- 学习中
- 已学完
- 未学习
- 即将上线
人工智能开发基础理论
38课时51小时21分
| 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 |
| 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 Git教程复习与总结 |
人工智能基础开发核心课程
54课时51小时49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 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 |
| 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 |
| 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 |
| 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
| 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 |
| 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 |
| 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 |
| 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 |
| D1 认识声音 | D2 语音场景原理和练习 | D3 声音的梅尔特征 |
| 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
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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） |
| 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 |