(jìn)行信息的融合,實(shí)現(xiàn)逼真的試衣效果。

    主講解決方案

    虛擬試衣的常見解決方案 阿里PAI平臺(tái)使用的解決方案 PAI—DSW環(huán)境搭建的解決方案 虛擬試衣實(shí)踐的解決方案

    主講知識(shí)點(diǎn)

    1.虛擬試衣簡(jiǎn)介:背景,應(yīng)用場(chǎng)景,優(yōu)勢(shì),方法 2.阿里PAI平臺(tái):介紹,平臺(tái)意義,產(chǎn)品結(jié)構(gòu),PAI的架構(gòu),PAI的注冊(cè)與開通 3.PAI-DSW環(huán)境搭建:DSW介紹,產(chǎn)品特點(diǎn),環(huán)境搭建方法 4.虛擬試衣實(shí)踐:Diffusers,加速器accelerate,下載SD模型,Lora微調(diào),模型部署,推理驗(yàn)證

  • 圖像分析基礎(chǔ)高手班 10

    課時(shí):5天 技術(shù)點(diǎn):100項(xiàng) 測(cè)驗(yàn):1次 學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    1.熟悉深度學(xué)習(xí)主要及前沿網(wǎng)絡(luò)模型的架構(gòu)原理及在實(shí)際業(yè)務(wù)場(chǎng)景中的應(yīng)用|2.掌握深度學(xué)習(xí)在計(jì)算機(jī)視覺中的應(yīng)用,包括但不限于分割檢測(cè)識(shí)別等等,3.掌握實(shí)際工作中深度學(xué)習(xí)的具體流程,數(shù)據(jù)及標(biāo)注處理,建模訓(xùn)練,及模型部署應(yīng)用等。|4.可勝任深度學(xué)習(xí)算法工程師,圖像與計(jì)算機(jī)視覺算法工程師等,并持續(xù)優(yōu)化與迭代算法

    主講內(nèi)容

    1. 圖像與視覺處理介紹該模塊主要介紹計(jì)算機(jī)視覺的定義,發(fā)展歷史及應(yīng)用場(chǎng)景

    01_計(jì)算機(jī)視覺定義、計(jì)算機(jī)視覺發(fā)展歷史|02_計(jì)算機(jī)視覺技術(shù)和應(yīng)用場(chǎng)景、計(jì)算機(jī)視覺知識(shí)樹和幾大任務(wù)

    2. 圖像分析該部分主要學(xué)習(xí)圖像分析的相關(guān)內(nèi)容:

    01_圖像的表示方法;| 02_圖像的幾何變換;| 03_顏色變換;| 04_mixup;| 05_copypaste|

    3. 圖像分類該部分主要學(xué)習(xí)圖像分類的相關(guān)知識(shí):

    01_分類的思想;| 02_經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu);AlexNet;| 03_InceptionNet;| 04_ResNet;| 05_模型微調(diào)策略|

    4. 圖像分割該部分主要介紹圖像分割的內(nèi)容:

    01_分割思想| 02_Unet;| 03_FCN Net;| 04_MaskRCNN|

  • 多模態(tài)大模型項(xiàng)目高手班 11

    課時(shí):6天技術(shù)點(diǎn):40項(xiàng)測(cè)驗(yàn):0次學(xué)習(xí)方式:線下面授

    學(xué)習(xí)目標(biāo)

    以虛擬試衣項(xiàng)目為例: 1.知道AIGC是什么,理解AIGC的產(chǎn)品形態(tài) 2.知道圖像生成的常用方式 3.理解GAN ,VAE,Diffusion的思想 4.掌握Stable Diffusion的網(wǎng)絡(luò)結(jié)構(gòu) 5.理解文圖匹配的clip模型 6.理解Unet網(wǎng)絡(luò)和采樣算法的作用 7.知道VAE解碼器的作用 8.知道dreambooth和LoRA的模型訓(xùn)練方式 9.能夠搭建圖像生成的小程序

    基于Stable Diffusion的圖像生成項(xiàng)目是一種基于深度學(xué)習(xí)的圖像生成方法,旨在生成高質(zhì)量、逼真的圖像。該項(xiàng)目利用穩(wěn)定擴(kuò)散過程,通過逐漸模糊和清晰化圖像來實(shí)現(xiàn)圖像生成的過程。這種方法在圖像生成領(lǐng)域具有廣泛的應(yīng)用,包括藝術(shù)創(chuàng)作、虛擬場(chǎng)景生成、數(shù)據(jù)增強(qiáng)等。

    主講解決方案

    圖像生成的常見解決方案 文圖匹配的解決方案 擴(kuò)散模型噪聲去除的解決方案 潛在空間擴(kuò)散模型的解決方案 擴(kuò)散模型訓(xùn)練的解決方案 小程序搭建的解決方案

    主講知識(shí)點(diǎn)

    1.AIGC的詳解:AIGC簡(jiǎn)介,類型,應(yīng)用場(chǎng)景,產(chǎn)品形態(tài) 2.圖像生成算法:GAN; VAE ;Diffusion; DALLe; imagen 3.StableDiffusion的詳解:Diffusion,latent diffusion ;satble diffusion 4.stablediffusion實(shí)踐: 模型構(gòu)建,模型訓(xùn)練,lora,dreambooth,圖像生成效果 5.圖像生成小程序搭建: 基于stablediffusion構(gòu)建圖像生成的小程序

  • 人工智能開發(fā) V版本課程說明

    課程名稱:主要針對(duì):主要使用開發(fā)工具:

    課程介紹

“周”更新日志
課程大版本更新

課程更新日志按周更新熱點(diǎn)/前沿技術(shù)

  • 新增2023-06-29

    · VFL損失函數(shù)的介紹· DFL損失的使用· anchor的對(duì)齊方式

  • 新增2023-06-21

    · 量化機(jī)制的介紹· 圖優(yōu)化方法的使用

  • 新增2023-06-15

    · yoloV8的架構(gòu)解析· 雙流FPN結(jié)構(gòu)的設(shè)計(jì)

  • 新增2023-06-07

    · 正負(fù)樣本的分配策略· Batch normalization在預(yù)測(cè)階段的使用

  • 新增2023-06-02

    · 卷積和池化降維策略的融合· 輔助頭設(shè)計(jì)方法

  • 新增2023-05-25

    · yoloV7模型的網(wǎng)絡(luò)結(jié)構(gòu)· E-ELAN的設(shè)計(jì)策略

  • 新增2023-05-18

    · Rep-PAN的特征融合方式· EfficientRep結(jié)構(gòu)的使用

  • 新增2023-05-10

    ·REPVgg的思想· 訓(xùn)練和預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)分離的策略

  • 新增2023-05-04

    ·SIOU損失的策略

    升級(jí)

    ·IOU系列的損失函數(shù)

  • 新增2023-04-26

    ·檢測(cè)端的解耦結(jié)構(gòu)· anchor-free的檢測(cè)方式

  • 新增2023-04-18

    ·yoloV6進(jìn)行目標(biāo)檢測(cè)的思想· yoloV6的網(wǎng)絡(luò)結(jié)構(gòu)

  • 新增2023-04-18

    ·yoloV6進(jìn)行目標(biāo)檢測(cè)的思想· yoloV6的網(wǎng)絡(luò)結(jié)構(gòu)

  • 升級(jí)2023-04-12

    ·實(shí)現(xiàn)關(guān)系抽取API接口搭建· Neo4j圖數(shù)據(jù)庫介紹與使用· 娛樂數(shù)據(jù)知識(shí)圖譜搭建

  • 升級(jí)2023-04-06

    ·Joint聯(lián)合方法實(shí)現(xiàn)關(guān)系抽取· Casrel關(guān)系抽取模型架構(gòu)介紹· Casrel模型實(shí)現(xiàn)關(guān)系抽取原理

  • 升級(jí)2023-03-28

    ·Pipeline方法實(shí)現(xiàn)關(guān)系抽取· BiLSTM+Attention關(guān)系分類模型架構(gòu)介紹· BiLSTM+Attention模型實(shí)現(xiàn)關(guān)系分類原理

  • 升級(jí)2023-03-23

    ·規(guī)則進(jìn)行關(guān)系抽取的概念· 規(guī)則進(jìn)行關(guān)系抽取的步驟和原理

  • 升級(jí)2023-03-15

    ·關(guān)系抽取方法基礎(chǔ)知識(shí)介紹· 解析關(guān)系抽取的任務(wù)特點(diǎn)· 分析關(guān)系抽取任務(wù)的評(píng)價(jià)指標(biāo)· 對(duì)比介紹實(shí)現(xiàn)關(guān)系抽取的常用方法

  • 新增2023-03-07

    ·FastText模型架構(gòu)原理· 層次softmax以及負(fù)采樣優(yōu)化方法

  • 升級(jí)2023-03-01

    ·文本數(shù)據(jù)增強(qiáng)方式接口更改· 機(jī)器翻譯案例代碼錯(cuò)誤修改

  • 升級(jí)2023-02-17

    ·圖像分類的經(jīng)典網(wǎng)絡(luò)· 智慧交通項(xiàng)目目標(biāo)跟蹤方法

  • 新增2023-02-09

    ·預(yù)訓(xùn)練模型的知識(shí)融入技術(shù)· 工業(yè)界發(fā)布模式介紹

  • 新增2023-02-03

    ·BERT模型參數(shù)詳解與優(yōu)化經(jīng)驗(yàn)· 基于BERT完成生成式任務(wù)的介紹

  • 新增2023-01-28

    ·知識(shí)蒸餾原理詳解· 知識(shí)蒸餾優(yōu)化文本多分類

  • 新增2023-01-19

    ·百度ERNIE模型介紹與微調(diào)· MENGZI模型介紹與微調(diào)· NeZha模型介紹與微調(diào)

