• 0

    消息 标记为已读

    没有消息

    查看全部
  • 登录/注册
  • 我的班级
  • AI人工智能职业课程

    教学服务
    365
    视频时长
    127小时
    学习人数
    12
    中国人保教育培训险
    开始学习
    有位老师想跟你聊一聊

    Hi,我是你的学习规划师

    不知道选什么课?和我聊聊吧!

    规划学习路径
    • 学习中
    • 已学完
    • 未学习
    • 即将上线

    人工智能开发基础理论

    39课时60小时25分

    L1
    Python程序设计

    Python程序设计课程服务于机器学习、深度学习等人工智能核心课程,详细介绍了python面向过程编程的基础语法,如变量、表达式、语句、函数等概念;对Python程序中特有的列表、元组、字典、集合、字符串等容器类型的典型操作给出了详尽的示例;阐述了面向对象编程的基本概念,以及封装、继承、多态三大面向对象编程的核心特性;在此基础上深化了模块与包、函数重写、迭代器与生成器、函数式编程等python编程

    D1 Python入门 D2 变量和简单数据类型 D3 语句
    D4 列表与元组 D5 字符串 D6 字典与集合
    D7 函数 D8 类与对象 D9 封装
    D10 继承 D11 多态 D12 程序结构
    D13 异常 D14 函数的重写与重载 D15 迭代器与生成器
    D16 函数式编程 D17 文件IO
    L2
    矩阵运算

    Numpy库是Python中用于科学计算、数据分析和机器学习的底层库,补充了Python语言所欠缺的数值计算能力。本课程中详细介绍了一维、二维数组的创建、索引访问、切片访问的使用技巧,同时对Numpy中一写常见功能函数做了实例演示,结合课堂的编程作业,可以帮助学习者快速入门Numpy程序设计。为后续机器学习、深度学习课程操作数组打下良好基础。

    D1 Numpy基础 D2 二维数组 D3 数组的访问
    D4 数组操作 D5 Numpy中的函数 D6 线性代数
    D7 高维数组
    L3
    Python的第三方库

    掌握Python的第三方库

    D1 Matplotlib基础 D2 基本使用 D3 绘制图形
    D4 Pandas基础 D5 Series & DataFrame D6 数据清洗与绘图
    L4
    Python的数据结构

    该阶段课程介绍了数据结构与算法的基本概念,主要内容包括Python面向对象程序设计,普通线性表、栈和队列、二叉树等数据结构的Python实现,常见排序算法、查找算法的原理与实现等基本知识。

    D1 数据结构与算法基础 D2 线性结构 D3 树型结构
    D4 排序算法 D5 查找算法
    L5
    Git使用与学习

    掌握Git使用与学习

    D1 Git教程导学 D2 Git教程练习 D3 GitHub操作
    D4 Pycharm集成Git、GitHub和码云

    人工智能基础开发核心课程

    54课时51小时49分

    L6
    人工智能的微积分基础

    熟悉人工智能中常见的微积分的知识点,为机器学习和深度学习打下基础。

    D1 为什么要学微积分、导数的含义、斜率的极值和极小值 D2 常见的导数、不可微函数、导数的性质、切平面和偏导数、梯度
    L7
    机器视觉与OpenCV

    了解机器视觉与OpenCV,掌握图像识别与检测的实现。

    D1 计算机眼中的图像 D2 灰度化 D3 二值化
    D4 自适应二值化 D5 形态学变换 D6 图片颜色识别
    D7 图像颜色替换 D8 ROI切割 D9 图像旋转
    D10 图像镜像旋转 D11 图像缩放 D12 图像矫正
    D13 图像添加水印 D14 图像噪点消除 D15 图像梯度处理
    D16 图像边缘检测 D17 凸包特征检测 D18 机器视觉部分
    L8
    机器学习算法原理与实践-入门

    机器学习算法原理与实践-入门

    D1 机器学习介绍与定义 D2 KNN决策边界 D3 距离计算方式
    D4 使用数学方法实现KNN D5 前向传播与损失函数 D6 反向传播的学习率与梯度下降
    D7 自求导的方法实现线性回归算法 D8 深度学习框架PyTorch的tensor(1) D9 深度学习框架PyTorch的tensor(2)
    D10 基于PyTorch框架的线性回归原理 D11 PyTorch技巧与模型查看 D12 基于TensorFlow框架的线性回归
    D13 TensorFlow技巧与模型查看 D14 基于PaddlePaddle框架的线性回归 D15 PaddlePaddle技巧与模型查看
    D16 PM2.5预测项目 D17 房价预测项目
    L9
    概率论与统计

    掌握数学的方法实现线性回归

    D1 概率与事件 D2 生日问题与概率的反直觉、条件概率 D3 贝叶斯与朴素贝叶斯
    D4 随机变量与离散分布 D5 连续概率分布与数学概念 D6 贝叶斯分类案例
    D7 贝叶斯多分类案例
    L10
    机器学习算法原理与实践-深化

