汉码未来在职研修班

人工智能(AI算法)

写在前面:

随着时代的发展，企业对人才的要求变高，单纯学python 或者嵌入式单学科是远远不够的，针对用人单位的具体要求及 技术的更新迭代情况，汉码未来5 人精品班开设了 AI 人工智能课程,全国独 一份非常全面而有实质内涵的物联网嵌入式课程,且是6个月的时间!除此之外，毕业前还要让学员脱离老师，真正进行独立实战开发，而且5人小班内每个学员的项目不一样，不得抄袭，真正让学员掌握一技之长，能拥有珍贵的独立开发和独立解决问题能力!最后，毕业答辩+面试指导，为就业助力添彩!就业后遇到技术难题可随时联系老师给出解决思路，工作几年后想跳槽也可联系老师给予内推,终身保技术，保就业,保薪资!一次合作，终身朋友!

全国独有 AI人工智能算法让学员掌握了丰富且有深度的专业技术,有硬本领，才有好就业!除此之外，还有以下3大特征:

1.全国独一份以 AI核心算法为主线，贯穿全流程的精品课

2.全国独一份专做精致 5 人精品小班课的物联网嵌入式机构

3.全国独一份实践+理论训练式教学模式，非常注重实战，拥有自己的研发公司及“非摆设”实验室，实战出真知!

请问主讲项目有那些?高精尖项目震撼来袭!

1.基于 sklearn 工具和鸢尾花数据集

项目简介:本项目旨在利用sklearn库对鸢尾花数据集进行逻辑回归分析，以实现对鸢尾花类别的准确预测。

核心技术:sklearn库、逻辑回归算法、数据预处理技术。

功能实现:利用sklearn 加载尾花数据集，经划分训练集与测试集、特征标准化处理后，使用逻辑回归模型训练，再对测试集预测，通过准确率、分类报告、混淆矩阵评估性能并可可视化展示结果

2.Python-情感分析系统

项目简介:情感分析系统，是基于 python的AI项目，输入的文本进行情感分类，判断其为积极或消极情感。

核心技术:词袋模型(BagofWords)，TF-IDF(词频-逆文档频率)，朴素贝叶斯分类器，支持向量机(SVM)

功能实现:可将其应用于社交媒体监测、电商评论分析等实际业务场景，为企业和组织提供有价值的情感洞察信息。

3.AI的数据驱动力--数据预处理工程

(1)项目简介:AI 算法和数据分析的客户流失预测项目。利用 AI 算法和数据分析预测客户流失，企业能提前采取措施，挽留潜在流失客户，降低客户流失率。

(2)核心技术:数据分析利用 pandas 和 matplotlib、seaborn 等可视化库进行探索性数据分析，AI算法模型

(3)功能实现:建立一个有效的客户流失预测模型，能够准确预测客户是否会流失，为企业提供决策依据。生成详细的数据分析报告，展示各特征对客户流失的影响，帮助企业了解客户流失的关键因素，制定针对性的营销策略和客户挽留措施。

4.“pytorch 深度学习框架

(1)智能垃圾分类项目:掌握通过 Pytorch 训练图像分类模型

(2)酒店评论情感分析智能系统:掌握通过pytorch 训练情感分析模型

(3)使用 tensoflow 搭建 TextCNN、Lstm 的新闻文本分类:掌握通过 tensorflow 训练文本分类模型

5.AI计算机视觉核心技术-检测算法在人脸检测领域

(1)项目简介:在计算机视觉领域中,人脸相关研究一直被广大研究人员关注,人脸相关课题包括人脸检测,人脸识别,人脸姿态估计,特征点提取等等,其中,人脸检测是其他人脸相关研究的前提。本项目使用 wider Face 数据集数据集，通过搭建 YOLOv3 算法模型实现人脸检测。

(2)核心技术:数据分析，对数据进行处理:搭建 YOLOv3 算法:模型训练与优化技术,在搭建 YOL0v3 模型进行人脸检测时，需要设置合适的训练参数。

(3)功能实现:借助 Wider Face 数据集搭建 YOL0v3 模型，可实现多场景、多姿态、多尺度及部分遮挡下的人脸检测，涵盖不同光照、背景条件;该模型在合适硬件支持下能进行实时人脸检测，并可视化检测结果，为后续人脸识别等研究提供基础。