  • 新增2023-01-13

    ·K-BERT和KG-BERT模型介紹· MASS模型介紹與微調(diào)· BART模型介紹與微調(diào)

  • 新增2023-01-05

    ·MacBERT模型介紹與微調(diào)· SpanBERT模型介紹與微調(diào)· FinBERT模型介紹與微調(diào)

  • 新增2022-12-29

    ·XLNet模型介紹與微調(diào)· Electra模型介紹與微調(diào)· RoBERTa模型介紹與微調(diào)

  • 新增2022-12-20

    ·AlBERT模型介紹與微調(diào)· T5模型介紹與微調(diào)· ansformer-XL模型介紹與微調(diào)

  • 新增2022-12-14

    ·多參數(shù)模塊的剪枝技術(shù)· 全局剪枝技術(shù)· 用戶自定義剪枝

  • 新增2022-11-30

    ·FastText完成多分類的基線模型· FastText模型優(yōu)化與部署· 基于BERT的文本多分類遷移學(xué)習(xí)模型

  • 新增2022-11-22

    ·數(shù)據(jù)來源解決方案· 隨機(jī)森林基線模型

  • 新增2022-11-02

    ·Transformer的并行計(jì)算過程· Transformer可以替代Seq2Seq原因· ELMo總體架構(gòu)· ELMo模型預(yù)訓(xùn)練任務(wù)

  • 新增2022-10-27

    ·Transformer模塊的Encode結(jié)構(gòu)和作用· Transformer模塊的Decoder結(jié)構(gòu)和作用· Self attention機(jī)制中的歸一化原因

  • 新增2022-10-19

    ·循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-網(wǎng)絡(luò)搭建· 循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-訓(xùn)練函數(shù)· 循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-預(yù)測(cè)函數(shù)

  • 新增2022-10-11

    ·循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-數(shù)據(jù)清洗· 循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-構(gòu)建詞典· 循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-數(shù)據(jù)類編寫

  • 新增2022-09-30

    ·循環(huán)神經(jīng)網(wǎng)絡(luò)-RNN層理解· 循環(huán)神經(jīng)網(wǎng)絡(luò)-RNN層使用

  • 新增2022-09-22

    ·循環(huán)神經(jīng)網(wǎng)絡(luò)-RNN算法· 循環(huán)神經(jīng)網(wǎng)絡(luò)-Embedding使用· 循環(huán)神經(jīng)網(wǎng)絡(luò)-Embeddings小節(jié)

  • 新增2022-09-16

    ·卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-CIFAR10數(shù)據(jù)集· 卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-CNN網(wǎng)絡(luò)搭建· 卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-編寫訓(xùn)練函數(shù)· 卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-編寫預(yù)測(cè)函數(shù)· 卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-小節(jié)

  • 新增2022-09-07

    ·卷積神經(jīng)網(wǎng)絡(luò)-Conv2d使用· 卷積神經(jīng)網(wǎng)絡(luò)-池化計(jì)算· 卷積神經(jīng)網(wǎng)絡(luò)-MaxPool2d使用

  • 新增2022-09-01

    ·卷積神經(jīng)網(wǎng)絡(luò)-卷積神經(jīng)網(wǎng)絡(luò)概述· 卷積神經(jīng)網(wǎng)絡(luò)-圖像基礎(chǔ)知識(shí)· 卷積神經(jīng)網(wǎng)絡(luò)-卷積簡(jiǎn)單計(jì)算· 卷積神經(jīng)網(wǎng)絡(luò)-多卷積核計(jì)算

  • 新增2022-08-26

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-模型訓(xùn)練過程· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-模型評(píng)估過程· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-網(wǎng)絡(luò)模型調(diào)優(yōu)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-小節(jié)

  • 新增2022-08-17

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-案例介紹· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-構(gòu)建數(shù)據(jù)集· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-網(wǎng)絡(luò)模型搭建

  • 新增2022-08-09

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-dropout對(duì)網(wǎng)絡(luò)參數(shù)的影響· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-BN層理解· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-案例介紹· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-構(gòu)建數(shù)據(jù)集

  • 新增2022-08-02

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-adagrad優(yōu)化方法· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-rmsprop優(yōu)化方法· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-adam和小節(jié)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-dropout原理

  • 新增2022-07-25

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-反向傳播算法案例講解· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-反向傳播算法代碼演示· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-指數(shù)加權(quán)平均· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-momentum優(yōu)化方法

  • 升級(jí)2022-07-18

    ·優(yōu)化PyTorch使用-模型定義方法-實(shí)現(xiàn)線性回歸· 優(yōu)化PyTorch使用-直接序列化模型對(duì)象· 優(yōu)化PyTorch使用-存儲(chǔ)模型參數(shù)

  • 新增2022-07-11

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-激活函數(shù)小節(jié)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-網(wǎng)絡(luò)參數(shù)初始化· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-梯度下降算法回顧· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-正向傳播和鏈?zhǔn)椒▌t

  • 升級(jí)2022-07-04

    ·優(yōu)化PyTorch使用-手動(dòng)構(gòu)建線性回歸小節(jié)· 優(yōu)化PyTorch使用-模型定義方法-基本組件的使用· 優(yōu)化PyTorch使用-模型定義方法-數(shù)據(jù)加載器

  • 新增2022-06-28

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-simoid激活函數(shù)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-tanh激活函數(shù)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-relu激活函數(shù)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-softmax激活函數(shù)

  • 新增2022-06-21

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-人工神經(jīng)網(wǎng)絡(luò)概述· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-激活函數(shù)的作用

    升級(jí)

    · 優(yōu)化PyTorch使用-手動(dòng)構(gòu)建線性回歸-訓(xùn)練函數(shù)編寫思路· 優(yōu)化PyTorch使用-手動(dòng)構(gòu)建線性回歸-訓(xùn)練函數(shù)代碼實(shí)現(xiàn)

  • 新增2022-06-14

    · Transformers庫管道方式實(shí)現(xiàn)基礎(chǔ)NLP任務(wù) · Transformers庫自動(dòng)模型方式實(shí)現(xiàn)基礎(chǔ)NLP任務(wù) · Transformers庫具體模型實(shí)現(xiàn)基礎(chǔ)NLP任務(wù)· 遷移學(xué)習(xí)中文分類案例· 遷移學(xué)習(xí)中文填空案例· 遷移學(xué)習(xí)句子關(guān)系管理· 刪除Transformers發(fā)布模型舊的方式

  • 升級(jí)2022-06-07

    · 優(yōu)化seq2seq英譯法案例· 數(shù)據(jù)處理機(jī)制· Python語言操作Flink· 優(yōu)化Transformer模塊測(cè)試案例· 輸入部分· 輸出部分· 編碼器部分· 解碼器部分

  • 新增2022-05-31

    · NLP基礎(chǔ)課程新增 詞向量檢索基礎(chǔ)知識(shí)

    升級(jí)

    · 詞嵌入層可視化顯示實(shí)驗(yàn)· RNNAPI編程案例· RNN人名分類器案例· 數(shù)據(jù)處理機(jī)制· 模型訓(xùn)練方法

  • 新增2022-05-24

    · 如何構(gòu)建特征,如何評(píng)估特征 · 從原始數(shù)據(jù)構(gòu)造出新特征的方法 · 新增特征變換的方法· 新增缺失值處理的方法

  • 新增2022-05-17

    · 信貸審批業(yè)務(wù)的基本流程 · 新增ABC評(píng)分卡 · 新增風(fēng)控建模的基本流程· 新增評(píng)分卡模型正負(fù)樣本定義方法

  • 新增2022-05-10

    · 增加SQL進(jìn)行風(fēng)控報(bào)表開發(fā) · 增加信貸審批業(yè)務(wù)的基本流程 · 增加風(fēng)控建模的基本流程· 機(jī)器學(xué)習(xí)風(fēng)控模型的優(yōu)勢(shì)

  • 新增2022-05-03

    · 增加LR理論推導(dǎo) · 增加樸素貝葉斯推導(dǎo) · 增加用戶畫像案例· 增加金融風(fēng)控項(xiàng)目

  • 新增2022-04-26

    · 增加Python進(jìn)行RFM分群 · 增加使用Pyecharts繪制3D圖形 · 增加SVM理論推導(dǎo)· 增加GBDT理論推導(dǎo)

  • 新增2022-04-19

    · ViBert · 圖像分析方法 · 標(biāo)簽數(shù)據(jù)統(tǒng)計(jì)及應(yīng)用· 梯度剪裁方法

  • 升級(jí)2022-04-12

    · 優(yōu)化Numpy基礎(chǔ)矩陣預(yù)算 · 應(yīng)用Pandas進(jìn)行簡(jiǎn)單排序、分組、聚合等計(jì)算 · 優(yōu)化Pandas處理方法

  • 新增2022-04-05

    · MOE方法 · 級(jí)聯(lián)MOE Model · GAP評(píng)估方法· NextVLad視頻聚合

  • 新增2022-03-29

    · 模型剪枝 · RoBerta新模型 · Transformer-XL新模型· 多分類知識(shí)蒸餾

  • 新增2022-03-22

    · Vggish · PCA方法 · SE Context模型融合· Logistics模型分類

  • 新增2022-03-15

    · 增加MySQL的Datagrip工具連接數(shù)據(jù)庫 · 增加SQL的窗口函數(shù)用法 · 增加Pandas的透視表用法

  • 新增2022-03-08

    · pad的增強(qiáng)方式 · 分布式訓(xùn)練 · 視頻標(biāo)簽任務(wù)· MFCC

  • 新增2022-03-01

    · 增加Pyecharts實(shí)現(xiàn)各種圖形繪制 · 刪除Ununtu系統(tǒng) · 增加Linux中Shell的基本操作

    升級(jí)