    掌握深度学习算法和框架

    D1 曲线拟合与非线性化、阶跃函数 D2 sigmoid、tanh、ReLU、Softmax激活函数 D3 leaky ReLU、PReLU、ELU激活函数
    D4 极大似然估计与交叉熵损失函数 D5 逻辑回归与二分类问题 D6 逻辑回归项目实现与练习
    D7 SVM支持向量机的原理与复现 D8 SVM支持向量机的项目实现与练习 D9 均值聚类的原理与复现
    D10 均值聚类项目实现与练习

    人工智能深度开发核心课程

    82课时14小时24分

    L11
    深度学习基础与实践

    掌握深度学习基础与实践

    D1 全连接与链式求导法则 D2 Softmax与交叉熵 D3 优化器和优化方法
    D4 神经网络的可解释性与欠拟合 D5 神经网络的过拟合 D6 神经网络的正则化
    D7 深度学习回顾与任务 D8 深度学习基础 D9 知识回顾
    L12
    神经网络的过拟合解决方案

    神经网络的过拟合解决方案

    D1 卷积为什么能识别图像原理 D2 卷积为什么能识别图像练习 D3 池化为什么能增强特征
    D4 多通道卷积、偏置过程 D5 基于PyTorch手写数字识别1 D6 基于PyTorch手写数字识别2
    L13
    视觉经典神经网络

    掌握视觉经典神经网络

    D1 AlexNet原理和结构 D2 AlexNet网络代码复现练习 D3 基于AlexNet网络的猫狗分类项目
    D4 基于AlexNet网络的花卉分类项目 D5 VggNet原理和结构 D6 VggNet网络代码复现练习
    D7 基于VggNet的中文手写识别项目 D8 基于VggNet的FashionMNIST分类项目 D9 GoogLeNet原理和结构
    D10 ResNet残差网络原理与结构 D11 ResNet网络代码复现练习 D12 基于ResNet的汽车分类项目
    D13 基于ResNet的密封蚂蚁分类项目 D14 MobileNetV1原理与结构 D15 MobileNetV2原理与结构
    D16 MobileNetV3原理与结构 D17 MobileNetV3网络代码复现练习 D18 基于MobileNetV3的kaggle动物分类项目
    D19 基于MobileNetV3的kaggle水果分类项目 D20 不同的卷积与实现深度卷积、扩展卷积、空洞卷积、分组卷积
    L14
    NLP-循环神经网络

    掌握NLP-循环神经网络

    D1 DNN的时序预测与缺陷 D2 基于DNN实现风电功率预测项目 D3 RNN为什么能做时序预测?RNN相比与DNN的网络结构与优势
    D4 基于RNN实现风电功率预测项目 D5 RNN的梯度消失和梯度爆炸 D6 WordEmbedding词嵌入
    D7 Word2Vec D8 Word2Vec优化 D9 LSTM长-短期记忆网络的结构和函数
    D10 实现一个LSTM的网络结构并查看矩阵结构 D11 LSTM长-短期记忆网络实现风电功率预测 D12 BiLSTM的结构和函数
    D13 GRU的门结构,GRU的基础结构和函数 D14 GRU实现风电功率预测 D15 词频统计+情感分类项目
    L15
    Transformer

    掌握Transformer

    D1 Encoder-decoder编码部分 D2 Encoder-decoder解码部分 D3 Encoder-decoder复习总结
    D4 基于Encoder-Decoder对话机器人原理 D5 基于Encoder-Decoder对话机器人复现与训练 D6 注意力机制的引入
    D7 注意力机制 D8 点积注意力为什么需要缩放 D9 自注意力(self-attention)
    D10 多头注意力(multi-head attention) D11 soft-attention D12 位置编码
    D13 Layer Normalization D14 Attention中的mask D15 Transformer(结构原理)总体结构
    D16 Transformer(结构原理)注意力层结构 D17 Transformer(结构原理)前馈层结构 D18 Transformer(代码实现各函数介绍1)
    D19 Transformer(代码实现各函数介绍2) D20 Transformer(代码实现各函数介绍3) D21 Transformer(代码实现各函数介绍4)
    D22 Transformer(代码实现各函数介绍5) D23 Transformer(代码实现各函数介绍6)
    L16
    语音场景与认识声音

    掌握语音场景与认识声音

    D1 认识声音 D2 语音场景原理和练习 D3 声音的梅尔特征
    L17
    生成式人工智能

    掌握生成式人工智能

    D1 生成式AI的发展历史与趋势 D2 判别式AI、生成式AI,生成式AI的优势 D3 学会使用生成式AI的工具,prompt的能耐
    D4 大语言模型的微调、fine-tuning D5 大模型的部署与微调(GPT) D6 大模型的部署与微调(BERT、G5)

