AI人工智能算法工程师

从AI零基础入门,打通视觉,NLP,机器学习,深度学习,推荐搜索,AIGC,大模型

引领行业的知识体系+工业级多领域综合项目+资深专业讲师团+全方位贴心服务

助力你平滑递进式快速成为新时代抢手人才,多领域灵活就业

 

阶段一:从AI全面认知到基础夯实-行业认知&Python&必备数学
12门课 /课程总时长:16小时
第1周   快速搞清楚人工智能
本周学习人工智能相关基础及其应用,包括人工智能的概念,背后的发展历史,典型研究方法与学科,就业市场与前景。
课程安排:
1. 从零全面快速认知人工智能
2. 探讨人工智能的发展历程与发展
3. 分析人工智能的主要研究方法
4. 了解人工智能领域相关的学科
5. 分析人工智能就业方向及能力
第2周   AI编程基石:Python入门与进阶
Python是人工智能编程语言,本周将手把手带领大家,从如何安装Pyhon开始,到写出第一个程序,掌握Python的输入输出、程序的流程控制、序列相关知识,函数,模块,文件与文件夹操作和面向对象编程。
课程安排:
1. 如何安装和使用Anaconda,PyCharm等编程软件
2. 学习输入输出、以及程序流程控制语句
3. Python序列知识讲解,包括:列表、元组、字典与集合
4. 掌握Python的函数、模块与文件操作
5. 学习Python的面向对象编程,理解代码的继承
6. Python 在AI中的应用实战
第3周   AI编程基石:Python高级编程
在人工智能中,经常需要读取数据,本周将会教大家如何用python处理文本文档、excel表格、图片以及视频。还有如何绘制出折线图、条形图等常用图形,方便大家科研作图。最后带着大家做属于自己的软件界面,方便作品的展示。
课程安排:
1. 处理文本文档信息核心基础操作
2. 使用pandas处理表格数据
3. 运用 pandas对表格进行基本的分析、以及绘图
4. 运用Matplotlib处理图片
5. 运用OpenCV进行视频处理
6. 使用 pickle进行文件数据序列化处理
7. 学习PyQt给程序做出一个可互动的界面,给软件一个包装
第4周   人工智能底层基石-三大必备AI 数学基础
数学是人工智能的基础,本周围绕人工智能、尤其是深度学习中经常遇到的数学知识进行展开,通过简单易懂的案例,帮大家回顾线性代数、微积分以及概率论的相关知识。
课程安排:
1. 学习人工智能和其他领域中的线性代数、微积分、概率论应用案例
2. 学会Numpy的安装与简单测试
3. 线性代数相关知识点理论讲解与核心应用代码讲解
4. 微积分相关知识点理论讲解与核心应用代码讲解
5. 概率论相关知识点理论讲解与核心应用代码讲解
6. 使用Numpy应用实战,如实现向量的加、减、点积和外积操作、求矩阵的特征向量、SVD分解等
7. 运用Python应用实战,如旋转、放缩、绘制函数图像并展示其切线、绘制三维函数图像等
阶段二:从AI核心技术理论体系构建到项目实战: 机器学习&深度学习
11门课 /课程总时长:15小时
第5周   机器学习 – 解锁人工智能的核心
本周学习机器学习基础知识,包括机器学习概念、机器学习模型分类、评估目标与优化目标、典型案例实践。
课程安排:
1. 掌握机器学习工具的基本流程
2. 掌握特征的概念与使用
3. 了解不同机器学习模型的分类
4. 学会常见机器学习模型的评估方法
5. 学会常见机器学习模型的学习优化目标
6. 学习使用python机器学习工具sklearn
7. 基于sklearn工具和鸢尾花数据集,进行逻辑回归实战
第6周   神经网络 – 处理和学习复杂的数据
本周学习神经网络基础知识,包括前馈神经网络与时序神经网络结构、单层神经网络与多层神经网络典型案例实践。
课程安排:
1. 掌握感知器的学习原理