    · 升級(jí)優(yōu)化為CentOs系統(tǒng)

  • 新增2022-02-22

    · 模型量化方法 · 模型剪枝方法 · 模型蒸餾方法· tf-serving模型部署

  • 新增2022-02-15

    · Python進(jìn)階中增加數(shù)據(jù)爬蟲案例

    升級(jí)

    · 升級(jí)閉包裝飾器內(nèi)容 · 優(yōu)化升級(jí)深拷貝和淺拷貝的

  • 新增2022-02-08

    · 年齡檢測(cè)方法 · NAS神經(jīng)網(wǎng)絡(luò)搜索 · NAS-FPN網(wǎng)絡(luò)· 人臉矯正對(duì)齊

  • 新增2022-01-25

    · yolo-tiny模型 · 多任務(wù)模型介紹 · mish激活函數(shù)· mmdetection目標(biāo)檢測(cè)框架

  • 新增2022-01-18

    · Python基礎(chǔ)案例增加學(xué)生管理系統(tǒng) · Python進(jìn)階中增加多任務(wù)編程 · Python進(jìn)階增加FastAPI搭建服務(wù)器

  • 新增2022-01-11

    · wing損失函數(shù) · 人臉關(guān)鍵點(diǎn)檢測(cè) · 關(guān)鍵點(diǎn)描述方法· SEnet注意力模型

  • 新增2022-01-04

    · BERT+CRF · TENER · nested NER優(yōu)化

  • 新增2021-12-28

    · 人臉性別檢測(cè) · 人臉年齡檢測(cè) · 人臉對(duì)比· arcface損失函數(shù)

  • 新增2021-12-14

    · 人臉模糊判斷 · 人臉相似度檢測(cè) · 度量學(xué)習(xí)模型· 孿生模型

  • 新增2021-11-30

    · 人臉檢測(cè) · 人臉跟蹤 · 人臉三維角度檢測(cè)· 人臉明暗檢測(cè)

  • 新增2021-11-16

    · 后處理方法GreedyNMS · Swish激活函數(shù) · SENET注意力機(jī)制· Focal loss

  • 新增2021-11-09

    · 文本摘要項(xiàng)目部署 · textcnn模型原理 · textcnn模型實(shí)現(xiàn)· textcnn模型優(yōu)化

  • 新增2021-11-02

    · hue增強(qiáng)方法 · 多張圖增強(qiáng) · LRRelu激活函數(shù)· 噪聲增強(qiáng)方式

  • 新增2021-10-26

    · CPU優(yōu)化 · Flask框架的介紹 · Django框架的介紹· API接口封裝

  • 新增2021-10-19

    · 內(nèi)容理解 · 內(nèi)容生成 · 內(nèi)容安全治理的主要技術(shù)· 內(nèi)容安全要解決的核心問題

  • 新增2021-10-12

    · 半監(jiān)督數(shù)據(jù)增強(qiáng) · Scheduled sampling優(yōu)化策略 · Weight tying優(yōu)化策略· CPU優(yōu)化

  • 新增2021-10-05

    · 圖像文本掩碼 · 視覺文本匹配 · 掩碼視覺區(qū)域· 序列到序列目標(biāo)損失

  • 新增2021-09-28

    · gensim實(shí)現(xiàn)TF-IDF算法 · 純Python代碼實(shí)現(xiàn)純TF-IDF算法 · TF-IDF模型· 回譯數(shù)據(jù)

  • 新增2021-09-21

    · 多模態(tài)的語言表征 · 基于自編碼自回歸架構(gòu)的模型 · 單流結(jié)構(gòu)· 雙流結(jié)構(gòu)

  • 新增2021-09-14

    · viterbi Decode · Beam-serch Decode · Beam-serch優(yōu)化模型· 單詞替換數(shù)據(jù)增強(qiáng)

  • 新增2021-09-07

    · 新型網(wǎng)絡(luò) · 仇恨言論檢測(cè) · 職責(zé)界定· 多模態(tài)核心任務(wù)

  • 新增2021-08-31

    · coverage數(shù)學(xué)原理 · PGN + coverage網(wǎng)絡(luò)優(yōu)化 · Beam-search算法· Greedy Decode

  • 新增2021-08-24

    · 跳層連接skip layers · 模型感受野RFB · 注意力機(jī)制Point-wise attention· DIOU網(wǎng)絡(luò)預(yù)測(cè)

  • 新增2021-08-17

    · BLEU算法解析 · ROUGE評(píng)估 · ROUGE算法解析· ROUGE算法實(shí)現(xiàn)

  • 新增2021-08-10

    · ASFF特征融合 · mish激活函數(shù) · DIOUNMS抑制方法· 特征融合SFAM

  • 新增2021-08-03

    · PGN模型的數(shù)據(jù)迭代器 · PGN模型實(shí)現(xiàn) · PGN模型網(wǎng)絡(luò)訓(xùn)練· BLEU評(píng)估

  • 新增2021-07-27

    · 對(duì)比度調(diào)整 · SPP結(jié)構(gòu) · sam注意力機(jī)制· 空間注意力

  • 新增2021-07-20

    · 內(nèi)容張量context vector計(jì)算 · 單詞分布張量P_vocab計(jì)算 · 分布張量P_w計(jì)算· PNG網(wǎng)絡(luò)數(shù)據(jù)清洗

  • 新增2021-07-13

    · 知識(shí)蒸餾方法 · 模型剪枝方法 · Dropblock正則化· Hide and seek圖像增強(qiáng)

  • 新增2021-07-07

    · Transformer問答試題 · Elmo模型講解 · yoloV4模型· Siamese系列網(wǎng)絡(luò)詳解

  • 新增2021-06-30

    · 模型的整體實(shí)現(xiàn) · 數(shù)據(jù)清洗 · gensim訓(xùn)練詞向量· 詞向量優(yōu)化模型

  • 新增2021-06-22

    · 模型的整體實(shí)現(xiàn) · 數(shù)據(jù)清洗 · gensim訓(xùn)練詞向量· 詞向量優(yōu)化模型

  • 新增2021-06-15

    · SAT自對(duì)抗訓(xùn)練進(jìn)行數(shù)據(jù)增強(qiáng) · 數(shù)據(jù)增強(qiáng)意義 · CSP模塊介紹· SPP結(jié)構(gòu)

  • 新增2021-06-08

    · 多核并行處理數(shù)據(jù)優(yōu)化 · 參數(shù)配置及數(shù)據(jù)優(yōu)化 · 模型數(shù)據(jù)的優(yōu)化· 模型子層的實(shí)現(xiàn)

  • 新增2021-06-01

    · 小目標(biāo)檢測(cè)技巧 · 損失函數(shù)設(shè)計(jì) · CIOU損失

  • 新增2021-05-25

    · 基于jieba的TextRank · 基于TextRank算法模型構(gòu)建 · 文本摘要數(shù)據(jù)集優(yōu)化· seq2seq架構(gòu)實(shí)現(xiàn)文本摘要架構(gòu)

  • 新增2021-05-18

    · 馬賽克增強(qiáng) · gridmask · Cutmix· 填充

  • 新增2021-05-11

    · TextRank算法實(shí)現(xiàn) · 關(guān)鍵詞抽取 · 關(guān)鍵短語抽取· 關(guān)鍵句抽取

  • 新增2021-05-04

    · 數(shù)據(jù)增強(qiáng) · mixup · cutout· 隨機(jī)擦除

  • 新增2021-04-27

    · 抽取式摘要 · 生成式摘要 · 文本摘要項(xiàng)目數(shù)據(jù)集型· TextRank算法原理

  • 升級(jí)2021-04-20

    · tfrecord文件介紹 · 圖像數(shù)據(jù)feature構(gòu)建 · Example的構(gòu)建· writer_to_tfrecord的使用

  • 新增2021-04-13

    · 靜態(tài)量化和動(dòng)態(tài)量化對(duì)比 · prune技術(shù)介紹 · 持久化修剪后的模型· 模型推斷加速

  • 升級(jí)2021-04-06

    · yoloV3的損失計(jì)算 · yoloV4模型介紹 · 正負(fù)樣本的設(shè)計(jì)· 多任務(wù)損失

  • 升級(jí)2021-03-30

    · 標(biāo)簽平滑技術(shù)優(yōu)化 · badcase分析案例演示 · badcase優(yōu)化總結(jié)· 模型熱更新講解優(yōu)化

  • 新增2021-03-23

    · ORB特征的方向設(shè)計(jì) · 目標(biāo)的外接矩形 · ROIAlign算法· 全卷積網(wǎng)絡(luò)

  • 升級(jí)2021-03-16

    · GLUE標(biāo)準(zhǔn)數(shù)據(jù)集介紹 · run_glue腳本講解方式調(diào)整 · gpu服務(wù)器驗(yàn)證優(yōu)化介紹· weight_decay演示調(diào)優(yōu)

  • 新增2021-03-09

    · 大津法 · 輪廓檢測(cè) · 矩特征· 目標(biāo)的質(zhì)心計(jì)算

  • 升級(jí)2021-03-02

    · bert模型調(diào)整 · 考試數(shù)據(jù)集實(shí)例演示· 考試數(shù)據(jù)清洗代碼精煉· bert-Multilingual進(jìn)行微調(diào)優(yōu)化

