AI人工智能算法工程師
從AI零基礎(chǔ)入門，打通視覺，NLP，機器學(xué)習，深度學(xué)習，推薦搜索，AIGC，大模型
引領(lǐng)行業(yè)的知識體系+工業(yè)級多領(lǐng)域綜合項目+資深專業(yè)講師團+全方位貼心服務(wù)
助力你平滑遞進式快速成為新時代搶手人才，多領(lǐng)域靈活就業(yè)

試看鏈接：https://pan.baidu.com/s/1lv5JRimmZlPZFxgK_cWAuA?pwd=yycg


章節(jié)目錄
階段一：從AI全面認知到基礎(chǔ)夯實-行業(yè)認知&python&必備數(shù)學(xué)
11門課 /課程總時長：16小時
第1周   快速搞清楚人工智能
本周學(xué)習人工智能相關(guān)基礎(chǔ)及其應(yīng)用，包括人工智能的概念，背后的發(fā)展歷史，典型研究方法與學(xué)科，就業(yè)市場與前景。
課程安排：
1. 從零全面快速認知人工智能
2. 探討人工智能的發(fā)展歷程與發(fā)展
3. 分析人工智能的主要研究方法
4. 了解人工智能領(lǐng)域相關(guān)的學(xué)科
5. 分析人工智能就業(yè)方向及能力
第2周   AI編程基石：Python入門與進階
Python是人工智能編程語言，本周將手把手帶領(lǐng)大家，從如何安裝Pyhon開始，到寫出第一個程序，掌握Python的輸入輸出、程序的流程控制、序列相關(guān)知識，函數(shù)，模塊，文件與文件夾操作和面向?qū)ο缶幊獭?/span>
課程安排：
1. 如何安裝和使用Anaconda,PyCharm等編程軟件
2. 學(xué)習輸入輸出、以及程序流程控制語句
3. Python序列知識講解，包括：列表、元組、字典與集合
4. 掌握Python的函數(shù)、模塊與文件操作
5. 學(xué)習Python的面向?qū)ο缶幊蹋斫獯a的繼承
6. Python 在AI中的應(yīng)用實戰(zhàn)
第3周   AI編程基石：Python高級編程
在人工智能中，經(jīng)常需要讀取數(shù)據(jù)，本周將會教大家如何用python處理文本文檔、Excel表格、圖片以及視頻。還有如何繪制出折線圖、條形圖等常用圖形，方便大家科研作圖。最后帶著大家做屬于自己的軟件界面，方便作品的展示。
課程安排：
1. 處理文本文檔信息核心基礎(chǔ)操作
2. 使用pandas處理表格數(shù)據(jù)
3. 運用 pandas對表格進行基本的分析、以及繪圖
4. 運用Matplotlib處理圖片
5. 運用OpenCV進行視頻處理
6. 使用 pickle進行文件數(shù)據(jù)序列化處理
7. 學(xué)習PyQt給程序做出一個可互動的界面，給軟件一個包裝
第4周   人工智能底層基石-三大必備AI 數(shù)學(xué)基礎(chǔ)
數(shù)學(xué)是人工智能的基礎(chǔ)，本周圍繞人工智能、尤其是深度學(xué)習中經(jīng)常遇到的數(shù)學(xué)知識進行展開，通過簡單易懂的案例，幫大家回顧線性代數(shù)、微積分以及概率論的相關(guān)知識。
課程安排：
1. 學(xué)習人工智能和其他領(lǐng)域中的線性代數(shù)、微積分、概率論應(yīng)用案例
2. 學(xué)會Numpy的安裝與簡單測試
3. 線性代數(shù)相關(guān)知識點理論講解與核心應(yīng)用代碼講解
4. 微積分相關(guān)知識點理論講解與核心應(yīng)用代碼講解
5. 概率論相關(guān)知識點理論講解與核心應(yīng)用代碼講解
6. 使用Numpy應(yīng)用實戰(zhàn)，如實現(xiàn)向量的加、減、點積和外積操作、求矩陣的特征向量、SVD分解等
7. 運用Python應(yīng)用實戰(zhàn)，如旋轉(zhuǎn)、放縮、繪制函數(shù)圖像并展示其切線、繪制三維函數(shù)圖像等
階段二：從AI核心技術(shù)理論體系構(gòu)建到項目實戰(zhàn)： 機器學(xué)習&深度學(xué)習
11門課 /課程總時長：15小時
第5周   機器學(xué)習 – 解鎖人工智能的核心
本周學(xué)習機器學(xué)習基礎(chǔ)知識，包括機器學(xué)習概念、機器學(xué)習模型分類、評估目標與優(yōu)化目標、典型案例實踐。
