濟(jì)南算法培訓(xùn)

階段一：從AI全面認(rèn)知到基礎(chǔ)夯實(shí)-行業(yè)認(rèn)知&Python&必備數(shù)學(xué)

一、快速搞清楚人工智能

本階段學(xué)習(xí)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，典型研究方法與科目，就業(yè)市場與前景。

課程安排：

1. 從零全面快速認(rèn)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)的科目

5. 分析人工智能就業(yè)方向及能力

二、AI編程基石：Python入門與進(jìn)階

Python是人工智能編程語言，本階段將手把手帶領(lǐng)大家，從如何安裝Pyhon開始，到寫出苐一個(gè)程序，掌握Python的輸入輸出、程序的流程控制、序列相關(guān)知識(shí)，函數(shù)，模塊，文件與文件夾操作和面向?qū)ο缶幊獭?/p>

課程安排：

1. 如何安裝和使用Anaconda,PyCharm等編程軟件

2. 學(xué)習(xí)輸入輸出、以及程序流程控制語句

3. Python序列知識(shí)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(xí)Python的面向?qū)ο缶幊?，理解代碼的繼承

6. Python 在AI中的應(yīng)用實(shí)戰(zhàn)

三、AI編程基石：Python高級(jí)編程

在人工智能中，經(jīng)常需要讀取數(shù)據(jù)，本階段將會(huì)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(yùn)用 pandas對表格進(jìn)行基本的分析、以及繪圖

4. 運(yùn)用Matplotlib處理圖片

5. 運(yùn)用OpenCV進(jìn)行視頻處理

6. 使用 pickle進(jìn)行文件數(shù)據(jù)序列化處理

7. 學(xué)習(xí)PyQt給程序做出一個(gè)可互動(dòng)的界面，給軟件一個(gè)包裝

四、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)，本階段圍繞人工智能、尤其是深度學(xué)習(xí)中經(jīng)常遇到的數(shù)學(xué)知識(shí)進(jìn)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(shí)。

課程安排：

1. 學(xué)習(xí)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(huì)Numpy的安裝與簡單測試

3. 線性代數(shù)相關(guān)知識(shí)點(diǎn)理論講解與核心應(yīng)用代碼講解

4. 微積分相關(guān)知識(shí)點(diǎn)理論講解與核心應(yīng)用代碼講解

5. 概率論相關(guān)知識(shí)點(diǎn)理論講解與核心應(yīng)用代碼講解

6. 使用Numpy應(yīng)用實(shí)戰(zhàn)，如實(shí)現(xiàn)向量的加、減、點(diǎn)積和外積操作、求矩陣的特征向量、SVD分解等

7. 運(yùn)用Python應(yīng)用實(shí)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(xiàng)目實(shí)戰(zhàn)： 機(jī)器學(xué)習(xí)&深度學(xué)習(xí)

一、機(jī)器學(xué)習(xí) - 解鎖人工智能的核心

本階段學(xué)習(xí)機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)，包括機(jī)器學(xué)習(xí)概念、機(jī)器學(xué)習(xí)模型分類、評(píng)估目標(biāo)與優(yōu)化目標(biāo)、典型案例實(shí)踐。

課程安排：

1. 掌握機(jī)器學(xué)習(xí)工具的基本流程

2. 掌握特征的概念與使用

3. 了解不同機(jī)器學(xué)習(xí)模型的分類

4. 學(xué)會(huì)常見機(jī)器學(xué)習(xí)模型的評(píng)估方法

5. 學(xué)會(huì)常見機(jī)器學(xué)習(xí)模型的學(xué)習(xí)優(yōu)化目標(biāo)

6. 學(xué)習(xí)使用python機(jī)器學(xué)習(xí)工具sklearn

7. 基于sklearn工具和鳶尾花數(shù)據(jù)集，進(jìn)行邏輯回歸實(shí)戰(zhàn)

二、神經(jīng)網(wǎng)絡(luò) - 處理和學(xué)習(xí)復(fù)雜的數(shù)據(jù)

本階段學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)，包括前饋神經(jīng)網(wǎng)絡(luò)與時(shí)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(shí)踐。

課程安排：

1. 掌握感知器的學(xué)習(xí)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(shí)踐

5. 掌握反向傳播算法原理與實(shí)踐

6. 掌握RNN與LSTM模型結(jié)構(gòu)

7. 基于Python進(jìn)行二維空間線性可分?jǐn)?shù)據(jù)單/多層感知器實(shí)戰(zhàn)

三、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)

本階段學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)，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

四、深度學(xué)習(xí)優(yōu)化-使用深層神經(jīng)網(wǎng)絡(luò)來解決復(fù)雜的任務(wù)

本階段學(xué)習(xí)當(dāng)前主流的深度學(xué)習(xí)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(biāo)準(zhǔn)化方法、學(xué)習(xí)率與蕞優(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(biāo)準(zhǔn)化方法