6.AIGG-基于 GPT 模型的智能问答助手项目

(1)项目简介:在信息爆炸的时代，人们需要高效获取准确信息。本项目旨在构建一个基于 GPT 模型的智能问答助手,它能理解用户输入的自然语言问题,并依据 GPT 强大语言理解与生成能力，快速提供准确、有价值的回答。

(2)核心技术:GPT模型:作为项目核心，能够处理复杂的自然语言问题，理解问题背后的意图，并根据所学知识生成连贯、准确的回答;API 调用技术，在Python 中利用openai 库进行 API 调用;自然语言处理基础技术辅助。

(3)功能实现:用户在简洁界面输入问题，后端借助 API将问题传给 GPT 模型，随即接收模型生成的回答。系统把GPT返回的回答，经适配处理后清晰展示在用户界面，完成问答交互。

7.NLP自然语言处理与LLM大语言--NLP与LLM 驱动的智能客服系统项目

(1)项目简介:本项目聚焦于打造一款创新型智能客服系统，深度融合自然语言处理(NLP)与大语言模型(LLM)技术，旨在彻底革新企业与客户的沟通交互模式。通过 NLP技术，系统对客户输入的文本进行全方位解析，包括分词、词性标注、句法分析，精准识别客户意图与提取关键实体信息。而 LLM 则凭借其强大的语言理解与生成能力，处理复杂问题，确保对话流畅自然，贴合实际语境。

(2)核心技术:自然语言处理(NLP)技术，文本预处理技术，意图识别技术，实体提取技术;大语言模型(LLM)技术，语言理解与生成能力，知识推理与问答。

(3)功能实现:借助NLP技术，系统对客户输入文本预处理、识别意图并提取实体，再结合 LLM 理解复杂语义，为回答提供支撑。系统链接企业知识库，依据NLP与 LLM 处理结果，快速匹配或生成答案，通过对话界面反馈给客户，完成服务流程。

请问主讲内容有哪些?

随着技术的飞速迭代，AI将如核聚变般释放巨大能量，从智能医疗的精准诊断，到智慧交通的高效疏导，AI应用不断拓展边界，未来发展充满无限可能。

学习搭建 Python 环境，用 Python 操作摄像头、进行数学运算、实现数据分析，掌握AI 核心数学知识。

深入掌握机器学习与深度学习模型的原理与优化学习方法,了解并且掌握常见的数据获取、数据整理、数据标注、数据增强方法。

掌握 PyTorch 深度学习框架，搭积木一样搭出自己想要的网络，从最基础的数据读取,到网络结构，到优化器和损失函数。

学习掌握以 CNN 和 Transformer 为代表的底层深度学习模型。

深入掌握几大计算机视觉领域核心方向的算法,全流程掌握直播&自动驾驶&视频分析等领域中的典型项目实践。

学习当前 AIGC相关的技术，掌握文生图代表性模型以及基于提示词与图像引导的可控图像编辑技术。

系统的掌握通过 NP 模型进行文本理解和文本生成理论基础、实践技巧;掌握核心 NLP问题的解决方法。

学习完前面的内容，已经可以满足企业级的需求了!最后，毕业答辩+面试指导，为就业助力添彩!就业后遇到技术难题可随时练习老师给出解决思路，工作几年后想跳槽也可开联系老师给予内推。终身保技术，保就业，保薪资!一次合作，终身朋友!

请问咱机构的优势有哪些?

汉码未来是腾讯/网易/博整亚洲论坛，三大官方认证的好口碑优质 IT品牌，是山东最大的本土 IT 机构，主要又是如下:

请问对于非计算机专业，不懂编程的小白，想零基础跨行转业的人来说，适合学吗?

可以的，汉码未来的5人精品班针对的就是零基础同学，无论你是跨行专业，还是本专业，都可以从零基础参加5人精品班。老师会用通俗的语言带领小白由浅入深，循序渐进地学习，顺利地进入 IT 行业。课程标准来源于一二线大厂，掌握后相当于 1-2年 AI 算法工程师开发经验，拥有优质的程序员工作能力。

请问学习时间是多久?学习之后能达到什么水平?