  • 升級(jí)2021-02-23

    · FPN進(jìn)行特征融合 · 候選框的多尺度映射方法· 候選框的選擇方法· 檢測(cè)框篩選的方法

  • 新增2021-02-16

    · 上線模型優(yōu)化 · 模型量化壓縮技術(shù)· ONNX-Runtime推斷加速· 對(duì)比混合精度馴良

  • 升級(jí)2021-02-09

    · 選擇性搜索(SS) · 目標(biāo)框位置回歸的意義· 候選區(qū)域映射的方法· ROIPooling的思想

  • 升級(jí)2021-02-02

    · Django中views文件講解順序 · 多線程實(shí)現(xiàn)舉例· fasttext模型原生代碼pytorch實(shí)現(xiàn)· fasttext模型baseline訓(xùn)練

  • 新增2021-01-26

    · 目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)MAP · softNMS方法· overfeat方法· RPN網(wǎng)絡(luò)詳解

  • 新增2021-01-19

    · 從SQL中獲取數(shù)據(jù)演示 · 意向校區(qū)識(shí)別代碼邏輯 · "手機(jī)號(hào)","微信號(hào)","QQ號(hào)"識(shí)別規(guī)則細(xì)化· 與后端交互數(shù)據(jù)舉例

  • 新增2021-01-12

    · IOU在目標(biāo)跟蹤中的使用 · 相機(jī)外參的計(jì)算方法 · 圖像畸變產(chǎn)生的原因· 圖像去畸變的方法

  • 新增2021-01-05

    · 信息中心需求分析細(xì)化 · 產(chǎn)品設(shè)計(jì)邏輯修改 · 原始數(shù)據(jù)分析思路· fasttext講解案例

  • 新增2020-12-29

    · 分水嶺算法介紹 · 市場(chǎng)中主流AI平臺(tái)演示 · 邊緣檢測(cè)計(jì)算復(fù)雜度介紹· 傳智大腦整體架構(gòu)介紹

  • 升級(jí)2020-12-21

    · flask框架整體介紹 · 市場(chǎng)中主流AI平臺(tái)演示 · 邊緣檢測(cè)計(jì)算復(fù)雜度介紹· 傳智大腦整體架構(gòu)介紹

  • 新增2020-12-14

    · VGG模型實(shí)現(xiàn) · Inception系列模型對(duì)比 · 邊緣檢測(cè)計(jì)算復(fù)雜度介紹· 傅里葉變換在圖像處理中的應(yīng)用

  • 升級(jí)2020-12-07

    · series和dataframe介紹 · 非正常卷積網(wǎng)絡(luò)結(jié)構(gòu)解析 · 多尺度網(wǎng)絡(luò)與非正常卷積初步· 車輛偏離車道中心距離優(yōu)化

  • 新增2020-11-30

    · lightGBM推導(dǎo) · 優(yōu)化實(shí)體提取模型 · 多尺度網(wǎng)絡(luò)與非正常卷積初步· 車道線檢測(cè)laneNet實(shí)現(xiàn)

  • 升級(jí)2020-11-23

    · 樸素貝葉斯常見面試題講解 · 修改部分項(xiàng)目bug · 多精度多分辨率通道分組網(wǎng)絡(luò)總結(jié)· sort算法進(jìn)行多目標(biāo)跟蹤優(yōu)化

  • 新增2020-11-16

    · 機(jī)器學(xué)習(xí)中svr的介紹 · 積分梯度解析 · 嘴唇分割模型訓(xùn)練· 多目標(biāo)跟蹤deepsort算法的實(shí)現(xiàn)

  • 升級(jí)2020-11-09

    · 機(jī)器學(xué)習(xí)svm部分面試題 · bert源碼解析 · 嘴唇分割模型訓(xùn)練· fasterRCNN目標(biāo)檢測(cè)優(yōu)化

  • 新增2020-11-02

    · 相對(duì)路徑和絕對(duì)路徑的使用場(chǎng)景描述 · LIT實(shí)驗(yàn) · 用于圖像分割的實(shí)時(shí)分組網(wǎng)絡(luò)· 模型微調(diào)方法簡(jiǎn)介

  • 升級(jí)2020-10-26

    · 優(yōu)化tree命令的安裝及使用 · Reformer實(shí)驗(yàn) · 多分辨率卷積核通道分組網(wǎng)絡(luò)· yoloV3進(jìn)行目標(biāo)檢測(cè)案例

  • 新增2020-10-19

    · 操作系統(tǒng)的簡(jiǎn)介內(nèi)容 · Captum實(shí)驗(yàn) · 多通道補(bǔ)償技術(shù)· 圖像增強(qiáng)方法實(shí)現(xiàn)

  • 升級(jí)2020-10-13

    · 優(yōu)化面向?qū)ο蟮慕榻B · 可解釋性工具 · 多分支網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)· 使用tf.keras完成網(wǎng)絡(luò)模型的搭建

  • 新增2020-10-08

    · 文件操作案例 · 網(wǎng)絡(luò)瓶頸結(jié)構(gòu)探索· GoogLeNet的網(wǎng)絡(luò)構(gòu)建

  • 升級(jí)2020-09-28

    · vim的常用操作命令 · 數(shù)據(jù)增強(qiáng)方法 · MobileNet網(wǎng)絡(luò)深度對(duì)實(shí)驗(yàn)的影響· tensorflow入門升級(jí)

  • 新增2020-09-08

    · 增加break關(guān)鍵字的使用場(chǎng)景案例 · 模型蒸餾 · Neocognitron網(wǎng)絡(luò)· k-means算法推導(dǎo)過程舉例

  • 升級(jí)2020-09-01

    · 邏輯運(yùn)算符的演示案例 · 模型剪枝 · 加深網(wǎng)絡(luò),提升模型性能· 樸素貝葉斯案例修改

  • 新增2020-08-25

    · 增加變量的演示案例 · ALBERT解析 · 輕量級(jí)人臉表情和年齡識(shí)別· 對(duì)多態(tài)的描述舉例

  • 升級(jí)2020-08-18

    · 優(yōu)化對(duì)集合的性質(zhì)的描述 · 模型量化 · 三維人臉庫的使用與重建· 優(yōu)化對(duì)私有屬性的使用場(chǎng)景的描述

  • 新增2020-08-11

    · 字典性質(zhì)的描述舉例 · 多線程優(yōu)化 · 人臉三維重建· 異常的使用場(chǎng)景舉例

  • 升級(jí)2020-08-04

    · 優(yōu)化對(duì)Python語言性質(zhì)的描述 · BART實(shí)驗(yàn)解決NER · 人臉美顏與遷移學(xué)習(xí)· 優(yōu)化Python2和Python3的對(duì)比

  • 升級(jí)2020-07-28

    · 場(chǎng)景識(shí)別案例優(yōu)化模型方法 · 圖像與視覺處理專業(yè)課優(yōu)化方案啟動(dòng) · 自然語言處理PyTorch工具講解調(diào)優(yōu)

  • 升級(jí)2020-07-21

    · pytorch講義 ·  CV基礎(chǔ)考試題   · RCNN系列目標(biāo)檢測(cè)模型 · 人臉檢測(cè)案例

  • 新增2020-07-14

    · 典型的NLP算法 · SIamRPN++網(wǎng)絡(luò)講解 · DeepLab系列介紹

  • 升級(jí)2020-07-10

    · KNN算法導(dǎo)入案例 ·  線性回歸正規(guī)方程推導(dǎo)過程 · 線性回歸案例迭代 · 虛擬環(huán)境安裝詳解

  • 新增2020-07-07

    · Transformer問答試題 · Elmo模型講解 · yoloV4模型 · Siamese系列網(wǎng)絡(luò)詳解

  • 升級(jí)2020-06-30

    · 升級(jí)集成學(xué)習(xí)知識(shí)框架 · 細(xì)化集成學(xué)習(xí)算法推導(dǎo)過程 · stacking算法優(yōu)化 · 北京市租房房價(jià)預(yù)測(cè)

  • 新增2020-06-23

    · 基于seq2seq的機(jī)器翻譯任務(wù) · 莎士比亞風(fēng)格的文本生成任務(wù) · ResNet模型在GPU上的并行實(shí)踐任務(wù) · 自然語言處理:NLP案例庫(6個(gè)案例)

  • 新增2020-06-16

    · 圖像與視覺處理:計(jì)算機(jī)視覺面試題(80道) · 圖像與視覺處理:算法強(qiáng)化課程8天 · 計(jì)算機(jī)視覺面試題視頻(80道) · 圖像與視覺處理:計(jì)算機(jī)視覺案例庫

  • 新增2020-06-09

    · 基礎(chǔ)NLP試題 · AI醫(yī)生項(xiàng)目試題 · 文本標(biāo)簽項(xiàng)目試題, 和泛娛樂項(xiàng)目試題 · 自然語言處理:NLP題庫(135道)