4. 掌握常見的正則化方法

5. 掌握常見的學(xué)習(xí)率迭代策略

6. 掌握常見的蕞優(yōu)化方法

階段三：構(gòu)建AI的數(shù)據(jù)驅(qū)動(dòng)力--數(shù)據(jù)預(yù)處理工程

一、數(shù)據(jù)獲取、整理與應(yīng)用 - 構(gòu)建數(shù)據(jù)之源，驅(qū)動(dòng)智能決策

本階段學(xué)習(xí)深度學(xué)習(xí)之?dāng)?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(biāo)注、數(shù)據(jù)增強(qiáng)方法等內(nèi)容，對imgaug數(shù)據(jù)增強(qiáng)庫進(jìn)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(biāo)注工具LabelImg和PaddleSeg

4. 掌握常見的數(shù)據(jù)增強(qiáng)方法

5. 學(xué)會(huì)使用imgaug數(shù)據(jù)增強(qiáng)工具

階段四：AI 深度學(xué)習(xí)框架實(shí)戰(zhàn)- Pytorch從基礎(chǔ)到進(jìn)階

一、PyTorch數(shù)據(jù)處理與網(wǎng)絡(luò)模型構(gòu)建

PyTorch是目前蕞火的深度學(xué)習(xí)框架，本階段將從如何配置Pytorch環(huán)境開始，掌握一些基本的知識(shí)，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(huì)數(shù)據(jù)讀取與增強(qiáng)。

課程安排：

1.*****ch的安裝

2.****or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(qiáng)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)

二、深入PyTorch模型的訓(xùn)練與可視化

本階段學(xué)習(xí)如何對Pytorch模型進(jìn)行訓(xùn)練，會(huì)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(xí)策略等知識(shí)，并介紹如何使用Tensorboard進(jìn)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(xí)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(jìn)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(jìn)行可視化

階段五：AI核心算法+方法——經(jīng)典深度學(xué)習(xí)模型實(shí)戰(zhàn)

一、CNN圖像處理模型

本階段學(xué)習(xí)基礎(chǔ)的經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)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)

二、移動(dòng)端AI高效率分組模型

本階段學(xué)習(xí)適合于移動(dòng)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)

三、卷積注意力模型

本階段學(xué)習(xí)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：

本階段學(xué)習(xí)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）

四、Transformer模型

本階段學(xué)習(xí)Transformer基礎(chǔ)，包括Transformer模型各個(gè)模塊的結(jié)構(gòu)細(xì)節(jié)以及代碼實(shí)現(xiàn)。

課程安排：

1. 掌握Self-Attention（自注意力）機(jī)制

2. 掌握多頭自注意力機(jī)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

五、Vision Transformer 模型

本階段學(xué)習(xí)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Token-to-Token ViT模型結(jié)構(gòu)

4. 掌握Swish Transformer等多尺度模型結(jié)構(gòu)

5. 掌握Mobile ViT等高效率模型結(jié)構(gòu)

階段六：AI計(jì)算機(jī)視覺核心技術(shù)與項(xiàng)目實(shí)戰(zhàn)-工業(yè)&醫(yī)療與直播&自動(dòng)駕駛等主流領(lǐng)域

一、視覺領(lǐng)域】圖像分類技術(shù)與項(xiàng)目實(shí)戰(zhàn)

本階段學(xué)習(xí)深度學(xué)習(xí)之圖像分類的相關(guān)理論與實(shí)踐內(nèi)容，帶領(lǐng)學(xué)生進(jìn)行以下實(shí)戰(zhàn)內(nèi)容：從零完成人臉表情識(shí)別、生活用品多標(biāo)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(biāo)簽圖像分類方法

4. 掌握從零搭建圖像分類模型并實(shí)現(xiàn)訓(xùn)練與測試的完整流程

5. 掌握多標(biāo)簽圖像分類方法并實(shí)現(xiàn)訓(xùn)練與測試的完整流程

二、【工業(yè)領(lǐng)域】目標(biāo)檢測技術(shù)與項(xiàng)目實(shí)戰(zhàn)

本階段學(xué)習(xí)深度學(xué)習(xí)之目標(biāo)檢測的相關(guān)理論與實(shí)踐內(nèi)容，，包括two-stage算法-Faster RCNN系列詳解、One-stage算法-YOLO系列詳解、帶領(lǐng)學(xué)生進(jìn)行YOLO v5車牌檢測實(shí)戰(zhàn)

課程安排：

1. 了解目標(biāo)檢測基本流程

2. 了解目標(biāo)檢測評(píng)估指標(biāo)

3. 掌握非極大值抑制目標(biāo)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(shí)現(xiàn)車牌目標(biāo)檢測任務(wù)的完整流程

三、【醫(yī)療與直播領(lǐng)域】圖像分割技術(shù)與項(xiàng)目實(shí)戰(zhàn)

本階段學(xué)習(xí)深度學(xué)習(xí)之語義分割的相關(guān)理論與實(shí)踐內(nèi)容，帶領(lǐng)學(xué)生進(jìn)SimpleNet人臉分割實(shí)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(shí)現(xiàn)訓(xùn)練與測試的完整流程