大概需要6个月左右的时间，当然和每个人的基础水平、接受能力和进度安排都有关我们不是一刀切的机构，5人精品班有非常强的灵活把握能力，我们承诺学不会免费重学,直到学会为止，学不好学不会我们也不会让学员走的。一般情况下，每天保持理论课 2-4小时左右，实践课至少 4-6 小时左右，晚自习2小时(不强制)，周六开放，周日休息，5-6个月左右是可以顺利毕业的。最后可以达到脱离老师、自己独立开发项目的水平，到企业以后可以独挡一面!

请问毕业后的薪资大概是多少?

就业成绩

任何虚假的保就业都不可信，我们注重保技术，“保技术”才是最真的“保就业”，因为就业的根本是技术水平!汉码未来每年都实现了全员就业，目前合作企业近1000家，全国一线、二线城市为主，毕业生供不应求单位一般会提前打招呼要人。

简历不造假，让学员凭真才实学拿高薪!

就业工资

一线城市就业平均薪资7000-12000左右，截止当前最高薪资达到21000元二线城市就业平均薪资5000-9000左右，截止当前最高薪资达到12750元以上均为学员学完之后就业薪资，随着项目技术经验的积累，两年后一线城市平均薪资在25000-30000左右二线城市平均在8000-10000左右，随着技术的沉淀，薪资不断增加。

因为自己的研发公司经常招聘，对企业用人标准了如指掌!

切记:就业的前提是技术，“保技术”才能“保就业”，技术永远是第一位的!

能进行完整项目的开发，拥有独立解决问题的能力，是企业非常关注的一项能力!

阶段一:从 AI全面认知到基础落实-python，必备教学

1.快速了解认识人工智能

涵盖人工智能的概念、背后的发展历史、典型研究方法与学科、就业市场与前景。

(1) 从0开始全面了解认知人工智能

(2) 探讨人工智能的发展历程与趋势

(3) 细致分析人工智能的主要研究方法

(4) 系统了解人工智能领域相关的学科

(5) 精准分析人工智能就业方向及所需能力

2.Python 入门与进阶

把手带领大家，从如何安装 Pyhon 安装起步，直到写出第一个程序，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。

1)讲解如何安装和使用 Anaconda、PyCharm 等编程软件

2)学习 input()输入、print()输出以及程序流程控制语句

3)进行 Python 序列知识讲解

4)掌握 Python函数的定义、语法，以及模块与文件操作

5)学习 Python 的面向对象编程，理解代码的继承，包括单继承、多重继承

6)Python 在AI 中的应用实战，机器学习、深度学习、自然语言处理、计算机视觉

3.Python 高级编程

如何用 Python 处理文本文档、excel 表格、图片以及视频，同时掌握绘制折线图、条形图等常用图形的方法，满足科研作图需求

(1)介绍处理文本文档信息的核心基础操作，包括文件的读取写入、修改以及信息提取

(2)运用 pandas 处理表格数

(3)利用pandas 对表格进行基本分析并绘图

(4)使用Matplotlib 处理图片

(5)借助 0penCv 进行视频处理

(6)运用 pickle 进行文件数据序列化处理

(7)学习 PyQt 为程序构建可互动界面，实现软件包装

阶段二:数据预处理工程

1.数据获取、整理与应用

本阶段旨在全面了解并熟练掌握数据获取、整理、标注以及增强的各类方法，同时深入探究 imgaug 数据增强库的使用。具体学习内容如下:

