- 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40分
| D1 Python入门 免费 | D2 变量和简单数据类型 免费 | D3 语句 免费 |
| D4 列表与元组 免费 | D5 字符串 免费 | D6 字典与集合 免费 |
| 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 |
| 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 |
| 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 |
| 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
55课时62小时35分
| 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 |
| D1 人工智能的认知与介绍 | D2 人工智能工具环境介绍-学习环境介绍 |
| 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 绘制图像轮廓 | D18 凸包特征检测 |
| D19 模板匹配 | D20 图像轮廓特征查找 | D21 直方图均衡化 |
| D22 图像亮度变换 | D23 霍夫变换 |
| 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 |
| 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 |
| 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 |
人工智能深度开发核心课程
54课时42小时29分
| 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 神经网络的过拟合解决方案 | D8 深度学习回顾与任务 | D9 深度学习基础 |
| D10 知识回顾 |
| D1 计算机眼中的图像 | D2 卷积为什么能识别图像原理 | D3 卷积为什么能识别图像练习 |
| D4 池化为什么能增强特征 | D5 多通道卷积、偏置过程 | D6 CUDA与CuDNN安装 |
| D7 LeNet-5原理与算法基础 | D8 【项目】LeNet-5的手写体识别项目 | D9 分类算法的评估标准 |
| D1 图像识别的历史发展 | D2 AlexNet原理和结构 | D3 基于AlexNet的猫狗分类项目 |
| D4 VggNet原理和结构 | D5 GoogLeNet原理和结构 | D6 ResNet残差网络原理与结构 |
| D7 ResNet网络代码复现练习 | D8 MobileNetV1原理与结构 | D9 MobileNetV2原理与结构 |
| D10 MobileNetV3网络代码复现练习 |
| D1 基于DNN实现风电功率预测项目 | D2 DNN的时序预测与缺陷 | 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 BiLSTM的结构和函数 | D11 门控循环单元 |
| D1 Encoder-Decoder结构 | D2 注意力机制的引入 | D3 注意力机制 |
| D4 soft-attention | D5 位置编码 | D6 Layer Normalization |
| D7 Attention中的mask | D8 Transformer |
| D1 基础语音3D应用场景的介绍与应用 | D2 认识模拟声音与数字声音 | D3 声音时域与频域转换原理与步骤 |
| D4 声音时域与频域转换代码生成与运行 | D5 声音的Mel谱特征抽取原理与步骤 | D6 声音的Mel谱特征抽取生成与运行 |
进阶实战
66课时57小时47分
| D1 3D分拣场景介绍与数据通信 | D2 3D场景数据采集 | D3 使用分类算法训练数据集 |
| D4 网络fine-tuning 整个网络与某几层 | D5 基于分类算法3D场景分类算法项目部署 |
| D1 目标检测简介 | D2 目标检测的数据集-Pascal VOC | D3 目标检测的数据集-MS COCO |
| D4 目标检测的数据集-YOLO | D5 目标检测的评价指标 | D6 目标检测的挑战 |
| D1 R-CNN原理 | D2 Fast R-CNN原理 | D3 Faster R-CNN原理 |
| D4 SSD的原理与网络结构分析 | D5 YOLO简介与快速上手使用-预测篇 | D6 YOLO简介与快速上手使用-训练篇 |
| D7 YOLOV1的原理与网络结构 | D8 YOLOV2的原理与网络结构 | D9 YOLOV3的原理与网络结构 |
| D10 YOLOV4的原理与网络结构 | D11 YOLOV5的原理与网络结构 | D12 YOLOV5的使用与代码精讲-预测部分 |
| D13 YOLOV5的使用与代码精讲-网络搭建 | D14 YOLOV5的使用与代码精讲-训练部分 | D15 YOLOV8的原理与网络结构 |
| D16 基于YOLO的3D场景分类算法项目部署 |
| D1 常见大模型介绍 | D2 大模型与人工智能关系 | D3 大模型的基础原理 |
| D4 大语言模型的“前世今生”与发展 | D5 LLM预测过程与提示工程 | D6 如何高效地使用Prompt |
| D1 大模型的部署与应用基础章节介绍 | D2 RESTfuI风格api | D3 使用api接口调用大模型 |
| D4 大模型相关库与概念 | D5 Windows本地部署与GPU并行-Qwen2.5 | D6 Windows本地部署-Chatglm3-6B |
| D7 ollama本地运行大模型 | D8 autodl的GPU部署大模型 | D9 Windows环境-wsl2环境安装 |
| D10 Ubuntu下CUDA和cuDNN安装-wsl | D11 Windows环境-wsl的docker部署 | D12 Ubuntu下CUDA和cuDNN安装-Docker |
| D13 vllm进行推理加速优化 | D14 多轮对话机器人实现 | D15 入门FastAPI |
| D16 基于fastapi构建对话机器人 | D17 对话机器人WEBUI-Streamlit | D18 对话机器人WEBUI-gradio |
| D19 temperature和top_p参数常见设置 |
| D1 PyQT5概念 | D2 创建PyQT5的第一个窗口 | D3 故宫介绍——通过两种方式实现 |
| D4 绘制注册界面，实现注册功能 | D5 图像显示 | D6 定时器-Qtimer的使用 |
| D7 进度条 QProgressBar | D8 PyQT的界面切换 | D9 记事本实现--QMainWindows |
| D10 文件浏览器、多媒体 | D11 多媒体的实现 | D12 事件 |
| D13 PyQT中多线程 | D14 打包PyQt5软件 |