课程大纲及学习周期安排
为保证课程内容紧跟市场变化，课程章节将逐步开放，直至课程完结
阶段一： 从AI全面认知到基础夯实-行业认知&Python&必备数学
12门课
· 课程总时长：16小时
快速搞清楚人工智能
百度 目前，无论手术、放疗、化疗还是最新的靶向治疗，都存在一定的局限性。
本周学习人工智能相关基础及其应用，包括人工智能的概念，背后的发展历史，典型研究方法与学科，就业市场与前景。
课程安排：
- 1. 从零全面快速认知人工智能
- 2. 探讨人工智能的发展历程与发展
- 3. 分析人工智能的主要研究方法
- 4. 了解人工智能领域相关的学科
- 5. 分析人工智能就业方向及能力
AI编程基石：Python入门与进阶
Python是人工智能编程语言，本周将手把手带领大家，从如何安装Pyhon开始，到写出第一个程序，掌握Python的输入输出、程序的流程控制、序列相关知识，函数，模块，文件与文件夹操作和面向对象编程。
课程安排：
- 1. 如何安装和使用Anaconda,PyCharm等编程软件
- 2. 学习输入输出、以及程序流程控制语句
- 3. Python序列知识讲解，包括：列表、元组、字典与集合
- 4. 掌握Python的函数、模块与文件操作
- 5. 学习Python的面向对象编程，理解代码的继承
- 6. Python 在AI中的应用实战
AI编程基石：Python高级编程
在人工智能中，经常需要读取数据，本周将会教大家如何用python处理文本文档、excel表格、图片以及视频。还有如何绘制出折线图、条形图等常用图形，方便大家科研作图。最后带着大家做属于自己的软件界面，方便作品的展示。
课程安排：
- 1. 处理文本文档信息核心基础操作
- 2. 使用pandas处理表格数据
- 3. 运用 pandas对表格进行基本的分析、以及绘图
- 4. 运用Matplotlib处理图片
- 5. 运用OpenCV进行视频处理
- 6. 使用 pickle进行文件数据序列化处理
- 7. 学习PyQt给程序做出一个可互动的界面，给软件一个包装
人工智能底层基石-三大必备AI 数学基础
数学是人工智能的基础，本周围绕人工智能、尤其是深度学习中经常遇到的数学知识进行展开，通过简单易懂的案例，帮大家回顾线性代数、微积分以及概率论的相关知识。
课程安排：
- 1. 学习人工智能和其他领域中的线性代数、微积分、概率论应用案例
- 2. 学会Numpy的安装与简单测试
- 3. 线性代数相关知识点理论讲解与核心应用代码讲解
- 4. 微积分相关知识点理论讲解与核心应用代码讲解
- 5. 概率论相关知识点理论讲解与核心应用代码讲解
- 6. 使用Numpy应用实战，如实现向量的加、减、点积和外积操作、求矩阵的特征向量、SVD分解等
- 7. 运用Python应用实战，如旋转、放缩、绘制函数图像并展示其切线、绘制三维函数图像等
阶段二： 从AI核心技术理论体系构建到项目实战： 机器学习&深度学习
11门课
· 课程总时长：15小时
机器学习 - 解锁人工智能的核心
本周学习机器学习基础知识，包括机器学习概念、机器学习模型分类、评估目标与优化目标、典型案例实践。
课程安排：
- 1. 掌握机器学习工具的基本流程
- 2. 掌握特征的概念与使用
- 3. 了解不同机器学习模型的分类
- 4. 学会常见机器学习模型的评估方法
- 5. 学会常见机器学习模型的学习优化目标
- 6. 学习使用python机器学习工具sklearn
- 7. 基于sklearn工具和鸢尾花数据集，进行逻辑回归实战
神经网络 - 处理和学习复杂的数据
本周学习神经网络基础知识，包括前馈神经网络与时序神经网络结构、单层神经网络与多层神经网络典型案例实践。
课程安排：
- 1. 掌握感知器的学习原理
- 2. 掌握神经网络的模型结构
- 3. 了解单层神经网络与多层神经网络的能力