2. 掌握神经网络的模型结构
3. 了解单层神经网络与多层神经网络的能力
4. 掌握梯度下降算法原理与实践
5. 掌握反向传播算法原理与实践
6. 掌握RNN与LSTM模型结构
7. 基于Python进行二维空间线性可分数据单/多层感知器实战
第7周   卷积神经网络(CNN)-处理具有网格结构数据的任务
本周学习卷积神经网络基础知识,包括卷积神经网络的基本概念,卷积神经网络模型结构。
课程安排:
1. 掌握二维卷积与多通道卷积的原理
2. 掌握池化的原理
3. 了解步长和填充
4. 掌握反卷积的原理
5. 了解卷积反向传播算法
6. 掌握典型卷积神经网络的搭建
第8周   深度学习优化-使用深层神经网络来解决复杂的任务
本周学习当前主流的深度学习模型训练与优化相关的技术(参数初始化、激活函数、标准化方法、学习率与最优化方法、正则化方法)
课程安排:
1. 掌握常见的参数初始化方法
2. 掌握常见的激活函数
3. 掌握常见的标准化方法
4. 掌握常见的正则化方法
5. 掌握常见的学习率迭代策略
6. 掌握常见的最优化方法
阶段三:构建AI的数据驱动力–数据预处理工程
2门课 /课程总时长:6小时
第9周   数据获取、整理与应用 – 构建数据之源,驱动智能决策
本周学习深度学习之数据使用的相关内容,使学生了解并且掌握数据获取、数据整理、数据标注、数据增强方法等内容,对imgaug数据增强库进行了解。
课程安排:
1. 了解数据获取方法
2. 掌握一般的数据整理方法
3. 掌握数据标注工具label studio
4. 掌握常见的数据增强方法
5. 学会使用imgaug数据增强工具
阶段四:AI 深度学习框架实战- Pytorch从基础到进阶
6门课 /课程总时长:7小时
第10周   PyTorch数据处理与网络模型构建
PyTorch是目前最火的深度学习框架,本周将从如何配置Pytorch环境开始,掌握一些基本的知识,包括张量、层结构、网络结构搭建、优化器及损失函数,学会数据读取与增强。
课程安排:
1.PyTorch的安装
2.Tensor的相关数据处理
3.如何用dataloader加载数据集
4.不同的数据增强方法
5.卷积层、池化层与全连接层的介绍
6.网络的正则化技术
7.如何逐层搭建自定义的卷积神经网络
第11周   深入PyTorch模型的训练与可视化
本周学习如何对Pytorch模型进行训练,会涉及的内容有,损失函数、优化器、权重保存与加载、迁移学习策略等知识,并介绍如何使用Tensorboard进行训练数据的可视化。
课程安排:
1.损失函数与优化器
2.掌握模型权重文件的保存与加载
3.掌握迁移学习等模型训练效果提升的办法
4.掌握如何在不同设备中进行训练
5.掌握用Tensorboard记录训练数据,并将数据进行可视化
阶段五:AI核心算法+方法——经典深度学习模型实战
11门课 /课程总时长:12小时
第12周   CNN图像处理模型
本周学习基础的经典的卷积神经网络模型设计思想,包括简单模型、多分支模型原理。
课程安排:
1. 掌握AlexNet模型结构
2. 掌握VGGNet模型结构
3. 掌握InceptionNet模型结构
4. 掌握1×1卷积模型结构
5. 掌握ResNet和DenseNet模型结构
6. 掌握SqueezeNet模型结构
第13周   移动端AI高效率分组模型
本周学习适合于移动端使用的通道分组高效率模型原理。
课程安排:
1. 掌握MobileNet V1模型结构
2. 掌握MobileNet V2模型结构
3. 掌握ShuffleNet V1模型结构
4. 掌握ShuffleNet V2模型结构
5. 掌握MixNet等模型结构
第14周   卷积注意力模型
本周学习卷积注意力相关的模型(特征通道注意力、空间注意力、自注意力)
课程安排:
1. 掌握注意力模型基础和应用
