階段一：從AI全面認知到基礎夯實-行業(yè)認知&Python&必備數(shù)學

一、快速搞清楚人工智能

本階段學習人工智能相關基礎及其應用，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. 了解人工智能領域相關的科目

5. 分析人工智能就業(yè)方向及能力

二、AI編程基石：Python入門與進階

Python是人工智能編程語言，本階段將手把手帶領大家，從如何安裝Pyhon開始，到寫出苐一個程序，掌握Python的輸入輸出、程序的流程控制、序列相關知識，函數(shù)，模塊，文件與文件夾操作和面向對象編程。

課程安排：

1. 如何安裝和使用Anaconda,PyCharm等編程軟件

2. 學習輸入輸出、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. 學習Python的面向對象編程，理解代碼的繼承

6. Python 在AI中的應用實戰(zhàn)

三、AI編程基石：Python高級編程

在人工智能中，經常需要讀取數(shù)據(jù)，本階段將會教大家如何用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. 學習PyQt給程序做出一個可互動的界面，給軟件一個包裝

四、人工智能底層基石-三大必備AI 數(shù)學基礎

數(shù)學是人工智能的基礎，本階段圍繞人工智能、尤其是深度學習中經常遇到的數(shù)學知識進行展開，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知識。

課程安排：

1. 學習人工智能和其他領域中的線性代數(shù)、微積分、概率論應用案例

2. 學會Numpy的安裝與簡單測試

3. 線性代數(shù)相關知識點理論講解與核心應用代碼講解

4. 微積分相關知識點理論講解與核心應用代碼講解

5. 概率論相關知識點理論講解與核心應用代碼講解

6. 使用Numpy應用實戰(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應用實戰(zhàn)，如旋轉、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核心技術理論體系構建到項目實戰(zhàn)： 機器學習&深度學習

一、機器學習 - 解鎖人工智能的核心

本階段學習機器學習基礎知識，包括機器學習概念、機器學習模型分類、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. 了解不同機器學習模型的分類

4. 學會常見機器學習模型的評估方法

5. 學會常見機器學習模型的學習優(yōu)化目標

6. 學習使用python機器學習工具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)

二、神經網絡 - 處理和學習復雜的數(shù)據(jù)

本階段學習神經網絡基礎知識，包括前饋神經網絡與時序神經網絡結構、單層神經網絡與多層神經網絡典型案例實踐。

課程安排：

1. 掌握感知器的學習原理

2. 掌握神經網絡的模型結構

3. 了解單層神經網絡與多層神經網絡的能力

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模型結構

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)

三、卷積神經網絡（CNN）-處理具有網格結構數(shù)據(jù)的任務

本階段學習卷積神經網絡基礎知識，包括卷積神經網絡的基本概念，卷積神經網絡模型結構。

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. 掌握典型卷積神經網絡的搭建

四、深度學習優(yōu)化-使用深層神經網絡來解決復雜的任務

本階段學習當前主流的深度學習模型訓練與優(yōu)化相關的技術（參數(shù)初始化、激活函數(shù)、標準化方法、學習率與蕞優(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. 掌握常見的標準化方法

4. 掌握常見的正則化方法

5. 掌握常見的學習率迭代策略

6. 掌握常見的蕞優(yōu)化方法

階段三：構建AI的數(shù)據(jù)驅動力-數(shù)據(jù)預處理工程

一、數(shù)據(jù)獲取、整理與應用 - 構建數(shù)據(jù)之源，驅動智能決策

本階段學習深度學習之數(shù)據(jù)使用的相關內容，使學生了解并且掌握數(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LabelImg和PaddleSeg

4. 掌握常見的數(shù)據(jù)增強方法

5. 學會使用imgaug數(shù)據(jù)增強工具

階段四：AI 深度學習框架實戰(zhàn)- Pytorch從基礎到進階

一、PyTorch數(shù)據(jù)處理與網絡模型構建

PyTorch是目前蕞火的深度學習框架，本階段將從如何配置Pytorch環(huán)境開始，掌握一些基本的知識，包括張量、層結構、網絡結構搭建、優(yōu)化器及損失函數(shù)，學會數(shù)據(jù)讀取與增強。