  • 新增2020-06-02

    · 車道檢測(cè) · 車輛技術(shù) · 車輛跟蹤 · 圖像與視覺處理:智慧交通項(xiàng)目

  • 升級(jí)2020-05-26

    · 決策樹案例 · 調(diào)整預(yù)剪枝、后剪枝知識(shí)點(diǎn)講解 · 決策回歸樹講解 · 基尼指數(shù)優(yōu)化

  • 新增2020-05-19

    · 口罩識(shí)別 · 活體檢測(cè) · 人臉屬性識(shí)別 · 圖像與視覺處理:人臉識(shí)別項(xiàng)目

  • 升級(jí)2020-05-12

    · SVM算法推導(dǎo)過程講解 · 樸素貝葉斯前面增加概率知識(shí)介紹 · HMM模型推導(dǎo)過程 · HMM案例優(yōu)化

  • 新增2020-05-05

    · 形態(tài)學(xué)定義、連通性 · 二值操作、平滑、梯度 · 紋理分割及OpenCV實(shí)踐 · 圖像與視覺處理:形態(tài)學(xué)專題

  • 新增2020-04-28

    · 幾何變換專題 · 翻轉(zhuǎn)、剪裁、遮擋、圖像算數(shù) · 圖像金字塔、OpenCV幾何變換操作 · 翻轉(zhuǎn)、剪裁、遮擋、OpenCV幾何變換操作

  • 升級(jí)2020-04-21

    · gbdt案例優(yōu)化 · xgboost算法推導(dǎo)過程講解 · lightGBM算法 · pubg案例優(yōu)化

  • 新增2020-04-14

    · 圖像矩特征點(diǎn)度量特征、全局直方圖 · 局部區(qū)域直方圖、散點(diǎn)圖和3D直方圖 · OpenCV實(shí)踐 · 圖像與視覺處理:直方圖處理專題

  • 新增2020-04-07

    · 命名實(shí)體識(shí)別模型BiLSTM + CRF · 句子對(duì)主題相關(guān)模型BERT · 在線部分關(guān)于neo4j數(shù)據(jù)庫、redis的實(shí)時(shí)存取 · 自然語言處理:AI在線醫(yī)生項(xiàng)目

  • 升級(jí)2020-03-31

    · xgboost算法介紹 · OTTO案例 · xgboost和gbdt對(duì)比 · bgdt推導(dǎo)過程優(yōu)化

  • 新增2020-03-24

    · fasttext工具介紹 · fasttext訓(xùn)練詞向量, 并完成詞向量遷移 · fasttext工具實(shí)現(xiàn)文本分類的代碼案例 · 自然語言處理:fasttext訓(xùn)練詞向量、文本分類,詞向量遷移

  • 新增2020-03-17

    · 灰度直方圖、灰度的線性變換 · 灰度對(duì)數(shù)變換、伽瑪變換 · 灰度閾值變換、分段線性變換 · 圖像與視覺處理:基本的灰度變換函數(shù)專

  • 新增2020-03-10

    · EM算法 · 極大釋然估計(jì)講解 · HMM模型 · HMM案例搭建

  • 新增2020-03-03

    · 基本的OpenCV代碼 · Image數(shù)據(jù)結(jié)構(gòu)、讀寫圖像 · OpenCV基礎(chǔ)專題函數(shù)與API講解

  • 升級(jí)2020-02-25

    · 線性回歸知識(shí)點(diǎn)講 · xgboost講解案例 · 邏輯回歸多分類問題評(píng)估 · RNN+Attention實(shí)現(xiàn)英譯法任務(wù)

  • 新增2019-12-27

    · Transformer架構(gòu)圖的詳解 · 四大組成模塊的分塊代碼詳解和示例 · copy小案例 · 自然語言處理:Transformer的原理和架構(gòu)

  • 新增2019-12-20

    · 數(shù)據(jù)分析實(shí)戰(zhàn),北京市租房數(shù)據(jù)統(tǒng)計(jì)分析 · NBA球員數(shù)據(jù)分析 · 電影數(shù)據(jù)分析案例 · pandas讀取Excel、sql

  • 新增2019-12-13

    · Dilated Convolutions:聚合多尺度的信息 · PSPNet:金字塔池化模塊 · Mask-RCNN:端到端聯(lián)合訓(xùn)練目標(biāo)分割實(shí)戰(zhàn)案例 · 圖像與視覺處理:圖像分割專題

  • 新增2019-12-06

    · RNN構(gòu)造人名分類器的案例 · RNN實(shí)現(xiàn)英譯法的seq2seq架構(gòu)代碼 · 在seq2seq架構(gòu)基礎(chǔ)上添加Attention的架構(gòu)方案代碼 · 自然語言處理:RNN構(gòu)造人名分類器

  • 新增2019-11-29

    · 目標(biāo)檢測(cè)專題RCNN,F(xiàn)astRCNN · FasterRCNN· 先驗(yàn)框、細(xì)粒度與多尺度特征· 圖像與視覺處理:目標(biāo)檢測(cè)專題

  • 新增2019-11-22

    · 數(shù)據(jù)可視化庫seborn · 箱線圖知識(shí)點(diǎn) · 增加小提琴圖知識(shí)點(diǎn)· 單變量、多變量分析

  • 新增2019-11-15

    · RNN、LSTM、 GRU基本結(jié)構(gòu)和原理介紹 · Attention機(jī)制原理 · 代碼示例和圖解注意力機(jī)制· 自然語言處理:RNN、 LSTM、 GRU、 Attention等

  • 新增2019-11-08

    · 經(jīng)典卷積網(wǎng)絡(luò):LeNet5、AlexNet、VGG、Inception、GoogleNet · 殘差網(wǎng)絡(luò)、深度學(xué)習(xí)優(yōu)化 · 遷移學(xué)習(xí):TensorFlow HUB;模型壓縮· 圖像與視覺處理:經(jīng)典卷積網(wǎng)絡(luò)

  • 新增2019-11-01

    · 項(xiàng)目實(shí)訓(xùn)-“吃雞”玩家排名預(yù)測(cè) · 決策樹算法案例 · 邏輯回歸案例· 樸素貝葉斯案例

  • 新增2019-10-20

    · hanlp命名實(shí)體識(shí)別工具 · word2vector原理到應(yīng)用,文本的預(yù)處理前數(shù)據(jù)分析,添加ngram特征 · 文本數(shù)據(jù)增強(qiáng), 回譯數(shù)據(jù)增強(qiáng)法· 自然語言處理:文本分詞,命名實(shí)體識(shí)別,Word2Vector,文本數(shù)據(jù)分析

  • 新增2019-10-10

    · 機(jī)器學(xué)習(xí)經(jīng)典算法樸素貝葉斯 · 機(jī)器學(xué)習(xí)經(jīng)典算法支持向 · 聚類算法推導(dǎo)過程· SVM手寫數(shù)字識(shí)別案例

  • 新增2019-10-08

    · 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與Tensorflow框架 · 圖、會(huì)話、張量、OPTensorflow高級(jí)API,訓(xùn)練tf.MirroedStrategy · 導(dǎo)出tf.SavedModel等· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與Tensorflow框架

  • 新增2019-08-20

    · 原始文本預(yù)處理, word2vec · fasttext多分類的應(yīng)用 · 并升級(jí)工程整合和實(shí)時(shí)服務(wù)· 自然語言處理:中文標(biāo)簽化系統(tǒng)項(xiàng)目

  • 新增2019-06-30

    · 召回策略算法代碼更新 · 排序策略算法代碼更新 · neo4j數(shù)據(jù)庫的應(yīng)用· 自然語言處理:泛娛樂推薦系統(tǒng)項(xiàng)目

prev next
點(diǎn)擊加載更多>>
2024.06.06 升級(jí)版本5.0

課程名稱

人工智能AI進(jìn)階班/AI大模型開發(fā)

課程推出時(shí)間

2024.06.06

課程版本號(hào)

5.0

主要使用開發(fā)工具

PyCharm、DataGrip、Jupyter NoteBook

課程介紹

人工智能開發(fā)V5.0課程體系升級(jí)以企業(yè)需求為導(dǎo)向,專為培養(yǎng)和打造高級(jí)人工智能工程師、高含金量課程重磅推出,以業(yè)務(wù)為核心驅(qū)動(dòng)項(xiàng)目開發(fā),課程包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)框架Scikit-Learn和Pytorch,能夠解決企業(yè)級(jí)數(shù)據(jù)挖掘、NLP自然語言處理、大模型開發(fā)與CV計(jì)算機(jī)視覺實(shí)際問題,通過理論和真實(shí)項(xiàng)目相結(jié)合,讓學(xué)生能夠掌握人工智能核心技術(shù)和應(yīng)用場(chǎng)景。并推出「六項(xiàng)目制」項(xiàng)目教學(xué),通過六個(gè)不同類型和開發(fā)深度的項(xiàng)目,使學(xué)員能夠全面面對(duì)大部分企業(yè)人工智能應(yīng)用場(chǎng)景。大型項(xiàng)目庫,多行業(yè)多領(lǐng)域人工智能項(xiàng)目課程,主流行業(yè)全覆蓋,其中項(xiàng)目課程包括了多行業(yè)13個(gè)場(chǎng)景的項(xiàng)目課程,讓學(xué)生達(dá)到大廠的項(xiàng)目經(jīng)驗(yàn)要求。課程消化吸收方面:V5.0在V4.0版本基礎(chǔ)上迭代更新,加大了大模型開發(fā)比例,同時(shí)注重專業(yè)課的消化吸收,降低學(xué)習(xí)難度,提升就業(yè)質(zhì)量。

全新升級(jí)四大課程優(yōu)勢(shì),助力IT職業(yè)教育行業(yè)變革:

