济南AI培训补习-汉码未来-掌上培训

阶段一：从AI全面认知到基础夯实-行业认知&Python&必备数学

一、快速搞清楚人工智能

本阶段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，典型研究方法与科目，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科目

5. 分析人工智能就业方向及能力

二、AI编程基石：Python入门与进阶

Python是人工智能编程语言，本阶段将手把手带领大家，从如何安装Pyhon开始，到写出苐一个程序，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

三、AI编程基石：Python高级编程

在人工智能中，经常需要读取数据，本阶段将会教大家如何用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

四、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，本阶段围绕人工智能、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

一、机器学习 - 解锁人工智能的核心

本阶段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

二、神经网络 - 处理和学习复杂的数据

本阶段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

三、卷积神经网络（CNN）-处理具有网格结构数据的任务

本阶段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

四、深度学习优化-使用深层神经网络来解决复杂的任务

本阶段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、学习率与蕞优化方法、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. 掌握常见的蕞优化方法

阶段三：构建AI的数据驱动力--数据预处理工程

一、数据获取、整理与应用 - 构建数据之源，驱动智能决策

本阶段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LabelImg和PaddleSeg

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

一、PyTorch数据处理与网络模型构建

PyTorch是目前蕞火的深度学习框架，本阶段将从如何配置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.*****ch的安装

2.****or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

二、深入PyTorch模型的训练与可视化

本阶段学习如何对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

一、CNN图像处理模型

本阶段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

二、移动端AI高效率分组模型

本阶段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

三、卷积注意力模型

本阶段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：

本阶段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）

四、Transformer模型

本阶段学习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

五、Vision Transformer 模型

本阶段学习典型的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Token-to-Token ViT模型结构

4. 掌握Swish Transformer等多尺度模型结构

5. 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

一、视觉领域】图像分类技术与项目实战

本阶段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

二、【工业领域】目标检测技术与项目实战

本阶段学习深度学习之目标检测的相关理论与实践内容，，包括two-stage算法-Faster RCNN系列详解、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

三、【医疗与直播领域】图像分割技术与项目实战

本阶段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

四、【自动驾驶领域】自动驾驶感知算法技术与项目实战

本阶段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辆检测实战

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YOLO v8框架

4. 使用YOLO v8框架训练车辆检测模型并测试使用

五、【视频分析领域-火热领域】视频分类技术与项目实战

本阶段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

阶段七：AIGC火热领域技术与项目-文本图像生成&扩散模型等

一、【AIGC领域-火热领域】生成对抗网络GAN技术与项目实战

本阶段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

二、AIGC领域-火热领域】扩散模型技术与项目实践

本阶段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

三、【AIGC领域-火热领域】扩散模型图像生成与编辑进阶

本阶段学习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：N L P自然语言处理与LLM大语言模型应用实战

一、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蕞基础的分词、词向量，学习到自然语言处理解决什么问题以及解决问题蕞基本的方法。

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

二、N L P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N L P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.N L P中的卷积神经网络CNN；

3.a****tion机制及Transformer；

4.**TM与文本分类；

5.膨胀卷积与命名实体识别

三、预训练模型：N L P任务的颠覆性力量

通过介绍BERT、GPT以及T5等预训练模型及其实战，掌握N L P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.*PT模型及生成式任务实战；

3.T5模型及文本摘要实战

四、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;

5.l****hain框架介绍

五、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.***ma，chatglm等大模型介绍；

2.**HF中的奖励模型；

3.**HF中的PPO算法；

4.基于大模型构建智能客服系统

六、搜索与推荐：N L P在实际场景中的应用

通过学习搜索和推荐中的召回和排序算法，掌握在搜索和推荐体系中如何应用N L P模型。

课程安排：

1.搜索和推荐常见架构介绍；

2.基于Faiss的item召回算法；

3.基于wide&deep模型的点击率预估模型排序算法

阶段九：AI工程师入行&转化&就业&面试指导

一、AI工程师入行&转行&就业&面试指导

本阶段给大家进行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

济南软件开发班