2. 掌握SENet等模型结构
3. 能从零搭建SENet
4. 掌握空间注意力STN模型结构
5. 能从零搭建STN
6. 掌握混合注意力BCBAM和BAM模型结构
7. 能从零搭建CBAM
第15周   Transformer模型
本周学习Transformer基础,包括Transformer模型各个模块的结构细节以及代码实现。
课程安排:
1. 掌握Self-Attention(自注意力)机制
2. 掌握多头自注意力机制
3. 掌握Token概念
4. 掌握位置编码原理
5. 掌握掩码的作用
6. 掌握解码的原理
第16周   Vision Transformer 模型
本周学习典型的Vision Transformer模型,包括基础ViT模型以及高效率的ViT模型。
课程安排:
1. 掌握ViT模型结构
2. 掌握DeViT模型结构
3. 掌握Mobile ViT等高效率模型结构
阶段六:AI计算机视觉核心技术与项目实战-工业&医疗与直播&自动驾驶等主流领域
10门课 /课程总时长:35小时
第17周   【视觉领域】图像分类技术与项目实战
本周学习深度学习之图像分类的相关理论与实践内容,带领学生进行以下实战内容:从零完成人脸表情识别、生活用品多标签图像分类。
课程安排:
1. 了解图像分类问题划分
2. 了解多类别图像分类模型结构
3. 了解多标签图像分类方法
4. 掌握从零搭建图像分类模型并实现训练与测试的完整流程
5. 掌握多标签图像分类方法并实现训练与测试的完整流程
第18周   【工业领域】目标检测技术与项目实战
本周学习深度学习之目标检测的相关理论与实践内容,,包括One-stage算法-YOLO系列详解、带领学生进行YOLO v5车牌检测实战
课程安排:
1. 了解目标检测基本流程
2. 了解目标检测评估指标
3. 掌握非极大值抑制目标检测后处理方法
4. 掌握YOLO v1-v8的系列算法原理
5. 掌握基于YOLO v5实现车牌目标检测任务的完整流程
第19周   【医疗与直播领域】图像分割技术与项目实战
本周学习深度学习之语义分割的相关理论与实践内容,带领学生进SimpleNet人脸分割实战
课程安排:
1. 了解图像分割问题划分
2. 掌握语义分割经典模型FCN
3. 掌握语义分割经典模型UNet
4. 掌握膨胀卷积原理
5. 掌握语义分割经典模型系列Deeplab
6. 掌握从零搭建图像分割模型并实现训练与测试的完整流程
第20周   【视频分析领域-火热领域】视频分类技术与项目实战
本周学习深度学习之视频分类的相关理论与实践内容,包括3D模型与双流模型、带领学生进行3DCNN模型视频分类实战
课程安排:
1. 了解3D卷积原理
2. 掌握3DCNN模型结构
3. 掌握C(2+1)D模型结构
4. 了解视频分类任务与数据集
5. 掌握从零搭建3DCNN模型并实现训练与测试的完整流程
第21周   【自动驾驶领域】自动驾驶感知算法技术与项目实战
本周针对自动驾驶领域中的核心感知算法,带领学生进行道路分割与车牌识别实战
课程安排:
1. 学习CityScape数据集
2. 使用语义分割经典模型HRNet训练道路分割模型并测试使用
3. 学习LPRNet框架
4. 学习使用LPRNet训练车牌识别模型
阶段七:AIGC火热领域技术与项目-文本图像生成&扩散模型等
8门课 /课程总时长:16小时
第22周   【AIGC领域-火热领域】生成对抗网络GAN技术与项目实战
本周学习生成对抗网络模型的相关理论与实践内容,带领学生进行GAN模型图像生成实战
课程安排:
1.掌握生成对抗网络(GAN)原理
2.掌握生成对抗网络(GAN)的优化目标与评估指标
3.掌握生成对抗网络(GAN)基本结构
4.掌握条件生成对抗网络模型结构
5.掌握从零搭建DCGAN模型并实现训练与测试的完整流程