(1)学习数据获取方法，比如:网络爬虫、公开数据集、传感器采集和问卷调查

(2)掌握一般的数据整理方法，从数据清理、数据转化、数据分组与聚合和数据排序与筛选进行整理数据

(3)掌握数据标注工具 1abe1 studio，学习安装与启动、项目创建与配置、数据导入、标注操作和标准结果管理

(4)掌握常见的数据增强方法，图像数据增强、文本数据增强和音频数据增强

(5)学会使用 imgaug 数据增强工具，对图像数据进行多样化的增强操作

阶段三:人工智能底层基石-三大必备 AI 数学基础

通过简单易懂的案例，帮助学员回顾线性代数、微积分以及概率论的相关知识。

(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，向量、矩阵、行列式、特征值和特征向量和线性方程组

(4)微积分相关知识点理论讲解与核心应用代码讲解，导数、微分、积分和多元函数微积分

(5)概率论相关知识点理论讲解与核心应用代码讲解，基本概念、概率的定义与性质、离散型随机变量及其分布、连续型随机变量及其分布和数学期望与方差

(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

(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

阶段四: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

1. 解锁人工智能的核心-机器学习

深入学习机器学习基础知识，涵盖机器学习概念、模型分类、评估与优化目标，并结合典型案例进行实践，具体内容如下:

(1)掌握机器学习工具的基本流程，熟悉机器学习任务从数据处理到模型评估的全流程。

(2)掌握特征的概念与使用，数据收集与特征提取、特征预处理和特征选择算法

(3)了解不同机器学习模型的分类，常见的有根据学习任务、学习方式、模型结构进行分类

(4)学会常见机器学习模型的评估方法，分类模型的准确率、召回率、F1 值等;回归模型的均方误差、平均绝对误差等;聚类模型的轮廓系数、Calinski-Harabasz 指数

(5)常见机器学习模型的学习优化目标是模型训练的关键指引，线性回归、逻辑回归、支持向量机、决策树和神经网络，这是模型训练过程中的关键指引。

(6)学习使用 python 机器学习工具 sklearn，安装、导入必要的库和模块、数据加载与预处理、模型选择与训练、模型预测与评估

(7)基于 sklearn 工具和鸢尾花数据集，进行逻辑回归实战，将理论知识应用到实际项目中。

2.处理和学习复杂的数据-神经网络

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，并通过单层神经网络与多层神经网络典型案例进行实践

(1)感知器的学习原理，学习感知器的模型结构、学习目标、学习算法以及算法的具体步骤。(2)理解神经网络的模型结构，深入理解神经网络的模型结构，包括神经元、层、连接与权重的概念，以及不同的网络架构类型

(3)单层与多层神经网络能力，了解单层神经网络与多层神经网络在处理数据和解决问题方面的能力差异。

(4)学习梯度下降算法,理解梯度下降算法的原理,并通过实践掌握其用于寻找函数最小值的方法

(5)反向传播算法,主要用于计算神经网络中误差对每个权重的梯度,从而实现对权重更新的方法。

(6)理解 RNN与LSTM 模型结构，理解循环神经网络(RNN)与长短期记忆网络(LSTM)的模型结构以及它们在处理时序数据方面的优势。

3.处理具有网格结构数据的任务-卷积神经网络(CNN)

(1)掌握二维卷积与多通道卷积的原理，通过定义、计算过程全面掌握

(2)掌握池化的原理，从最大池化、平均池化和全局池化学习入手

(3)了解步长和填充，从定义、对输出特征图尺寸的影响、对特征提取的影响、概念和作用学习

(4)掌握反卷积的原理，从基本原理、运算过程和应用场景初步学习

(5)了解卷积反向传播算法，误差项的反向传播、卷积层参数的梯度计算和输入特征图的梯度计算

(6)学习典型卷积神经网络的搭建，LeNet-5网络结构:由输入层、卷积层、池化层、全连接层和输出层等部分构成。

4.使用深层神经网络来解决复杂的任务-深度学习优化

(1)学习常见的参数初始化方法，从随机初始化、零初始化、Xavier 初始化、He 初始化和预训练模型初始化学习，了解不同方法对模型训练的影响。

(2)学习激活函数，如Sigmoid 函数、Tanh 函数、ReLU 函数、Leaky ReLU 函数和 Softmax函数的原理和应用场景。

(3)学习常见的标准化方法，如:数据标准化、最大-最小标注化、标准化层、层标准化和实列标准化，了解其在加速模型收敛和提高模型稳定性方面的作用

(4)学习常见的正则化方法，如:L1正则化和L2 正则化、Dropout、数据正确和提前停止

(5)掌握常见的学习率迭代策略，学习固定学习率、步长衰减、指数衰减和余弦退火，了解如何调整学习率以优化模型训练过程。

(6)学习常见的最优化方法，基于梯度的方法和无梯度，了解它们的优缺点和适用场景。

阶段五:Pytorch从基础到进阶

1.PyTorch 数据处理与网络模型构建

本部分旨在全面掌握 PyTorch 基础，涵盖张量操作、网络搭建、优化工具及数据预处理，为深度学习模型开发筑牢根基。

(1)PyTorch 的安装，根据不同操作系统(Windows、Linux、Mac0s)和 Python 环境，掌握通过官方推荐渠道(如 pip、conda)安装 PyTorch 的正确流程，确保安装的版本与硬件(如 GPU)和其他依赖库兼容。