    进阶实战

    99课时0小时0分

    L18
    PyQT课程

    掌握PyQT课程

    D1 PyQT5概念 D2 PyQT5安装 D3 创建PyQT5的第一个窗口
    D4 图像显示 D5 定时器-Qtimer的使用 D6 进度条 QProgressBar
    D7 PyQT的界面切换 D8 记事本实现--QMainWindows D9 文件浏览器、多媒体
    D10 事件 D11 网络编程 D12 PyQT中多线程
    D13 PyQT数据库 D14 sqllite D15 PyQT数据库、sqllite复习总结
    L19
    数据集标注与制作

    掌握数据集标注与制作

    D1 数据集标注与制作imglabel介绍 D2 数据集标注与制作labelme介绍 D3 动手制作一些简单的数据集
    L20
    工业流水线产品分类(图像分类、包含Linux的常用命令)

    掌握工业流水线产品分类(图像分类、包含Linux的常用命令)

    D1 3D场景数据通信与交互1 D2 3D场景数据通信与交互2 D3 3D场景数据通信与交互3
    D4 使用分类算法训练网络1 D5 使用分类算法训练网络2 D6 使用分类算法训练网络3
    D7 网络fine-tuning:预训练模型的使用 D8 网络fine-tuning:fine-tine整个网络 D9 网络fine-tuning:fine-tine全连接层
    D10 模型部署到场景1 D11 模型部署到场景2 D12 模型部署到场景3
    L21
    工业流水线产品实时检测(目标检测两阶段与单阶段)

    掌握工业流水线产品实时检测(目标检测两阶段与单阶段)

    D1 目标检测基础知识:目标检测概述 D2 目标检测基础知识:目标检测的挑战 D3 目标检测基础知识:目标检测的评估指标
    D4 目标检测发展与经典神经网络:RCNN D5 目标检测发展与经典神经网络:fastRCNN/fasterRCNN D6 目标检测发展与经典神经网络:SSD
    D7 YOLO的起源和原理 D8 如何将目标检测问题转化为一个回归问题 D9 一阶段(One-Stage)检测方法
    D10 网络结构解析 D11 全卷积网络(FCN) D12 多尺度特征融合
    D13 非极大值抑制(NMS)算法 D14 多尺度特征图 D15 损失函数
    D16 模型部署到场景(桃子1) D17 模型部署到场景(桃子2) D18 模型部署到场景(桃子3)
    D19 安全帽检测1 D20 安全帽检测2 D21 安全帽检测3
    L22
    目标分割的原理与实战

    掌握目标分割的原理与实战

    D1 分割算法的原理 D2 语义分割1 D3 语义分割2
    D4 实例分割、分割算法经典神经网络1 D5 实例分割、分割算法经典神经网络2 D6 实例分割、分割算法经典神经网络3
    D7 分割案例1 D8 分割案例2 D9 分割案例3
    L23
    大模型的部署与上线

    掌握大模型的部署与上线

    D1 Huggingface详细介绍与使用 D2 了解与部署ChatGLM D3 了解QWEN
    D4 部署QWEN D5 部署本地大模型和知识库 D6 大模型部署和推理框架 Xinference
    L24
    大模型的RAG、微调与Agent

    掌握大模型的RAG、微调与Agent

    D1 大模型的微调手段与优缺点 D2 大模型的知识检索增强介绍 D3 大模型的知识检索增强实践-实现垂直领域大模型1
    D4 大模型的知识检索增强实践-实现垂直领域大模型2 D5 大模型的知识检索增强实践,实现一个垂直领域大模型3 D6 大模型的agent智能体
    L25
    算法的NPU终端移植

    掌握算法的NPU终端移植

    D1 Linux常用命令1 D2 Linux常用命令2 D3 Linux常用命令3
    D4 基于3588的NPU进行移植(1) D5 基于3588的NPU进行移植(2) D6 基于3588的NPU进行移植(3)
    D7 基于3588的NPU进行移植(4) D8 基于3588的NPU进行移植(5) D9 基于3588的NPU进行移植(6)
    D10 移植YOLO的全过程(1) D11 移植YOLO的全过程(2) D12 移植YOLO的全过程(3)
    D13 移植YOLO的全过程(4) D14 移植YOLO的全过程(5) D15 移植YOLO的全过程(6)
    L26
    项目研发,集中模拟面试等等

    掌握项目研发,集中模拟面试等等

    D1 项目研发1 D2 项目研发2 D3 项目研发3
    D4 集中模拟面试1 D5 集中模拟面试2 D6 集中模拟面试3
    D7 集中模拟面试4 D8 集中模拟面试5 D9 集中模拟面试6
    D10 集中模拟面试7 D11 集中模拟面试8 D12 集中模拟面试9