01— 人工智能开发入门
掌握Python基础语法,对后续学习打下坚实基础。
Python编程
基本语法 | 数据结构 | 函数 |
---|---|---|
面向对象 | 多任务 | 模块与包 |
闭包装 | 饰器 | 迭代器 |
Numpy矩阵运算
Nadrray | Scalars | Boradcasting |
---|---|---|
矩阵运算 | 矩阵转置 | 矩阵求逆 |
Scipy数值运算库
Scipy基本使用 | Scipy常量 | Scipy稀疏矩阵 |
---|---|---|
Scipy图结构 | Scipy空间 | Scipy插值 |
Pandas数据科学库
自带数据 | 结构数据读取写入 | 数据清洗 |
---|---|---|
数据计算 | 数据合并 | 数据排序 |
Matplotlib
基础图表 | Annotation | Figure |
---|---|---|
子图 | Legend |
Seaborn
数据关系图 | 数据分布图 | 类别图 |
---|---|---|
回归图 | 矩阵图 | 多变量关系 |
PyEcharts
基本使用 | 图表API | 组合图表 |
---|---|---|
其他资源 | 图表类型 | Web框架整合 |
02— 机器学习核心技术
掌握核心机器学习算法原理,掌握分类、回归、聚类使用场景,满足人工智能数据挖掘类岗位,薪资可达到15K-20K。
Scikit Learn
聚类算法API | 数据预处理 | 分类算法API | 回归算法API |
---|
分类算法
决策树 | KNN | Adaboost |
---|---|---|
随机森林 | 逻辑回归 | 朴素贝叶斯 |
GBDT | XGboost | LightGBM |
回归算法
线性回归 | Lasso回归 | 决策树回归 |
---|---|---|
随机森林回归 | XGboost回归 |
聚类算法
KMeans | KMeans++ | GMM |
---|---|---|
基于层次聚类 | 基于密度聚类 | DBSCAN |
属性降维
属性降维 | 特征选择 | 因子分析 | PCA | ICA | LDA |
---|
模型选择
Metrics | Scoring模型得分 |
---|---|
Grid search 网格搜索 | Cross Validation 交叉验证 |
Hyper-Parameters 超参数选择 | Validation curves 模型验证曲线 |
特征工程
Standardization标准化 | Scaling Features归一化 |
---|---|
Non-linear transformation非线性转化 | Gaussian distribution高斯分布转化 |
Normalization正则化 | Encoding categorical features类别性编码处理 |
阶段案例实战
-
零售行业建模分析
-
电商用户画像行为分析
03— 深度学习核心技术
掌握深度学习算法原理,掌握BP神经网络、CNN、RNN等基础网络结构,为后续NLP和CV奠定技术基础。
人工神经网络
损失函数 | 激活函数 | Back Propagation | 优化方法及正则化 |
---|
BP神经网络
网络基本结构 | 正向计算 | 链式法则 | 权重更新 |
---|---|---|---|
Sigmoid函数 | 梯度消失/爆炸 | Batch Normalization |
CNN卷积神经网络
局部感受野 | 权值共享 | DropOut |
---|---|---|
卷积层 | 池化层 | 全连接层 |
**RNN循环神经网络
**
梯度裁剪 | 双向长短时记忆网络(BiLSTM) |
---|---|
长短时记忆网络(LSTM) | 门控神经网络(GRU) |
阶段项目实战
- 图像识别案例
- 文本处理案例
04— NLP自然语言处理技术
本阶段课程将掌握突破市场最热超高年薪的NLP技术,可应对市场上NLP工程师,根据市场反馈薪资突破30K。
Pytorch编程
定义损失函数 | 自动微分功能 | 定义优化器 | 定义模型结构 |
---|
传统序列模型
隐马尔科夫模型 | 条件随机场 | 原理与实践 | CRF与HMM区别 |
---|
Transfomer原理
编码器 | 解码器 | 注意力机制 |
---|---|---|
语言模型 | 模型超参数 | 模型验证 |
文本预处理
文本处理基本方法 | 文本张量表示方法 | 文本语料数据分析 |
---|---|---|
数据增强方法 | 命名实体识别 | Word Embedding词嵌入 |
RNN及变体
传统RNN | LSTM | Bi-LSTM | GRU | Bi-GRU | Seq2Seq |
---|
迁移学习
FastText | 预训练模型 | Google BERT | GPT | GPT-2 | 权重微调 |
---|
阶段项目实战
- 文本分类
- 文本生成
4、NLP项目实战
05— CV计算机视觉技术
掌握计算机视觉基础算法原理,掌握目标检测、分类、跟踪等各类CV任务,可应对市场上CV工程师岗位,薪资可达20K以上。
OpenCV图像处理
读写图像 | 灰度变换 | 几何变换 | 形态学 |
---|---|---|---|
纹理分割 | 视频操作 | 边缘检测技术 | 特征检测和描述 |
Tensorflow编程
常量 | 变量 | 高阶API | tf.data | tf.keras |
---|
目标分类
卷积计算方法 | 多通道卷积 | AlexNet |
---|---|---|
VGG | ResNet残差网络 | ImageNet分类 |
**目标检测
**
RCNN | FPN | SSD | ROI Pooling | FasterRCNN | 非极大抑制NMS |
---|
目标分割
全卷积 | ROI Align | DeepLab |
---|---|---|
MaskRCNN | 金字塔池化模块 | 语义分割评价标准 |
阶段项目实战
-
目标分类
-
目标检测
06— 大厂面试专题
围绕大厂高频面试题,针对机器学习、深度学习、CV、NLP、数据结构与算法系列等专题去刷题
数据结构
栈 | 树 | 图 | 数组 | 链表 | 哈希表 |
---|
常见算法
排序 | 查找 | 链表算法 |
---|---|---|
动态规划 | 二叉树 | 递归算法 |
贪心算法 | 图算法 | 队列算法 |
机器学习&深度学习
分类算法面试专题 | 聚类算法面试专题 |
---|---|
回归算法面试专题 | 深度学习基础面试专题 |
NLP & CV面试专题
深度学习与NLP面试专题 | 深度学习与CV面试专题 |
---|
如何学习AI大模型?
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