優(yōu)勢(shì)1:熱門崗位全覆蓋,匹配企業(yè)崗位需求,拓寬職業(yè)選擇,實(shí)現(xiàn)階段目標(biāo);優(yōu)勢(shì)2:與大廠合作,共建大模型課程,助力掌握前沿技術(shù),增強(qiáng)就業(yè)競(jìng)爭(zhēng)力;優(yōu)勢(shì)3:定制垂直領(lǐng)域大模型,專項(xiàng)領(lǐng)域賦能,打造就業(yè)薪資高,就業(yè)速度快的AI大模型人才;優(yōu)勢(shì)4:覆蓋NLP,CV完整解決方案和技術(shù)棧,解決多業(yè)務(wù)場(chǎng)景問題。

1

更新Pytorch2.3.0

1

新增星火語音大模型

1

新增基于訊飛大模型定制平臺(tái)的財(cái)經(jīng)新聞情感分析項(xiàng)目

1

新增多風(fēng)格英譯漢翻譯機(jī)項(xiàng)目

1

新增虛擬試衣項(xiàng)目

1

新增基于StableDiffusion的圖像生成項(xiàng)目

1

新增大模型AI Agent開發(fā)應(yīng)用

1

新增新零售行業(yè)評(píng)價(jià)決策系統(tǒng)

1

新增大模型搭建醫(yī)療問診機(jī)器人

1

新增物流信息咨詢智能問答項(xiàng)目

1

新增微博文本信息抽取項(xiàng)目

1

新增泛娛數(shù)據(jù)關(guān)系抽取項(xiàng)目

1

新增多模態(tài)技術(shù)及項(xiàng)目

1

友情提示更多學(xué)習(xí)視頻+資料+源碼,請(qǐng)加QQ:2632311208。

2023.02.24 升級(jí)版本4.0

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2023.02.24

課程版本號(hào)

4.0

主要使用開發(fā)工具

Linux+PyCharm+Scikit-Learn+Pytorch+Neo4j+Docker

主要培養(yǎng)目標(biāo)

以數(shù)據(jù)挖掘和NLP自然語言處理為核心方向,培養(yǎng)企業(yè)應(yīng)用型高精尖AI人才

課程介紹

人工智能開發(fā)V4.0課程體系升級(jí)以企業(yè)需求為導(dǎo)向,專為培養(yǎng)和打造高級(jí)人工智能工程師、高含金量課程重磅推出,以業(yè)務(wù)為核心驅(qū)動(dòng)項(xiàng)目開發(fā),課程包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)框架Scikit-Learn和Pytorch,能夠解決企業(yè)級(jí)數(shù)據(jù)挖掘、NLP自然語言處理與CV計(jì)算機(jī)視覺實(shí)際問題,通過理論和真實(shí)項(xiàng)目相結(jié)合,讓學(xué)生能夠掌握人工智能核心技術(shù)和應(yīng)用場(chǎng)景。并推出「六項(xiàng)目制」項(xiàng)目教學(xué),通過六個(gè)不同類型和開發(fā)深度的項(xiàng)目,使學(xué)員能夠全面面對(duì)大部分企業(yè)人工智能應(yīng)用場(chǎng)景。大型項(xiàng)目庫,多行業(yè)多領(lǐng)域人工智能項(xiàng)目課程,主流行業(yè)全覆蓋,其中項(xiàng)目課程包括了多行業(yè)13個(gè)場(chǎng)景的項(xiàng)目課程,讓學(xué)生達(dá)到大廠的項(xiàng)目經(jīng)驗(yàn)要求。課程消化吸收方面:V4.0在V3.0版本基礎(chǔ)上迭代更新,注重專業(yè)課的消化吸收,降低學(xué)習(xí)難度,提升就業(yè)質(zhì)量。

1

優(yōu)化Python系統(tǒng)編程,針對(duì)人工智能必須的Python高階知識(shí)體系重構(gòu)課程,增加基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)內(nèi)容

1

新增機(jī)器學(xué)習(xí)部分[數(shù)據(jù)挖掘項(xiàng)目實(shí)戰(zhàn)],以多場(chǎng)景業(yè)務(wù)為背景,通過SQL和Pandas完成數(shù)據(jù)處理與統(tǒng)計(jì)分析,夯實(shí)使用機(jī)器學(xué)習(xí)解決數(shù)據(jù)挖掘問題能力。

1

新增NLP方向[知識(shí)圖譜項(xiàng)目],基于知識(shí)圖譜的多功能問答機(jī)器人項(xiàng)目, 主要解決當(dāng)前NLP領(lǐng)域中大規(guī)模知識(shí)圖譜構(gòu)建的問題和圖譜落地的問題.知識(shí)圖譜的構(gòu)建主要分為知識(shí)構(gòu)建和知識(shí)存儲(chǔ)兩大子系統(tǒng). 包括知識(shí)構(gòu)建, 知識(shí)存儲(chǔ), 知識(shí)表達(dá), 路由分發(fā), 結(jié)果融合等實(shí)現(xiàn).最終呈現(xiàn)一個(gè)基于知識(shí)圖譜的問答機(jī)器人。
新增[知識(shí)抽取項(xiàng)目],該項(xiàng)目針對(duì)于泛娛樂場(chǎng)景下復(fù)雜業(yè)務(wù)關(guān)系進(jìn)行實(shí)體抽取,幫助企業(yè)構(gòu)建知識(shí)圖譜。

1

優(yōu)化NLP方向[NLP基礎(chǔ)課程]:修改文本數(shù)據(jù)增強(qiáng)方法,解決原始谷歌接口被限制調(diào)用的問題;優(yōu)化Seq2Seq英譯法案例,修改原始代碼bug,提升模型的準(zhǔn)確率;新增FastText模型架構(gòu)介紹;加深FastText模型處理分類的問題的原理理解;新增Word2Vec訓(xùn)練兩種優(yōu)化策略,加速模型快速收斂。

1

優(yōu)化計(jì)算機(jī)視覺CV基礎(chǔ):圖像分類的經(jīng)典網(wǎng)絡(luò),開山之作ALexNet,VGGNet,GoogLenNet,ResNeT,ResNetV2,VGGRep,SeNet,輕量型網(wǎng)絡(luò):mobileNet,shuffleNet,EfficientNet,模型微調(diào),數(shù)據(jù)增強(qiáng),cutmix,copypaste,mosaic,目標(biāo)檢測(cè)任務(wù),IOU,Map,正負(fù)樣本設(shè)計(jì),smoothL1損失,RCNN系列網(wǎng)絡(luò)架構(gòu):RCNN,F(xiàn)astRCNN,FasterRCNN,MaskRCNN,FPN結(jié)構(gòu),ROIpooling設(shè)計(jì),anchor思想,RoiAlign設(shè)計(jì),訓(xùn)練策略;yolo系列網(wǎng)絡(luò)V1-V8:DarkNet,yolo-FPN特征融合,passthrough融合方法,多尺度訓(xùn)練,IOU系列損失,DIOU,CIOU,SIOU等,輸出端的解耦,REP-PAN結(jié)構(gòu),E-ELAN結(jié)構(gòu),預(yù)測(cè)階段的BN設(shè)計(jì),SPP和SPPF結(jié)構(gòu)

1

優(yōu)化智慧交通項(xiàng)目:目標(biāo)跟蹤方法,運(yùn)動(dòng)模型的設(shè)計(jì),DBT和DFT初始化方法,JIT的加速方法,yoloV7目標(biāo)檢測(cè),REP的使用,檢測(cè)輔助端的使用,E-ELAN的使用,backbone的實(shí)現(xiàn),head結(jié)構(gòu)的實(shí)現(xiàn),數(shù)據(jù)分析,數(shù)據(jù)預(yù)處理,數(shù)據(jù)增強(qiáng),模型訓(xùn)練,預(yù)測(cè)與評(píng)估,車輛檢測(cè),kalman的使用,預(yù)測(cè)和更新階段,KM算法的匹配,匈牙利算法,IOU匹配,級(jí)聯(lián)匹配,ReId特征提取,歐式距離,余弦距離,馬氏距離計(jì)算,目標(biāo)狀態(tài)更新,Deepsort算法目標(biāo)跟蹤,代價(jià)矩陣的設(shè)計(jì),虛擬線圈的設(shè)計(jì),線圈位置的獲取,雙線圈檢測(cè)車流量支持mac電腦的m1芯片和m2芯片的學(xué)習(xí)

2022.01.20 升級(jí)版本3.0

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2022.01.20

課程版本號(hào)

3.0

主要培養(yǎng)目標(biāo)

以機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù),培養(yǎng)企業(yè)應(yīng)用型高精尖AI人才

主要使用開發(fā)工具

Linux+PyCharm+DataSpell+Pytorch+Tensorflow+Neo4j+Docer+k8s

課程介紹

人工智能V3.0課程體系升級(jí)以企業(yè)需求為導(dǎo)向,專為培養(yǎng)和打造高級(jí)人工智能工程師、高含金量課程重磅推出,以業(yè)務(wù)為核心驅(qū)動(dòng)項(xiàng)目開發(fā),課程包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)框架Pytorch和TensorFlow,能夠解決企業(yè)級(jí)數(shù)據(jù)挖掘、NLP自然語言處理與CV計(jì)算機(jī)視覺實(shí)際問題,通過理論和真實(shí)項(xiàng)目相結(jié)合,讓學(xué)生能夠掌握人工智能核心技術(shù)和應(yīng)用場(chǎng)景。并推出「六項(xiàng)目制」項(xiàng)目教學(xué),通過六個(gè)不同類型和開發(fā)深度的項(xiàng)目,使學(xué)員能夠全面面對(duì)大部分企業(yè)人工智能應(yīng)用場(chǎng)景。大型項(xiàng)目庫,多行業(yè)多領(lǐng)域人工智能項(xiàng)目課程,主流行業(yè)全覆蓋,其中項(xiàng)目課程天數(shù)占比為100天,包括了多行業(yè)13個(gè)場(chǎng)景的項(xiàng)目課程,讓學(xué)生達(dá)到大廠的項(xiàng)目經(jīng)驗(yàn)要求。課程消化吸收方面:V3.0在V2.0版本基礎(chǔ)上迭代更新,注重專業(yè)課的消化吸收,降低學(xué)習(xí)難度,提升就業(yè)質(zhì)量。