(2)Tensor 的相关数据处理，从数据类型转化、维度操作、数学运算和索引与切片

(3)学习用 dataloader 加载数据集，学习使用 PyTorch 的 DataLoader 类

(4)卷积层、池化层与全连接层的介绍，从定义与工作原理了解学习

(5)网络的正则化技术，有L1和L2正则化、Dropout、Batch Normalization

(6)学习逐层搭建自定义的卷积神经网络，从输入层开始，逐步添加卷积层、池化层、全连接层等，构建具有特定功能(如图像分类)的自定义卷积神经网络，理解网络结构设计对模型性能的影响。

2.深入 PyTorch 模型的训练与可视化

此部分聚焦模型训练环节，涵盖损失函数选择、优化器调优、模型保存与迁移，以及借助 Tensorboard 进行可视化，助力高效训练模型。

(1)损失函数与优化器

(2)掌握模型权重文件的保存与加载，分别介绍在 PyTorch 和 TensorFlow 中模型权重文件的保存与加载方法

(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，考虑设备的硬件特性、计算能力以及软件环境等因素,学会使用 PyTorch 的 device 机制,将模型和数据灵活部署到 CPU、GPU 或多 GPU环境中进行训练，充分发挥设备性能，加速训练过程。

(5)掌握用 Tensorboard记录训练数据，并将数据进行可视化

阶段六:AI核心算法+方法经典深度学习模型实战

1.CNN 图像处理模型

深入学习各类经典卷积神经网络(CNN)的模型结构，理解其设计理念与在图像处理任务中的优势，为图像相关应用开发奠定基础。

(1)学习 A1exNet 模型结构，模型结构:输入层、卷积层、池化层和全连接层;了解各

层在图像特征提取和分类过程中的具体作用

(2)学习 VGGNet 模型结构，掌握 VGGNet以卷积层和池化层为主干的网络结构，及输入层针对图像数据的预处理方式

(3)学习 InceptionNet 模型结构，全面学习 Inception 系列模型，包括 Inception v1至Inception- ResNet。

(4)掌握1X1卷积模型结构，从基本结构、在模型中的作用及结构表现和与其他卷积结合的结构形式学习

(5)掌握 ResNet 和 DenseNet 模型结构,:从网络连接方式和整体结构入手,学习 ResNet的残差连接设计如何解决深度网络训练中的梯度消失和梯度爆炸问题,使得网络可以构建得更深。

(6)掌握 SqueezeNet 模型结构，模型结构:Fire 模块和整体网络结构，掌握 Fire 模块内部通过挤压(Squeeze)和扩展(Expand)操作

2.移动端AI高效率分组模型

学习专为移动端设计的高效率分组模型，了解其通过优化网络结构减少计算量和参数以适应移动端硬件资源限制，同时保证模型性能的方法。

(1)MobileNet V1模型结构，模型结构主要基于深度可分离卷积，以减少模型参数和计算量，提高运行效率

(2)MobileNet V2模型结构，MobileNet V2 在 MobileNet V1 的基础上进行了改进，引入了倒残差结构和线性瓶颈等创新设计，进一步提高了模型的性能和效率