- 4. 掌握梯度下降算法原理与实践
- 5. 掌握反向传播算法原理与实践
- 6. 掌握RNN与LSTM模型结构
- 7. 基于Python进行二维空间线性可分数据单/多层感知器实战
卷积神经网络（CNN）-处理具有网格结构数据的任务
本周学习卷积神经网络基础知识，包括卷积神经网络的基本概念，卷积神经网络模型结构。
课程安排：
- 1. 掌握二维卷积与多通道卷积的原理
- 2. 掌握池化的原理
- 3. 了解步长和填充
- 4. 掌握反卷积的原理
- 5. 了解卷积反向传播算法
- 6. 掌握典型卷积神经网络的搭建
深度学习优化-使用深层神经网络来解决复杂的任务
本周学习当前主流的深度学习模型训练与优化相关的技术（参数初始化、激活函数、标准化方法、学习率与最优化方法、正则化方法）
课程安排：
- 1. 掌握常见的参数初始化方法
- 2. 掌握常见的激活函数
- 3. 掌握常见的标准化方法
- 4. 掌握常见的正则化方法
- 5. 掌握常见的学习率迭代策略
- 6. 掌握常见的最优化方法
阶段三： 构建AI的数据驱动力--数据预处理工程
2门课
· 课程总时长：6小时
数据获取、整理与应用 - 构建数据之源，驱动智能决策
本周学习深度学习之数据使用的相关内容，使学生了解并且掌握数据获取、数据整理、数据标注、数据增强方法等内容，对imgaug数据增强库进行了解。
课程安排：
- 1. 了解数据获取方法
- 2. 掌握一般的数据整理方法
- 3. 掌握数据标注工具label studio
- 4. 掌握常见的数据增强方法
- 5. 学会使用imgaug数据增强工具
阶段四： AI 深度学习框架实战- Pytorch从基础到进阶
6门课
· 课程总时长：7小时
PyTorch数据处理与网络模型构建
PyTorch是目前最火的深度学习框架，本周将从如何配置Pytorch环境开始，掌握一些基本的知识，包括张量、层结构、网络结构搭建、优化器及损失函数，学会数据读取与增强。
课程安排：
- 1.PyTorch的安装
- 2.Tensor的相关数据处理
- 3.如何用dataloader加载数据集
- 4.不同的数据增强方法
- 5.卷积层、池化层与全连接层的介绍
- 6.网络的正则化技术
- 7.如何逐层搭建自定义的卷积神经网络
深入PyTorch模型的训练与可视化
本周学习如何对Pytorch模型进行训练，会涉及的内容有，损失函数、优化器、权重保存与加载、迁移学习策略等知识，并介绍如何使用Tensorboard进行训练数据的可视化。
课程安排：
- 1.损失函数与优化器
- 2.掌握模型权重文件的保存与加载
- 3.掌握迁移学习等模型训练效果提升的办法
- 4.掌握如何在不同设备中进行训练
- 5.掌握用Tensorboard记录训练数据，并将数据进行可视化
阶段五： AI核心算法+方法——经典深度学习模型实战
11门课
· 课程总时长：12小时
CNN图像处理模型
本周学习基础的经典的卷积神经网络模型设计思想，包括简单模型、多分支模型原理。
课程安排：
- 1. 掌握AlexNet模型结构
- 2. 掌握VGGNet模型结构
- 3. 掌握InceptionNet模型结构
- 4. 掌握1×1卷积模型结构
- 5. 掌握ResNet和DenseNet模型结构
- 6. 掌握SqueezeNet模型结构
移动端AI高效率分组模型
本周学习适合于移动端使用的通道分组高效率模型原理。
课程安排：
- 1. 掌握MobileNet V1模型结构
- 2. 掌握MobileNet V2模型结构
- 3. 掌握ShuffleNet V1模型结构
- 4. 掌握ShuffleNet V2模型结构
- 5. 掌握MixNet等模型结构
卷积注意力模型
本周学习卷积注意力相关的模型（特征通道注意力、空间注意力、自注意力）
课程安排：
- 1. 掌握注意力模型基础和应用