1

優(yōu)化優(yōu)化Python系統(tǒng)編程,針對(duì)人工智能必須的Python高階知識(shí)體系重構(gòu)課程

1

新增[數(shù)據(jù)處理與統(tǒng)計(jì)分析階段],以Linux為基礎(chǔ),通過SQL和Pandas完成數(shù)據(jù)處理與統(tǒng)計(jì)分析,為人工智能數(shù)據(jù)處理奠定技術(shù)基礎(chǔ)。

1

優(yōu)化優(yōu)化機(jī)器學(xué)習(xí)算法,每個(gè)算法都兼具使用場(chǎng)景,數(shù)學(xué)推導(dǎo)過程及參數(shù)調(diào)優(yōu)

1

新增[機(jī)器學(xué)習(xí)與多場(chǎng)景],增加多場(chǎng)景案例實(shí)戰(zhàn),包括用戶畫像,電商運(yùn)營建模等多場(chǎng)景案例實(shí)戰(zhàn)

1

新增數(shù)據(jù)挖掘方向[百京金融風(fēng)控]項(xiàng)目,從反欺詐、信用風(fēng)險(xiǎn)策略、評(píng)分卡模型構(gòu)建等熱點(diǎn)知識(shí),使得學(xué)員具備中高級(jí)金融風(fēng)控分析師能力。

1

新增數(shù)據(jù)挖掘方向[萬米推薦系統(tǒng)]項(xiàng)目,從多數(shù)據(jù)源采集、多路召回、基于機(jī)器學(xué)習(xí)算法粗排算法與基于深度學(xué)習(xí)精排,解決了在大數(shù)據(jù)場(chǎng)景下如何實(shí)現(xiàn)完整推薦系統(tǒng),使得學(xué)員可以具備企業(yè)級(jí)推薦項(xiàng)目開發(fā)能力。

1

優(yōu)化深度學(xué)習(xí)基礎(chǔ)課由TensorFlow切換為Pytorch,面向零基礎(chǔ)同學(xué)更加友好

1

優(yōu)化NLP基礎(chǔ)課程Transform基礎(chǔ)和Attention注意力機(jī)制在原理之后增加英譯漢的案例,加強(qiáng)學(xué)生對(duì)基礎(chǔ)算法原理的理解

1

優(yōu)化NLP基礎(chǔ)課程遷移學(xué)習(xí)API版本變化問題,優(yōu)化傳統(tǒng)序列模型算法原理

1

新增NLP方向[蜂窩頭條文本分類優(yōu)化]項(xiàng)目,增強(qiáng)學(xué)生NLP算法優(yōu)化方面技能

1

新增NLP方向[知識(shí)圖譜]項(xiàng)目,通過本體建模,知識(shí)抽取,知識(shí)融合,知識(shí)推理,知識(shí)存儲(chǔ)與知識(shí)應(yīng)用方面,學(xué)生可以掌握完整知識(shí)圖譜構(gòu)建流程。

1

新增[面試加強(qiáng)課]通過鞏固機(jī)器學(xué)習(xí)與深度學(xué)習(xí)基礎(chǔ)算法,加強(qiáng)核心算法掌握,增加數(shù)據(jù)結(jié)構(gòu)基礎(chǔ)算法、動(dòng)態(tài)規(guī)劃算法、貪心算法等面試高頻算法題,加強(qiáng)多行業(yè)人工智能案例理解與剖析

1

刪除Ubuntu環(huán)境搭建開發(fā)環(huán)境

2021.02.01 升級(jí)版本2.0

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2021.02.01

課程版本號(hào)

2.0

主要針對(duì)

python3 & python2

主要使用開發(fā)工具

linux+PyCharm+Pytorch+Tensorflow+OpenCV+neo4j+Docer+k8s

課程介紹

AI理論方面: 通過新的開發(fā)的文本摘要項(xiàng)目、傳智大腦項(xiàng)目, 提升學(xué)員復(fù)雜模型訓(xùn)練和優(yōu)化的能力。
AI工程化方面: 新增的算法工程化講座, 直接面向一線公司實(shí)際開發(fā)場(chǎng)景和需求, 比如服務(wù)日志, A/B測(cè)試, Git提交, Docker, K8S部署等, 讓學(xué)員親臨公司場(chǎng)景, 求職后更好的無縫銜接進(jìn)企業(yè)級(jí)開發(fā)。
AI新熱點(diǎn)和趨勢(shì): 通過增加量化、剪枝、知識(shí)蒸餾、遷移學(xué)習(xí)等一線優(yōu)化技術(shù), 讓學(xué)生有更多處理問題的武器和思路;增加知識(shí)圖譜熱點(diǎn)、mmlab框架熱點(diǎn)、YOLO1~5算法系列,能更好的匹配業(yè)界需求。
課程消化吸收方面:V2.0在V.1.x版本基礎(chǔ)上迭代更新,注重專業(yè)課的消化吸收,降低學(xué)習(xí)難度,提升就業(yè)速度、就業(yè)質(zhì)量。

1

新增NLP方向【文本摘要項(xiàng)目】:自動(dòng)完成文本信息的主題提取,中心思想提取,可以類比京東,當(dāng)當(dāng)網(wǎng)的商品自動(dòng)宣傳文案;快速的將主要信息展示給用戶, 廣泛應(yīng)用于財(cái)經(jīng), 體育, 電商, 醫(yī)療, 法律等領(lǐng)域。基于seq2seq + attention的優(yōu)化模型,基于PGN + attention + coverage的優(yōu)化模型,基于PGN + beam-search的優(yōu)化模型,文本的ROUGE評(píng)估方案和代碼實(shí)現(xiàn):weight-tying的優(yōu)化策略、scheduled sampling的優(yōu)化策略。

1

新增AI基礎(chǔ)設(shè)置類項(xiàng)目【傳智大腦】,目前提供AI前端功能展示、AI后端模型部署、AI在線服務(wù)、AI模型訓(xùn)練功能等系統(tǒng)功能。AI開發(fā)服務(wù)提供了信息中心網(wǎng)咨輔助系統(tǒng),文本分類系統(tǒng)、考試中心試卷自動(dòng)批閱系統(tǒng)、CV統(tǒng)計(jì)全國開班人數(shù)等系統(tǒng);綜合NLP、CV和未來技術(shù)熱點(diǎn)。

1

新增CV方向【人流量統(tǒng)計(jì)項(xiàng)目】:以特定商場(chǎng)、客服場(chǎng)景對(duì)人流量進(jìn)行分析和統(tǒng)計(jì)。掌握mmlab框架、核心模塊MMDetection;resnet骨架網(wǎng)絡(luò)特征提取,SSD網(wǎng)絡(luò)和Cascade R-CNN網(wǎng)絡(luò)目標(biāo)檢測(cè);利用剪枝,壓縮和蒸餾等方法減小模型規(guī)模;完成前后端部署(Flask + Gunicorn)、模型部署(ONNX-runtime技術(shù))。

1

優(yōu)化NLP方向【AI在線醫(yī)生項(xiàng)目】: 兩個(gè)離線模型 (命名實(shí)體審核模型, 命名實(shí)體識(shí)別模型)的優(yōu)化,提升準(zhǔn)確率, 召回率,F(xiàn)1的效果。 一個(gè)在線模型 (句子主題相關(guān)模型)的優(yōu)化, 重在量化, 壓縮, 知識(shí)蒸餾, 提升處理速度并展示對(duì)比測(cè)試實(shí)驗(yàn)。

1

新增知識(shí)圖譜熱點(diǎn)案例:知識(shí)圖譜編程、深化neo4j中的cypher代碼, 相關(guān)案例。

1

新增計(jì)算機(jī)視覺目標(biāo)檢測(cè)熱點(diǎn)算法YoLov1~v5 V1~V5模型的網(wǎng)絡(luò)架構(gòu)、輸入輸出、訓(xùn)練樣本構(gòu)建,損失函數(shù)設(shè)計(jì);模型間的改進(jìn)方法;多尺度檢測(cè)方法、先驗(yàn)框設(shè)計(jì);數(shù)據(jù)增強(qiáng)方法、多種網(wǎng)絡(luò)架構(gòu)及設(shè)計(jì)不同模型的方法。

1

優(yōu)化計(jì)算機(jī)視覺專業(yè)課:RCNN系列網(wǎng)絡(luò)進(jìn)階課程:FasterRCNN目標(biāo)檢測(cè)的思想,anchor(錨框)設(shè)計(jì)與實(shí)現(xiàn),掌握RPN網(wǎng)絡(luò)是如何進(jìn)行候選區(qū)域的生成的,掌握ROIPooling的使用方法掌握fasterRCNN的訓(xùn)練方法,掌握RCNN網(wǎng)絡(luò)的預(yù)測(cè)方法。

1

新增AI算法工程化專題:10個(gè)子案例展示算法工程化中的實(shí)際工程問題, 企業(yè)真實(shí)開發(fā)中的問題和解決方案。研發(fā), 測(cè)試環(huán)境的異同, 服務(wù)日志的介紹和實(shí)現(xiàn), A/B測(cè)試,模型服務(wù)風(fēng)險(xiǎn)監(jiān)控,在線服務(wù)重要指標(biāo),Git提交與代碼規(guī)范化,正式環(huán)境部署(Docker, K8S),,數(shù)據(jù)分析與反饋。