(3)shuffleNet V1模型结构，学习 ShuffleNet V1 的核心组件模型结构:核心组件、整体网络结构和超参数

(4)ShuffleNet V2 模型结构，:深入理解 ShuffleNet V2 的核心设计原则，模块结构:核心设计原则、主要模块、整体网络结构和超参数

(5)整体网络结构和超参数

3.卷积注意力模型

学习卷积注意力相关模型,理解注意力机制如何在卷积神经网络中增强模型对重要特征的关注，提升模型性能。

(1)掌握注意力模型基础和应用，掌握注意力模型的基本原理，理解其如何通过计算不同位置或通道特征的重要性权重，引导模型聚焦于关键信息。

(2)掌握 SENet 等模型结构，理解 Squeeze 和 Excitation 操作

(3)从零搭建 SENet，核心是 Squeeze 和 Excitation，掌握从零搭建 SENet 模型的方法。

(4)掌握空间注意力STN模型结构，模型结构主要由三部分组成:定位网络(LocalizationNetwork)、网格生成器(Grid Generator)和采样器(Sampler)

(5)能从零搭建 STN,STN 由定位网络(LocalizationNetwork)、网格生成器(Grid Generator)和采样器(Sampler)三个主要部分组成，将这些部分整合为一个完整的 STN 模型，并应用于实际的计算机视觉任务中。

(6)混合注意力 BCBAM和 BAM 模型结构

(7)能从零搭建 CBAM，:卷积块注意力模块，能够在图像识别等任务中提升模型性能。

4.Transformer 基础

深入理解 Transformer 架构的核心概念和机制,为学习基于 Transformer 的视觉模型及自然语言处理应用莫定基础。

(1)掌握Self-Attention(自注意力)机制，从原理、计算过程、优点和应用学习

(2)掌握多头自注意力机制，是在自注意力机制基础上发展而来，从原理、计算过程、优

点和应用学习

(3)掌握Token 概念，理解在 Transformer 中 Token 的含义，掌握如何将原始数据转化为Token 序列，以及 Token 在 Transformer i模型中的传递和处理过程，Token 的表示方式对模型理解和处理数据的重要性

(4)掌握位置编码原理，相对位置与绝对位置、正弦位置编码和学习型位置编码

(5)掌握掩码的作用，从自然语言处理、计算机视觉和深度学习训练过程学习其中作用

5.Vision Transformer 模型

学习专为计算机视觉任务设计的 Transformer 模型,了解其如何将 Transformer 架构应用于图像数据处理，突破传统 CNN 的局限性。

(1)掌握 ViT模型结构，理解如何将图像划分为多个图像块(Patches)，并将其转化为序列输入到 Transformer 架构中。

(2)掌握 DeViT 模型结构，模型结构特点;分析 DeViT 相比 ViT 在模型性能和对图像变形、遮挡等情况处理能力上的提升。

(3)掌握Mobile ViT 等高效率模型结构，研究 Mobile ViT 等针对移动端或资源受限环境设计的高效率 Vision Transformer 模型结构