第23周   【AIGC领域-火热领域】扩散模型技术与项目实践
本周学习扩散模型的相关理论与实践内容,带领学生进行扩散模型图像生成实战
课程安排:
1.掌握扩散模型原理
2.掌握从零搭建扩散模型并实现训练与测试的完整流程
3.掌握稳定扩散模型Stable Diffusion原理
4.了解Huggingface社区
5.学习使用Huggingface社区接口进行扩散模型图像生成
第24周   【AIGC领域-火热领域】扩散模型图像生成与编辑进阶
本周学习AIGC领域中基于扩散模型的图像生成与编辑最新前沿技术,并实战ControlNet的交互式图像生成与编辑。
课程安排:
1.掌握ControlNet原理
2.掌握基于ControlNet的交互式图像生成与编辑实战
3.了解stable diffusion webui等工具
4.了解视频生成工具Moonvalley
阶段八:NLP自然语言处理与LLM大语言模型应用实战
19门课 /课程总时长:40小时
第25周   探索自然语言处理与词向量
通过介绍自然语言处理的历史、发展和基本任务以及自然语言处理最基础的分词、词向量,学习到自然语言处理解决什么问题以及解决问题最基本的方法。
课程安排:
1.自然语言处理发展历史;
2.自然语言处理常见任务;
3.自然语言处理中的分词;
4.自然与语言处理中的词嵌入
第26周   NLP特征提取器:解锁文本数据
通过介绍自然语言处理中主要的特征抽取器LSTM、CNN以及Transformer,掌握NLP中文本特征抽取的流程与主要方法
课程安排:
1.循环神经网络及LSTM;
2.NLP中的卷积神经网络CNN;
3.attention机制及Transformer;
4.LSTM与文本分类;
5.膨胀卷积与命名实体识别
第27周   预训练模型:NLP任务的颠覆性力量
通过介绍BERT、GPT等预训练模型及其实战,掌握NLP中主流的预训练模型的结构,用法和差异,以及在实际场景中如何应用
课程安排:
1.预训练模型BERT及非结构化数据信息抽取实战;
2.GPT模型及生成式任务实战;
第28周   AI大语言模型核心技术与实战【火热方向】
通过学习AI大语言模型的预训练和微调理论,掌握大语言模型的分布式训练方法;通过学习最新的大模型agent思想及框架,掌握大模型落地应用的方法;
课程安排:
1.大语言模型分布式预训练;
2.分布式训练框架deepspeed;
3.大模型有监督微调;
4.大模型高效参数微调lora;
第29周   AI大语言模型进阶与实战【火热方向】
通过学习常见的开源大语言模型,掌握常见大语言模型的差异和使用方法;通过学习人类反馈式强化学习的方法,掌握大模型引入人类反馈的技术。
课程安排:
1.Llama,chatglm等大模型介绍;
2.RLHF中的奖励模型;
3.RLHF中的PPO算法;
4.langchain框架介绍;
5.基于大模型构建智能客服系统
第30周   搜索与推荐:NLP在实际场景中的应用
通过学习搜索和推荐技术,了解NLP技术在搜索和推荐中的应用。了解LLM对搜索和推荐技术影响,并通过实战,学习如何将大语言模型应用到搜索和推荐系统中去。
课程安排:
1.搜索技术框架和常见技术;
2.推荐系统技术框架和常见技术;
3.基于LLM的推荐系统实战;
4.基于LLM的搜索引擎实战
阶段九:AI工程师入行&转化&就业&面试指导
1门课 /课程总时长:3小时
第31周   AI工程师入行&转行&就业&面试指导
本周给大家进行AI工程师入行与面试相关的指导,了解公司对AI算法工业者的能力要求,掌握更高效率的学术前沿知识获取方法,提高项目完整度与面试成功率。
课程安排:
1. 如何在简历中写好项目经历
2. 如何提升编程能力与算法能力
3. 常见的一些面试笔试问题
4. 如何保持学习,了解前沿技术