2020.6.1 升級(jí)版本 1.5

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2020.6.1

課程版本號(hào)

1.5

主要針對(duì)版本

python3 & python2

主要使用開發(fā)工具

linux+PyCharm+Pytorch+Tensorflow

課程介紹

以周為單位迭代更新課程,包括機(jī)器學(xué)習(xí)、自然語言處理NLP、計(jì)算機(jī)視覺、AI算法強(qiáng)化等課程。同時(shí)為了更好的滿足人工智能學(xué)員更快速的適應(yīng)市場(chǎng)要求,推出了自然語言處理NLP案例庫、計(jì)算機(jī)視覺CV案例庫、面試強(qiáng)化題等等。同時(shí)也增加職業(yè)拓展課,學(xué)生學(xué)習(xí)完AI課程以后,可在職學(xué)習(xí):推薦系統(tǒng)、爬蟲、泛人工智能數(shù)據(jù)分析。

1

新增計(jì)算機(jī)視覺CV案例庫

1

新增自然語言處理案例庫

1

新增AI企業(yè)面試題

1

新增算法強(qiáng)化課程

1

新增計(jì)算機(jī)視覺強(qiáng)化課

2019.12.21 升級(jí)版本 1.0

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2019.12.21

課程版本號(hào)

1.0

主要針對(duì)版本

Python3 & Python2

主要使用開發(fā)工具

linux+PyCharm+Pytorch+Tensorflow

課程介紹

人工智能賦能實(shí)體產(chǎn)業(yè)的規(guī)模以每年40%的速度遞增,人工智能人才在計(jì)算機(jī)視覺CV、自然語言處理NLP、數(shù)據(jù)科學(xué)的推薦廣告搜索的需求越來越明確。傳智教育研究院經(jīng)過2年潛心研發(fā),萃取百余位同行經(jīng)驗(yàn),推出全新的人工智能1.0課程。全新的人工智能課程體系具有以下優(yōu)勢(shì):
1)六個(gè)月高級(jí)軟件工程師培訓(xùn)課程。精準(zhǔn)定位、因材施教,人工智能和Python開發(fā)分成兩個(gè)不同的班型進(jìn)行授課。
2)理論+實(shí)踐培養(yǎng)AI專精型人才。如何培養(yǎng)人才達(dá)到企業(yè)的用人標(biāo)準(zhǔn)?傳智教育提出了課程研發(fā)標(biāo)準(zhǔn):1、AI理論方面,培養(yǎng)學(xué)員AI算法研究能力:AI算法實(shí)用性、先進(jìn)性、可拓展性;2、AI實(shí)踐方面,培養(yǎng)學(xué)員利用AI理論解決企業(yè)業(yè)務(wù)流的能力。
3)多領(lǐng)域多行業(yè)項(xiàng)目,全生態(tài)任性就業(yè)。設(shè)計(jì)多領(lǐng)域多行業(yè)項(xiàng)目有:智能交通項(xiàng)目(CV)、 實(shí)時(shí)人臉檢測(cè)項(xiàng)目(CV)、在線AI醫(yī)生項(xiàng)目(NLP)、智能文本分類項(xiàng)目(NLP)、泛娛樂推薦項(xiàng)目(CV+推薦)、CT圖像肺結(jié)節(jié)自動(dòng)檢測(cè)項(xiàng)目(CV)、小智同學(xué)-聊天機(jī)器人(NLP)、場(chǎng)景識(shí)別項(xiàng)目(CV)、在線圖片識(shí)別-商品檢測(cè)項(xiàng)目(CV)、黑馬頭條推薦系統(tǒng)(推薦+數(shù)據(jù)科學(xué))。
4)AI職業(yè)全技能(NLP、CV、數(shù)據(jù)科學(xué)-推薦廣告搜索),涵蓋8大主流就業(yè)崗位。視覺處理工程師(CV)、自然語言處理工程師(NLP)、推薦系統(tǒng)工程師、機(jī)器學(xué)習(xí)工程師、深度學(xué)習(xí)工程師、數(shù)據(jù)分析工程師、數(shù)據(jù)挖掘工程師、知識(shí)圖譜工程師。
5)課程設(shè)置科學(xué)合理,適合AI技術(shù)初學(xué)者。
6)技術(shù)大牛傾力研發(fā),專職沉淀AI新技術(shù)。

1

新增機(jī)器學(xué)習(xí)進(jìn)階課程

1

新增計(jì)算機(jī)視覺項(xiàng)目:實(shí)時(shí)人臉檢測(cè)項(xiàng)目、智能交通項(xiàng)目

1

新增自然語言處理NLP項(xiàng)目:在線AI醫(yī)生項(xiàng)目、智能文本分類項(xiàng)目

1

新增算法強(qiáng)化課程:進(jìn)化學(xué)習(xí)、分布式機(jī)器學(xué)習(xí)、數(shù)據(jù)結(jié)構(gòu)強(qiáng)化

授課經(jīng)驗(yàn)豐富的人工智能開發(fā)講師團(tuán)隊(duì)

教師錄取率<3%,從源頭把控師資,帶你過關(guān)斬將掌握每一個(gè)知識(shí)點(diǎn)< /p>

貫穿學(xué)習(xí)全程、保障學(xué)習(xí)效果的AI教輔系統(tǒng)

用數(shù)據(jù)驅(qū)動(dòng)教學(xué),貫通教/學(xué)/練/測(cè)/評(píng),為每一位學(xué)員私人定制學(xué)習(xí)計(jì)劃和就業(yè)服務(wù)

  1. 學(xué)前入學(xué)多維測(cè)評(píng)

  2. 學(xué)前目標(biāo)導(dǎo)向式學(xué)習(xí)

  3. 學(xué)中隨堂診斷糾錯(cuò)

  4. 學(xué)中階段效果測(cè)評(píng)

  5. 學(xué)后在線作業(yè)試題庫

  6. 學(xué)后問答社區(qū)查漏補(bǔ)缺

  7. 保障BI報(bào)表數(shù)據(jù)呈現(xiàn)

  8. 就業(yè)面試指導(dǎo)就業(yè)分析

更多Tlias就業(yè)服務(wù)

就業(yè)流程
全信息化處理

學(xué)員能力
雷達(dá)圖分析

定制個(gè)性化
就業(yè)服務(wù)

技術(shù)面試題
講解

就業(yè)指導(dǎo)課
面試項(xiàng)目分析

HR面試攻略

模擬企業(yè)
真實(shí)面試

專業(yè)簡(jiǎn)歷指導(dǎo)

面試復(fù)盤輔導(dǎo)

風(fēng)險(xiǎn)預(yù)警
企業(yè)黑名單提醒

打造學(xué)員職業(yè)生態(tài)圈

老學(xué)員畢業(yè)后即可加入傳智匯精英社區(qū),持續(xù)助力學(xué)員職場(chǎng)發(fā)展

傳智教育旗下IT互聯(lián)網(wǎng)精英社區(qū),以匯聚互聯(lián)網(wǎng)前沿技術(shù)為核心,以傳遞、分享為己任,聯(lián)合經(jīng)緯創(chuàng)投、創(chuàng)新工場(chǎng)、京東人工智能、華為等眾多關(guān)注互聯(lián)網(wǎng)的知名機(jī)構(gòu)及企業(yè)、行業(yè)大咖,共同研究中國互聯(lián)網(wǎng)深度融合、跨界滲透、整合匯聚、相互促進(jìn)的信息化資源共享平臺(tái)。

  • 行業(yè)沙龍

  • 高端人脈

  • 職場(chǎng)資源

  • 技術(shù)研習(xí)

人工智能開發(fā)全國就業(yè)薪資情況

查看其他班級(jí)

9970元/月平均薪資

15900元/月最高薪資

100%就業(yè)率

58月薪過萬

  • 姓名
  • 性別
  • 就業(yè)時(shí)間
  • 就職城市
  • 就職企業(yè)
  • 薪資
  • 福利待遇
  • 姓名
  • 培訓(xùn)前崗位
  • 培訓(xùn)前薪資
  • 培訓(xùn)后薪資
  • 入職時(shí)間
  • 入職公司
  • 就職城市

*學(xué)員就業(yè)信息統(tǒng)計(jì)數(shù)據(jù)為數(shù)據(jù)庫中實(shí)時(shí)調(diào)取的真實(shí)相關(guān)數(shù)據(jù),非廣告宣傳

和我們?cè)诰€交談!

盐津县 永安市 克山县 阿坝县 辽中县 平南县
万载县 城步 上杭县 芒康县 尚义县 伊金霍洛旗
德惠市 鄱阳县 望城县 新营市 涿鹿县 鸡泽县
泛站蜘蛛池模板: 曲沃县| 呼和浩特市| 云和县| 阿尔山市| 桓台县| 道孚县| 四子王旗| 长海县| 河津市| 冕宁县| 祁阳县| 广丰县| 阳原县| 张掖市| 东明县| 塘沽区| 西昌市| 陆丰市| 崇礼县| 宿州市| 紫阳县| 东至县| 张掖市| 兴海县| 九台市| 凭祥市| 孟连| 江津市| 华阴市| 娄烦县| 瑞安市| 昆明市| 简阳市| 观塘区| 平安县| 武宣县| 夹江县| 霍城县| 寻甸| 永胜县| 腾冲县|