課程安排：
1. 掌握機器學(xué)習工具的基本流程
2. 掌握特征的概念與使用
3. 了解不同機器學(xué)習模型的分類
4. 學(xué)會常見機器學(xué)習模型的評估方法
5. 學(xué)會常見機器學(xué)習模型的學(xué)習優(yōu)化目標
6. 學(xué)習使用python機器學(xué)習工具sklearn
7. 基于sklearn工具和鳶尾花數(shù)據(jù)集，進行邏輯回歸實戰(zhàn)
第6周   神經(jīng)網(wǎng)絡(luò) – 處理和學(xué)習復(fù)雜的數(shù)據(jù)
本周學(xué)習神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識，包括前饋神經(jīng)網(wǎng)絡(luò)與時序神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、單層神經(jīng)網(wǎng)絡(luò)與多層神經(jīng)網(wǎng)絡(luò)典型案例實踐。
課程安排：
1. 掌握感知器的學(xué)習原理
2. 掌握神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)
3. 了解單層神經(jīng)網(wǎng)絡(luò)與多層神經(jīng)網(wǎng)絡(luò)的能力
4. 掌握梯度下降算法原理與實踐
5. 掌握反向傳播算法原理與實踐
6. 掌握RNN與LSTM模型結(jié)構(gòu)
7. 基于Python進行二維空間線性可分數(shù)據(jù)單/多層感知器實戰(zhàn)
第7周   卷積神經(jīng)網(wǎng)絡(luò)（CNN）-處理具有網(wǎng)格結(jié)構(gòu)數(shù)據(jù)的任務(wù)
本周學(xué)習卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識，包括卷積神經(jīng)網(wǎng)絡(luò)的基本概念，卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。
課程安排：
1. 掌握二維卷積與多通道卷積的原理
2. 掌握池化的原理
3. 了解步長和填充
4. 掌握反卷積的原理
5. 了解卷積反向傳播算法
6. 掌握典型卷積神經(jīng)網(wǎng)絡(luò)的搭建
第8周   深度學(xué)習優(yōu)化-使用深層神經(jīng)網(wǎng)絡(luò)來解決復(fù)雜的任務(wù)
本周學(xué)習當前主流的深度學(xué)習模型訓(xùn)練與優(yōu)化相關(guān)的技術(shù)（參數(shù)初始化、激活函數(shù)、標準化方法、學(xué)習率與最優(yōu)化方法、正則化方法）
課程安排：
1. 掌握常見的參數(shù)初始化方法
2. 掌握常見的激活函數(shù)
3. 掌握常見的標準化方法
4. 掌握常見的正則化方法
5. 掌握常見的學(xué)習率迭代策略
6. 掌握常見的最優(yōu)化方法
階段三：構(gòu)建AI的數(shù)據(jù)驅(qū)動力–數(shù)據(jù)預(yù)處理工程
2門課 /課程總時長：6小時
第9周   數(shù)據(jù)獲取、整理與應(yīng)用 – 構(gòu)建數(shù)據(jù)之源，驅(qū)動智能決策
本周學(xué)習深度學(xué)習之數(shù)據(jù)使用的相關(guān)內(nèi)容，使學(xué)生了解并且掌握數(shù)據(jù)獲取、數(shù)據(jù)整理、數(shù)據(jù)標注、數(shù)據(jù)增強方法等內(nèi)容，對imgaug數(shù)據(jù)增強庫進行了解。
課程安排：
1. 了解數(shù)據(jù)獲取方法
2. 掌握一般的數(shù)據(jù)整理方法
3. 掌握數(shù)據(jù)標注工具label studio
4. 掌握常見的數(shù)據(jù)增強方法
5. 學(xué)會使用imgaug數(shù)據(jù)增強工具
階段四：AI 深度學(xué)習框架實戰(zhàn)- Pytorch從基礎(chǔ)到進階
6門課 /課程總時長：7小時
第10周   PyTorch數(shù)據(jù)處理與網(wǎng)絡(luò)模型構(gòu)建