阶段七: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

1.视觉领域:图像分类技术与项目实战

通过完成人脸表情识别、生活用品多标签图像分类项目,全面掌握图像分类技术从理论到实践的全流程。

(1)了解图像分类问题划分，从分类模型的训练方式、数据的模态等角度进行划分

(2)了解多类别图像分类模型结构，从常见的学习:传统卷积神经网络结构、基于残差连接的网络结构和基于注意力机制的网络结构

(3)了解多标签图像分类方法，了解多标签图像分类与传统单标签分类的区别:学习常见的多标签分类方法;掌握处理一张图像对应多个标签情况的原理和应用场景。

(4)掌握从零搭建图像分类模型并实现训练与测试

(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

2.工业领域:目标检测技术与项目实战

深入学习目标检测技术，通过基于 YOL0 v5 实现车牌目标检测项目，掌握目标检测从理论到实际应用的关键环节。

(1)了解目标检测基本流程，包括数据准备、模型选择与训练、模型评估以及预测部署

(2)了解目标检测评估指标，常见的评估指标:基本指标、综合指标、其他指标

(3)掌握非极大值抑制目标检测后处理方法，从基本原理和算法步开始学习

(4)掌握 YOL0 v1-v8 的系列算法原理，系统学习 YOLO(You 0nly Look 0nce)系列算法从 v1 到 v8 的演进过程。

(5)掌握基于 YOL0 v5 实现车牌目标检测任务的完整流程

3.医疗与直播领域:图像分割技术与项目实战

通过 SimpleNet 人脸分割实战，深入学习图像分割技术在医疗与直播领域的应用。

(1)了解图像分割问题划分，常见的:按分割目标划分、按分割方法划分和按应用领域划分

(2)理解语义分割经典模型 FON，原理、网络结构、训练和推理等方面进行介绍

(3)掌握语义分割经典模型 UNet，从其网络结构、原理、训练及特点等方面进行介绍

(4)学习膨胀卷积原理，从其原理、作用及应用场景等方面进行介绍

(5)学习语义分割经典模型系列Deeplab， 学习Deeplab vl 到 Deeplab v3 +

(6)理解从零搭建图像分割模型并实现训练与测试的完整流程

4.视频分析领域:视频分类技术与项目实战

通过 3DCNN模型视频分类实战，深入学习视频分类技术

(1)了解 3D 卷积原理

(2)掌握 3DCN模型结构，3DCNN 模型结构的主要组成部分:输入层、卷积层、池化

层，输出层和全连接层

(3)掌握C(2+1)D模型结构，结合了 2D 卷积和 3D 卷积的特点

(4)了解视频分类任务与数据集，从任务定义、流程、应用场景以及相关数据集等方

面进行详细介绍

(5)掌握从零搭建 3DCN 模型并实现训练与测试的完整流程

5.自动驾驶领域:自动驾驶感知算法技术与项目实战

通过道路分割与车牌识别实战，学习自动驾驶感知算法在实际场景中的应用

(1)    学习 CityScape 数据集，该数据集专门用于城市街道场景理解。

(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，专门用于车牌识别的轻量级神经网络框架，从其整体架构、主要模块、损失函数等方面进行介绍

(4)学习使用 LPRNet 训练车牌识别模型，基于 LPRNet 框架，进行车牌识别模型的训练

(5)掌握从零搭建 3DCNN 模型并实现训练与测试的完整流程

5.自动驾驶领域:自动驾驶感知算法技术与项目实战

通过道路分割与车牌识别实战，学习自动驾驶感知算法在实际场景中的应用。

(1)学习 CityScape 数据集，该数据集专门用于城市街道场景理解。

(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，专门用于车牌识别的轻量级神经网络框架，从其整体架构、主要

模块、损失函数等方面进行介绍

(4)学习使用 LPRNet 训练车牌识别模型，基于 LPRNet 框架，进行车牌识别模型的训练

(5)掌握从零搭建 3DCN 模型并实现训练与测试的完整流程

阶段八:AIGC火热领域技术与项目-文本图像生成&扩散模型

1.      生成对抗网络GAN技术与项目实战

通过 GAN 模型图像生成实战，深入理解生成对抗网络的原理与应用。

(1)学习扩散模型原理

(2)理解从零搭建扩散模型并实现训练与测试的完整流程，从零搭建扩散模型并实现训练与测试的完整流程

(3)理解稳定扩散模型 $table Diffusion 原理，原理主要涉及正向扩散过程、反向扩散过程和基于 Transformer 的架构

(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

2.扩散模型技术与项目实践

带领学生进行扩散模型图像生成实战

(1)生成对抗网络(GAN)原理，核心思想是通过生成器(Generator)和判别器(Discriminator)的对抗博弈过程进行学习

(2)生成对抗网络(GAN)的优化目标与评估指标

(3)生成对抗网络(GAN)基本结构，由生成器(Generator)和判别器(Discriminator)两部分组成

(4)条件生成对抗网络模型结构，模型结构主要是在生成器和判别器中都加入了条件输入

(5)从零搭建 DCGAN 模型并实现训练与测试的完整流程

3.扩散模型图像生成与编辑进阶

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 Contro1Net 的交互式图像生成与编辑。

(1)掌握 ControlNet 原理，用于图像生成和编辑的技术

(2)掌握基于 Contro1Net 的交互式图像生成与编辑实战，涉及安装相关库、准备数据、训练模型、进行图像生成与编辑步骤

(3)了解stable diffusion webui 等工具

(4)了解视频生成工具 Moonvalley

阶段九:NLP自然语言处理与 LLM大语言模型应用实战

1.探索自然语言处理与词向量

深入了解自然语言处理的起源、发展脉络，明确其核心任务，并掌握基础的分词与词向量技术，为后续学习筑牢根基。

(1)自然语言处理发展历史

(2)自然语言处理常见任务，全面认识自然语言处理涵盖的各类任务，包括但不限于文本分类、机器翻译、问答系统、信息抽取、文本生成等。理解各任务的定义、应用场景及面临的挑战，明确 NP 在实际场景中的应用方向。