- 2. 掌握SENet等模型结构
- 3. 能从零搭建SENet
- 4. 掌握空间注意力STN模型结构
- 5. 能从零搭建STN
- 6. 掌握混合注意力BCBAM和BAM模型结构
- 7. 能从零搭建CBAM
Transformer模型
本周学习Transformer基础，包括Transformer模型各个模块的结构细节以及代码实现。
课程安排：
- 1. 掌握Self-Attention（自注意力）机制
- 2. 掌握多头自注意力机制
- 3. 掌握Token概念
- 4. 掌握位置编码原理
- 5. 掌握掩码的作用
- 6. 掌握解码的原理
Vision Transformer 模型
本周学习典型的Vision Transformer模型，包括基础ViT模型以及高效率的ViT模型。
课程安排：
- 1. 掌握ViT模型结构
- 2. 掌握DeViT模型结构
- 3. 掌握Mobile ViT等高效率模型结构
阶段六： AI计算机视觉核心技术与项目实战-工业&医疗与直播&自动驾驶等主流领域
10门课
· 课程总时长：35小时
【视觉领域】图像分类技术与项目实战
本周学习深度学习之图像分类的相关理论与实践内容，带领学生进行以下实战内容：从零完成人脸表情识别、生活用品多标签图像分类。
课程安排：
- 1. 了解图像分类问题划分
- 2. 了解多类别图像分类模型结构
- 3. 了解多标签图像分类方法
- 4. 掌握从零搭建图像分类模型并实现训练与测试的完整流程
- 5. 掌握多标签图像分类方法并实现训练与测试的完整流程
【工业领域】目标检测技术与项目实战
本周学习深度学习之目标检测的相关理论与实践内容，，包括One-stage算法-YOLO系列详解、带领学生进行YOLO v5车牌检测实战
课程安排：
- 1. 了解目标检测基本流程
- 2. 了解目标检测评估指标
- 3. 掌握非极大值抑制目标检测后处理方法
- 4. 掌握YOLO v1-v8的系列算法原理
- 5. 掌握基于YOLO v5实现车牌目标检测任务的完整流程
【医疗与直播领域】图像分割技术与项目实战
本周学习深度学习之语义分割的相关理论与实践内容，带领学生进SimpleNet人脸分割实战
课程安排：
- 1. 了解图像分割问题划分
- 2. 掌握语义分割经典模型FCN
- 3. 掌握语义分割经典模型UNet
- 4. 掌握膨胀卷积原理
- 5. 掌握语义分割经典模型系列Deeplab
- 6. 掌握从零搭建图像分割模型并实现训练与测试的完整流程
【视频分析领域-火热领域】视频分类技术与项目实战
本周学习深度学习之视频分类的相关理论与实践内容，包括3D模型与双流模型、带领学生进行3DCNN模型视频分类实战
课程安排：
- 1. 了解3D卷积原理
- 2. 掌握3DCNN模型结构
- 3. 掌握C(2+1)D模型结构
- 4. 了解视频分类任务与数据集
- 5. 掌握从零搭建3DCNN模型并实现训练与测试的完整流程
【自动驾驶领域】自动驾驶感知算法技术与项目实战
本周针对自动驾驶领域中的核心感知算法，带领学生进行道路分割与车牌识别实战
课程安排：
- 1. 学习CityScape数据集
- 2. 使用语义分割经典模型HRNet训练道路分割模型并测试使用
- 3. 学习LPRNet框架
- 4. 学习使用LPRNet训练车牌识别模型
阶段七： AIGC火热领域技术与项目-文本图像生成&扩散模型等
8门课
· 课程总时长：16小时
【AIGC领域-火热领域】生成对抗网络GAN技术与项目实战
本周学习生成对抗网络模型的相关理论与实践内容，带领学生进行GAN模型图像生成实战
课程安排：
- 1.掌握生成对抗网络(GAN)原理
- 2.掌握生成对抗网络(GAN)的优化目标与评估指标
- 3.掌握生成对抗网络(GAN)基本结构
- 4.掌握条件生成对抗网络模型结构
- 5.掌握从零搭建DCGAN模型并实现训练与测试的完整流程