PyTorch是目前最火的深度學(xué)習框架，本周將從如何配置Pytorch環(huán)境開始，掌握一些基本的知識，包括張量、層結(jié)構(gòu)、網(wǎng)絡(luò)結(jié)構(gòu)搭建、優(yōu)化器及損失函數(shù)，學(xué)會數(shù)據(jù)讀取與增強。
課程安排：
1.PyTorch的安裝
2.Tensor的相關(guān)數(shù)據(jù)處理
3.如何用dataloader加載數(shù)據(jù)集
4.不同的數(shù)據(jù)增強方法
5.卷積層、池化層與全連接層的介紹
6.網(wǎng)絡(luò)的正則化技術(shù)
7.如何逐層搭建自定義的卷積神經(jīng)網(wǎng)絡(luò)
第11周   深入PyTorch模型的訓(xùn)練與可視化
本周學(xué)習如何對Pytorch模型進行訓(xùn)練，會涉及的內(nèi)容有，損失函數(shù)、優(yōu)化器、權(quán)重保存與加載、遷移學(xué)習策略等知識，并介紹如何使用Tensorboard進行訓(xùn)練數(shù)據(jù)的可視化。
課程安排：
1.損失函數(shù)與優(yōu)化器
2.掌握模型權(quán)重文件的保存與加載
3.掌握遷移學(xué)習等模型訓(xùn)練效果提升的辦法
4.掌握如何在不同設(shè)備中進行訓(xùn)練
5.掌握用Tensorboard記錄訓(xùn)練數(shù)據(jù)，并將數(shù)據(jù)進行可視化
階段五：AI核心算法+方法——經(jīng)典深度學(xué)習模型實戰(zhàn)
11門課 /課程總時長：12小時
第12周   CNN圖像處理模型
本周學(xué)習基礎(chǔ)的經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計思想，包括簡單模型、多分支模型原理。
課程安排：
1. 掌握AlexNet模型結(jié)構(gòu)
2. 掌握VGGNet模型結(jié)構(gòu)
3. 掌握InceptionNet模型結(jié)構(gòu)
4. 掌握1×1卷積模型結(jié)構(gòu)
5. 掌握ResNet和DenseNet模型結(jié)構(gòu)
6. 掌握SqueezeNet模型結(jié)構(gòu)
第13周   移動端AI高效率分組模型
本周學(xué)習適合于移動端使用的通道分組高效率模型原理。
課程安排：
1. 掌握MobileNet V1模型結(jié)構(gòu)
2. 掌握MobileNet V2模型結(jié)構(gòu)
3. 掌握ShuffleNet V1模型結(jié)構(gòu)
4. 掌握ShuffleNet V2模型結(jié)構(gòu)
5. 掌握MixNet等模型結(jié)構(gòu)
第14周   卷積注意力模型
本周學(xué)習卷積注意力相關(guān)的模型（特征通道注意力、空間注意力、自注意力）
課程安排：
本周學(xué)習卷積注意力相關(guān)的模型（特征通道注意力、空間注意力、自注意力）
第15周   Transformer模型
本周學(xué)習Transformer基礎(chǔ)，包括Transformer模型各個模塊的結(jié)構(gòu)細節(jié)以及代碼實現(xiàn)。
課程安排：
1. 掌握Self-Attention（自注意力）機制
2. 掌握多頭自注意力機制
3. 掌握Token概念
4. 掌握位置編碼原理
5. 掌握掩碼的作用
6. 掌握解碼的原理
第16周   Vision Transformer 模型
本周學(xué)習典型的Vision Transformer模型，包括基礎(chǔ)ViT模型以及高效率的ViT模型。
課程安排：
1. 掌握ViT模型結(jié)構(gòu)
2. 掌握DeViT模型結(jié)構(gòu)
3. 掌握Mobile ViT等高效率模型結(jié)構(gòu)
階段六：AI計算機視覺核心技術(shù)與項目實戰(zhàn)-工業(yè)&醫(yī)療與直播&自動駕駛等主流領(lǐng)域
10門課 /課程總時長：35小時
第17周   【視覺領(lǐng)域】圖像分類技術(shù)與項目實戰(zhàn)