課程安排：

1.*****ch的安裝

2.****or的相關數(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.網絡的正則化技術

7.如何逐層搭建自定義的卷積神經網絡

二、深入PyTorch模型的訓練與可視化

本階段學習如何對Pytorch模型進行訓練，會涉及的內容有，損失函數(shù)、優(yōu)化器、權重保存與加載、遷移學習策略等知識，并介紹如何使用Tensorboard進行訓練數(shù)據(jù)的可視化。

課程安排：

1.損失函數(shù)與優(yōu)化器

2.掌握模型權重文件的保存與加載

3.掌握遷移學習等模型訓練效果提升的辦法

4.掌握如何在不同設備中進行訓練

5.掌握用Tensorboard記錄訓練數(shù)據(jù)，并將數(shù)據(jù)進行可視化

階段五：AI核心算法+方法——經典深度學習模型實戰(zhàn)

一、CNN圖像處理模型

本階段學習基礎的經典的卷積神經網絡模型設計思想，包括簡單模型、多分支模型原理。

課程安排：

1. 掌握AlexNet模型結構

2. 掌握VGGNet模型結構

3. 掌握InceptionNet模型結構

4. 掌握1×1卷積模型結構

5. 掌握ResNet和DenseNet模型結構

6. 掌握SqueezeNet模型結構

二、移動端AI高效率分組模型

本階段學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模型結構

2. 掌握MobileNet V2模型結構

3. 掌握ShuffleNet V1模型結構

4. 掌握ShuffleNet V2模型結構

5. 掌握MixNet等模型結構

三、卷積注意力模型

本階段學習卷積注意力相關的模型（特征通道注意力、空間注意力、自注意力）

課程安排：

本階段學習卷積注意力相關的模型（特征通道注意力、空間注意力、自注意力）

四、Transformer模型

本階段學習Transformer基礎，包括Transformer模型各個模塊的結構細節(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

五、Vision Transformer 模型

本階段學習典型的Vision Transformer模型，包括基礎ViT模型以及高效率的ViT模型。

課程安排：

1. 掌握ViT模型結構

2. 掌握DeViT模型結構

3. 掌握Token-to-Token ViT模型結構

4. 掌握Swish Transformer等多尺度模型結構

5. 掌握Mobile ViT等高效率模型結構

階段六：AI計算機視覺核心技術與項目實戰(zhàn)-工業(yè)&醫(yī)療與直播&自動駕駛等主流領域

一、視覺領域】圖像分類技術與項目實戰(zhàn)

本階段學習深度學習之圖像分類的相關理論與實踐內容，帶領學生進行以下實戰(zhàn)內容：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構

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)訓練與測試的完整流程

二、【工業(yè)領域】目標檢測技術與項目實戰(zhàn)

本階段學習深度學習之目標檢測的相關理論與實踐內容，，包括two-stage算法-Faster RCNN系列詳解、One-stage算法-YOLO系列詳解、帶領學生進行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)車牌目標檢測任務的完整流程

三、【醫(yī)療與直播領域】圖像分割技術與項目實戰(zhàn)

本階段學習深度學習之語義分割的相關理論與實踐內容，帶領學生進SimpleNet人臉分割實戰(zhàn)

課程安排：

1. 了解圖像分割問題劃分

2. 掌握語義分割經典模型FCN

3. 掌握語義分割經典模型UNet

4. 掌握膨脹卷積原理

5. 掌握語義分割經典模型系列Deeplab

6. 掌握從零搭建圖像分割模型并實現(xiàn)訓練與測試的完整流程

四、【自動駕駛領域】自動駕駛感知算法技術與項目實戰(zhàn)

本階段針對自動駕駛領域中的核心感知算法，帶領學生進行道路分割與車輛檢測實戰(zhàn)