四、【自動(dòng)駕駛領(lǐng)域】自動(dòng)駕駛感知算法技術(shù)與項(xiàng)目實(shí)戰(zhàn)

本階段針對自動(dòng)駕駛領(lǐng)域中的核心感知算法，帶領(lǐng)學(xué)生進(jìn)行道路分割與車輛檢測實(shí)戰(zhàn)

課程安排：

1. 學(xué)習(xí)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(xí)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

五、【視頻分析領(lǐng)域-火熱領(lǐng)域】視頻分類技術(shù)與項(xiàng)目實(shí)戰(zhàn)

本階段學(xué)習(xí)深度學(xué)習(xí)之視頻分類的相關(guān)理論與實(shí)踐內(nèi)容，包括3D模型與雙流模型、帶領(lǐng)學(xué)生進(jìn)行3DCNN模型視頻分類實(shí)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(shí)現(xiàn)訓(xùn)練與測試的完整流程

階段七：AIGC火熱領(lǐng)域技術(shù)與項(xiàng)目-文本圖像生成&擴(kuò)散模型等

一、【AIGC領(lǐng)域-火熱領(lǐng)域】生成對抗網(wǎng)絡(luò)GAN技術(shù)與項(xiàng)目實(shí)戰(zhàn)

本階段學(xué)習(xí)生成對抗網(wǎng)絡(luò)模型的相關(guān)理論與實(shí)踐內(nèi)容，帶領(lǐng)學(xué)生進(jìn)行GAN模型圖像生成實(shí)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(biāo)與評(píng)估指標(biāo)

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(shí)現(xiàn)訓(xùn)練與測試的完整流程

二、AIGC領(lǐng)域-火熱領(lǐng)域】擴(kuò)散模型技術(shù)與項(xiàng)目實(shí)踐

本階段學(xué)習(xí)擴(kuò)散模型的相關(guān)理論與實(shí)踐內(nèi)容，帶領(lǐng)學(xué)生進(jìn)行擴(kuò)散模型圖像生成實(shí)戰(zhàn)

課程安排：

1.掌握擴(kuò)散模型原理

2.掌握從零搭建擴(kuò)散模型并實(shí)現(xiàn)訓(xùn)練與測試的完整流程

3.掌握穩(wěn)定擴(kuò)散模型Stable Diffusion原理

4.了解Huggingface社區(qū)

5.學(xué)習(xí)使用Huggingface社區(qū)接口進(jìn)行擴(kuò)散模型圖像生成

三、【AIGC領(lǐng)域-火熱領(lǐng)域】擴(kuò)散模型圖像生成與編輯進(jìn)階

本階段學(xué)習(xí)AIGC領(lǐng)域中基于擴(kuò)散模型的圖像生成與編輯最新前沿技術(shù)，并實(shí)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(shí)戰(zhàn)

3.了解stable diffusion webui等工具

4.了解視頻生成工具M(jìn)oonvalley

階段八：N L P自然語言處理與LLM大語言模型應(yīng)用實(shí)戰(zhàn)

一、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)以及自然語言處理蕞基礎(chǔ)的分詞、詞向量，學(xué)習(xí)到自然語言處理解決什么問題以及解決問題蕞基本的方法。

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

二、N L P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N L P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.N L P中的卷積神經(jīng)網(wǎng)絡(luò)CNN；

3.a****tion機(jī)制及Transformer；

4.**TM與文本分類；

5.膨脹卷積與命名實(shí)體識(shí)別

三、預(yù)訓(xùn)練模型：N L P任務(wù)的顛覆性力量

通過介紹BERT、GPT以及T5等預(yù)訓(xùn)練模型及其實(shí)戰(zhàn)，掌握N L P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(shí)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(shí)戰(zhàn)；

2.*PT模型及生成式任務(wù)實(shí)戰(zhàn)；

3.T5模型及文本摘要實(shí)戰(zhàn)

四、AI大語言模型核心技術(shù)與實(shí)戰(zhàn)【火熱方向】

通過學(xué)習(xí)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(xí)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.l****hain框架介紹

五、AI大語言模型進(jìn)階與實(shí)戰(zhàn)【火熱方向】

通過學(xué)習(xí)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(xí)人類反饋式強(qiáng)化學(xué)習(xí)的方法，掌握大模型引入人類反饋的技術(shù)。

課程安排：

1.***ma，chatglm等大模型介紹；

2.**HF中的獎(jiǎng)勵(lì)模型；

3.**HF中的PPO算法；

4.基于大模型構(gòu)建智能客服系統(tǒng)

六、搜索與推薦：N L P在實(shí)際場景中的應(yīng)用

通過學(xué)習(xí)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N L P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(diǎn)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)

一、AI工程師入行&轉(zhuǎn)行&就業(yè)&面試指導(dǎo)

本階段給大家進(jìn)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(shí)獲取方法，提高項(xiàng)目完整度與面試率。

課程安排：

1. 如何在簡歷中寫好項(xiàng)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(xí)，了解前沿技術(shù)