【AIGC领域-火热领域】扩散模型技术与项目实践
本周学习扩散模型的相关理论与实践内容，带领学生进行扩散模型图像生成实战
课程安排：
- 1.掌握扩散模型原理
- 2.掌握从零搭建扩散模型并实现训练与测试的完整流程
- 3.掌握稳定扩散模型Stable Diffusion原理
- 4.了解Huggingface社区
- 5.学习使用Huggingface社区接口进行扩散模型图像生成
【AIGC领域-火热领域】扩散模型图像生成与编辑进阶
本周学习AIGC领域中基于扩散模型的图像生成与编辑最新前沿技术，并实战ControlNet的交互式图像生成与编辑。
课程安排：
- 1.掌握ControlNet原理
- 2.掌握基于ControlNet的交互式图像生成与编辑实战
- 3.了解stable diffusion webui等工具
- 4.了解视频生成工具Moonvalley
阶段八： NLP自然语言处理与LLM大语言模型应用实战
19门课
· 课程总时长：40小时
探索自然语言处理与词向量
通过介绍自然语言处理的历史、发展和基本任务以及自然语言处理最基础的分词、词向量，学习到自然语言处理解决什么问题以及解决问题最基本的方法。
课程安排：
- 1.自然语言处理发展历史；
- 2.自然语言处理常见任务；
- 3.自然语言处理中的分词；
- 4.自然与语言处理中的词嵌入
NLP特征提取器：解锁文本数据
通过介绍自然语言处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与主要方法
课程安排：
- 1.循环神经网络及LSTM；
- 2.NLP中的卷积神经网络CNN；
- 3.attention机制及Transformer；
- 4.LSTM与文本分类；
- 5.膨胀卷积与命名实体识别
预训练模型：NLP任务的颠覆性力量
通过介绍BERT、GPT等预训练模型及其实战，掌握NLP中主流的预训练模型的结构，用法和差异，以及在实际场景中如何应用
课程安排：
- 1.预训练模型BERT及非结构化数据信息抽取实战；
- 2.GPT模型及生成式任务实战；
AI大语言模型核心技术与实战【火热方向】
通过学习AI大语言模型的预训练和微调理论，掌握大语言模型的分布式训练方法；通过学习最新的大模型agent思想及框架，掌握大模型落地应用的方法；
课程安排：
- 1.大语言模型分布式预训练；
- 2.分布式训练框架deepspeed;
- 3.大模型有监督微调；
- 4.大模型高效参数微调lora;
AI大语言模型进阶与实战【火热方向】
通过学习常见的开源大语言模型，掌握常见大语言模型的差异和使用方法；通过学习人类反馈式强化学习的方法，掌握大模型引入人类反馈的技术。
课程安排：
- 1.Llama，chatglm等大模型介绍；
- 2.RLHF中的奖励模型；
- 3.RLHF中的PPO算法；
- 4.langchain框架介绍;
- 5.基于大模型构建智能客服系统
搜索与推荐：NLP在实际场景中的应用
通过学习搜索和推荐技术，了解NLP技术在搜索和推荐中的应用。了解LLM对搜索和推荐技术影响，并通过实战，学习如何将大语言模型应用到搜索和推荐系统中去。
课程安排：
- 1.搜索技术框架和常见技术；
- 2.推荐系统技术框架和常见技术；
- 3.基于LLM的推荐系统实战；
- 4.基于LLM的搜索引擎实战
阶段九： AI工程师入行&转化&就业&面试指导
1门课
· 课程总时长：3小时
AI工程师入行&转行&就业&面试指导
本周给大家进行AI工程师入行与面试相关的指导，了解公司对AI算法工业者的能力要求，掌握更高效率的学术前沿知识获取方法，提高项目完整度与面试成功率。
课程安排：
- 1. 如何在简历中写好项目经历
- 2. 如何提升编程能力与算法能力
- 3. 常见的一些面试笔试问题
- 4. 如何保持学习，了解前沿技术