課程安排：

1. 學習CityScape數(shù)據(jù)集

2. 使用語義分割經典模型HRNet訓練道路分割模型并測試使用

3. 學習YOLO v8框架

4. 使用YOLO v8框架訓練車輛檢測模型并測試使用

五、【視頻分析領域-火熱領域】視頻分類技術與項目實戰(zhàn)

本階段學習深度學習之視頻分類的相關理論與實踐內容，包括3D模型與雙流模型、帶領學生進行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模型結構

3. 掌握C(2+1)D模型結構

4. 了解視頻分類任務與數(shù)據(jù)集

5. 掌握從零搭建3DCNN模型并實現(xiàn)訓練與測試的完整流程

階段七：AIGC火熱領域技術與項目-文本圖像生成&擴散模型等

一、【AIGC領域-火熱領域】生成對抗網絡GAN技術與項目實戰(zhàn)

本階段學習生成對抗網絡模型的相關理論與實踐內容，帶領學生進行GAN模型圖像生成實戰(zhàn)

課程安排：

1.掌握生成對抗網絡(GAN)原理

2.掌握生成對抗網絡(GAN)的優(yōu)化目標與評估指標

3.掌握生成對抗網絡(GAN)基本結構

4.掌握條件生成對抗網絡模型結構

5.掌握從零搭建DCGAN模型并實現(xiàn)訓練與測試的完整流程

二、AIGC領域-火熱領域】擴散模型技術與項目實踐

本階段學習擴散模型的相關理論與實踐內容，帶領學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.學習使用Huggingface社區(qū)接口進行擴散模型圖像生成

三、【AIGC領域-火熱領域】擴散模型圖像生成與編輯進階

本階段學習AIGC領域中基于擴散模型的圖像生成與編輯最新前沿技術，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：N L P自然語言處理與LLM大語言模型應用實戰(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)展和基本任務以及自然語言處理蕞基礎的分詞、詞向量，學習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；

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)神經網絡及LSTM；

2.N L P中的卷積神經網絡CNN；

3.a****tion機制及Transformer；

4.**TM與文本分類；

5.膨脹卷積與命名實體識別

三、預訓練模型：N L P任務的顛覆性力量

通過介紹BERT、GPT以及T5等預訓練模型及其實戰(zhàn)，掌握N L P中主流的預訓練模型的結構，用法和差異，以及在實際場景中如何應用

課程安排：

1.預訓練模型BERT及非結構化數(shù)據(jù)信息抽取實戰(zhàn)；

2.*PT模型及生成式任務實戰(zhàn)；

3.T5模型及文本摘要實戰(zhàn)

四、AI大語言模型核心技術與實戰(zhàn)【火熱方向】

通過學習AI大語言模型的預訓練和微調理論，掌握大語言模型的分布式訓練方法；通過學習最新的大模型agent思想及框架，掌握大模型落地應用的方法；

課程安排：

1.大語言模型分布式預訓練；

2.分布式訓練框架deepspeed;

3.大模型有監(jiān)督微調；

4.大模型高效參數(shù)微調lora;

5.l****hain框架介紹

五、AI大語言模型進階與實戰(zhàn)【火熱方向】

通過學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；通過學習人類反饋式強化學習的方法，掌握大模型引入人類反饋的技術。

課程安排：

1.***ma，chatglm等大模型介紹；

2.**HF中的獎勵模型；

3.**HF中的PPO算法；

4.基于大模型構建智能客服系統(tǒng)

六、搜索與推薦：N L P在實際場景中的應用

通過學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用N L P模型。

課程安排：

1.搜索和推薦常見架構介紹；

2.基于Faiss的item召回算法；

3.基于wide&deep模型的點擊率預估模型排序算法

階段九：AI工程師入行&轉化&就業(yè)&面試指導

一、AI工程師入行&轉行&就業(yè)&面試指導

本階段給大家進行AI工程師入行與面試相關的指導，了解公司對AI算法工業(yè)者的能力要求，掌握更高效率的學術前沿知識獲取方法，提高項目完整度與面試率。

課程安排：

1. 如何在簡歷中寫好項目經歷

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. 如何保持學習，了解前沿技術