本周學(xué)習深度學(xué)習之圖像分類的相關(guān)理論與實踐內(nèi)容，帶領(lǐng)學(xué)生進行以下實戰(zhàn)內(nèi)容：從零完成人臉表情識別、生活用品多標簽圖像分類。
課程安排：
1. 了解圖像分類問題劃分
2. 了解多類別圖像分類模型結(jié)構(gòu)
3. 了解多標簽圖像分類方法
4. 掌握從零搭建圖像分類模型并實現(xiàn)訓(xùn)練與測試的完整流程
5. 掌握多標簽圖像分類方法并實現(xiàn)訓(xùn)練與測試的完整流程
第18周   【工業(yè)領(lǐng)域】目標檢測技術(shù)與項目實戰(zhàn)
本周學(xué)習深度學(xué)習之目標檢測的相關(guān)理論與實踐內(nèi)容，，包括One-stage算法-YOLO系列詳解、帶領(lǐng)學(xué)生進行YOLO v5車牌檢測實戰(zhàn)
課程安排：
1. 了解目標檢測基本流程
2. 了解目標檢測評估指標
3. 掌握非極大值抑制目標檢測后處理方法
4. 掌握YOLO v1-v8的系列算法原理
5. 掌握基于YOLO v5實現(xiàn)車牌目標檢測任務(wù)的完整流程
第19周   【醫(yī)療與直播領(lǐng)域】圖像分割技術(shù)與項目實戰(zhàn)
本周學(xué)習深度學(xué)習之語義分割的相關(guān)理論與實踐內(nèi)容，帶領(lǐng)學(xué)生進SimpleNet人臉分割實戰(zhàn)
課程安排：
1. 了解圖像分割問題劃分
2. 掌握語義分割經(jīng)典模型FCN
3. 掌握語義分割經(jīng)典模型UNet
4. 掌握膨脹卷積原理
5. 掌握語義分割經(jīng)典模型系列Deeplab
6. 掌握從零搭建圖像分割模型并實現(xiàn)訓(xùn)練與測試的完整流程
第20周   【視頻分析領(lǐng)域-火熱領(lǐng)域】視頻分類技術(shù)與項目實戰(zhàn)
本周學(xué)習深度學(xué)習之視頻分類的相關(guān)理論與實踐內(nèi)容，包括3D模型與雙流模型、帶領(lǐng)學(xué)生進行3DCNN模型視頻分類實戰(zhàn)
課程安排：
1. 了解3D卷積原理
2. 掌握3DCNN模型結(jié)構(gòu)
3. 掌握C(2+1)D模型結(jié)構(gòu)
4. 了解視頻分類任務(wù)與數(shù)據(jù)集
5. 掌握從零搭建3DCNN模型并實現(xiàn)訓(xùn)練與測試的完整流程
第21周   【自動駕駛領(lǐng)域】自動駕駛感知算法技術(shù)與項目實戰(zhàn)
本周針對自動駕駛領(lǐng)域中的核心感知算法，帶領(lǐng)學(xué)生進行道路分割與車輛檢測實戰(zhàn)
課程安排：
1. 學(xué)習CityScape數(shù)據(jù)集
2. 使用語義分割經(jīng)典模型HRNet訓(xùn)練道路分割模型并測試使用
3. 學(xué)習YOLO v8框架
4. 使用YOLO v8框架訓(xùn)練車輛檢測模型并測試使用
階段七：AIGC火熱領(lǐng)域技術(shù)與項目-文本圖像生成&擴散模型等
7門課 /課程總時長：16小時
第22周   【AIGC領(lǐng)域-火熱領(lǐng)域】生成對抗網(wǎng)絡(luò)GAN技術(shù)與項目實戰(zhàn)
本周學(xué)習生成對抗網(wǎng)絡(luò)模型的相關(guān)理論與實踐內(nèi)容，帶領(lǐng)學(xué)生進行GAN模型圖像生成實戰(zhàn)
課程安排：
1.掌握生成對抗網(wǎng)絡(luò)(GAN)原理
2.掌握生成對抗網(wǎng)絡(luò)(GAN)的優(yōu)化目標與評估指標
3.掌握生成對抗網(wǎng)絡(luò)(GAN)基本結(jié)構(gòu)
4.掌握條件生成對抗網(wǎng)絡(luò)模型結(jié)構(gòu)
5.掌握從零搭建DCGAN模型并實現(xiàn)訓(xùn)練與測試的完整流程
第23周   【AIGC領(lǐng)域-火熱領(lǐng)域】擴散模型技術(shù)與項目實踐
本周學(xué)習擴散模型的相關(guān)理論與實踐內(nèi)容，帶領(lǐng)學(xué)生進行擴散模型圖像生成實戰(zhàn)
課程安排：
1.掌握擴散模型原理
2.掌握從零搭建擴散模型并實現(xiàn)訓(xùn)練與測試的完整流程
3.掌握穩(wěn)定擴散模型Stable Diffusion原理