(3)自然语言处理中的分词，学习分词这- NP 基础预处理步骤，掌握将连续的自然语言文本分割成独立词语单元的方法。

(4)自然与语言处理中的词嵌入，将自然语言中的单词转换为计算机能够处理的向量表示。

2.NLP 特征提取器:解锁文本数据

熟练掌握 NLP 中文本特征抽取的流程与核心方法，学会运用不同模型从文本中挖掘有效信息，提升 NLP 任务处理能力。

(1)循环神经网络及 LSTM，从基本原理和应用场景来学习

(2)NLP 中的卷积神经网络 CNN，掌握卷积神经网络(CNN)在 NLP 领域的应用。 (3)attention 机制及 Transformer

(4)LSTM与文本分类，以文本分类任务为切入点，深入实践 LSTM 的应用

(5)膨胀卷积与命名实体识别，学习膨胀卷积在命名实体识别任务中的应用

3.预训练模型:NLP任务的颠覆性力量

通过深入学习 BERT、GPT 等主流预训练模型，掌握其结构、用法及差异，学会在实际场景中运用预训练模型提升 NLP任务性能。

(1)预训练模型 BERT 及非结构化数据信息抽取实战，从预训练模型 BERT 的原理、特点以及在非结构化数据信息抽取实战中的应用步骤方面进行学习

(2)GPT 模型及生成式任务实战

4.AI大语言模型核心技术与实战

掌握大语言模型分布式预训练技术，了解相关训练框架,学习大模型有监督微调和高效参数微调方法，提升大模型应用能力

(1)大语言模型分布式预训练，深入理解大语言模型分布式预训练的原理和必要性。

(2)分布式训练框架 deepspeed，基于 PyTorch 构建，旨在提高大规模模型训练的效率和可扩展性。

(3)大模型有监督微调，从目的，步骤和技术挑战进行学习

(4)大模型高效参数微调 1ora，理解 1ora 通过在预训练模型的基础上引入低秩矩阵对模型参数进行微调，显著减少需要更新的参数数量，从而降低微调成本和计算资源需求的原理;掌握 lora 的应用步骤

5.AI大语言模型进阶与实战

深入比较常见大语言模型差异，掌握人类反馈式强化学习技术及相关框架，通过构建智能客服系统实现大模型应用落地。

(1)Llama，chatglm 等大模型介绍，了解它们的模型架构、训练数据、性能特点以及在不同应用场景中的表现。

(2)RLHF 中的奖励模型，从定义与作用、构建方式、训练与优化和挑战与问题开始学

(3)RLHF 中的 PPO 算法，从算法原理、优势、应用等方面进行学习

(4)1angchain 框架介绍，了解其作为一个专门用于构建基于大语言模型应用的框架,提供了一系列工具和模块，简化了大语言模型与外部数据、其他应用组件的集成过程。

(5)基于大模型构建智能客服系统，以构建智能客服系统为实践目标

6.NLP 在实际场景中的应用

(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 的推荐系统实战和搜索引擎实战

阶段十:独立实战及面试指导

1、独立毕业实战

学习完前面的内容，已经可以满足企业级开发的需求了，毕业前每个人进行独立实战开发，都是前后端分离的大项目，高端5人小班内每个学员的独立实战项目都不一样，互相之间无法抄袭，让学员能够脱离老师以后，独立从需求分析，架构数据库，到编写代码，修复bug，再到走通所有功能，成功部署上线，整个流程自己走通，真正掌握一技之长!

2、毕业答辩

独立实战项目完成后，我们将进行毕业答辩，学员向项目经理讲解功能的实现以及开发过程中的重点难点，项目经理从多角度进行提问，合格者顺利结业。

3、面试指导

为了帮大家准备面试，还专门设计了一对一面试指导，介绍面试中的注意事项，对常见面试问题进行解析