4.了解Huggingface社區(qū)
5.學(xué)習使用Huggingface社區(qū)接口進行擴散模型圖像生成
第24周   【AIGC領(lǐng)域-火熱領(lǐng)域】擴散模型圖像生成與編輯進階
本周學(xué)習AIGC領(lǐng)域中基于擴散模型的圖像生成與編輯最新前沿技術(shù)，并實戰(zhàn)ControlNet的交互式圖像生成與編輯。
課程安排：
1.掌握ControlNet原理
2.掌握基于ControlNet的交互式圖像生成與編輯實戰(zhàn)
3.了解stable diffusion webui等工具
4.了解視頻生成工具Moonvalley
階段八：NLP自然語言處理與LLM大語言模型應(yīng)用實戰(zhàn)
16門課 /課程總時長：40小時
第25周   探索自然語言處理與詞向量
通過介紹自然語言處理的歷史、發(fā)展和基本任務(wù)以及自然語言處理最基礎(chǔ)的分詞、詞向量，學(xué)習到自然語言處理解決什么問題以及解決問題最基本的方法。
課程安排：
1.自然語言處理發(fā)展歷史；
2.自然語言處理常見任務(wù)；
3.自然語言處理中的分詞；
4.自然與語言處理中的詞嵌入
第26周   NLP特征提取器：解鎖文本數(shù)據(jù)
通過介紹自然語言處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與主要方法
課程安排：
1.循環(huán)神經(jīng)網(wǎng)絡(luò)及LSTM；
2.NLP中的卷積神經(jīng)網(wǎng)絡(luò)CNN；
3.attention機制及Transformer；
4.LSTM與文本分類；
5.膨脹卷積與命名實體識別
第27周   預(yù)訓(xùn)練模型：NLP任務(wù)的顛覆性力量
通過介紹BERT、GPT等預(yù)訓(xùn)練模型及其實戰(zhàn)，掌握NLP中主流的預(yù)訓(xùn)練模型的結(jié)構(gòu)，用法和差異，以及在實際場景中如何應(yīng)用
課程安排：
1.預(yù)訓(xùn)練模型BERT及非結(jié)構(gòu)化數(shù)據(jù)信息抽取實戰(zhàn)；
2.GPT模型及生成式任務(wù)實戰(zhàn)；
第28周   AI大語言模型核心技術(shù)與實戰(zhàn)【火熱方向】
通過學(xué)習AI大語言模型的預(yù)訓(xùn)練和微調(diào)理論，掌握大語言模型的分布式訓(xùn)練方法；通過學(xué)習最新的大模型agent思想及框架，掌握大模型落地應(yīng)用的方法；
課程安排：
1.大語言模型分布式預(yù)訓(xùn)練；
2.分布式訓(xùn)練框架deepspeed;
3.大模型有監(jiān)督微調(diào)；
4.大模型高效參數(shù)微調(diào)lora;
5.langchain框架介紹
第29周   AI大語言模型進階與實戰(zhàn)【火熱方向】
通過學(xué)習常見的開源大語言模型，掌握常見大語言模型的差異和使用方法；通過學(xué)習人類反饋式強化學(xué)習的方法，掌握大模型引入人類反饋的技術(shù)。
課程安排：
1.Llama，chatglm等大模型介紹；
2.RLHF中的獎勵模型；
3.RLHF中的PPO算法；
4.基于大模型構(gòu)建智能客服系統(tǒng)
第30周   搜索與推薦：NLP在實際場景中的應(yīng)用
通過學(xué)習搜索和推薦中的召回和排序算法，掌握在搜索和推薦體系中如何應(yīng)用NLP模型。
課程安排：
1.搜索和推薦常見架構(gòu)介紹；
2.基于Faiss的item召回算法；
3.基于wide&deep模型的點擊率預(yù)估模型排序算法
階段九：AI工程師入行&轉(zhuǎn)化&就業(yè)&面試指導(dǎo)
1門課 /課程總時長：3小時
第31周   AI工程師入行&轉(zhuǎn)行&就業(yè)&面試指導(dǎo)
本周給大家進行AI工程師入行與面試相關(guān)的指導(dǎo)，了解公司對AI算法工業(yè)者的能力要求，掌握更高效率的學(xué)術(shù)前沿知識獲取方法，提高項目完整度與面試成功率。
課程安排：
1. 如何在簡歷中寫好項目經(jīng)歷
2. 如何提升編程能力與算法能力
3. 常見的一些面試筆試問題
4. 如何保持學(xué)習，了解前沿技術(shù)