试看链接 https://pan.baidu.com/s/15Pmz1V3wyITpdXG8PWOSDw?pwd=uyjp
相关推荐
人工智能机器学习系统班
人工智能深度学习系统班第十四期
霍格沃兹测试开发学社人工智能测试开发训练营2期
课程目录
第一章 深度学习启航：开班典礼与导学课
1-1节 深度学习启航：开班典礼与导学课
1.深度学习启航：开班典礼与导学课
1-2节 AI课程所需安装软件教程
1.AI课程所需安装软件教程
1-3节 Python环境安装和搭建
1.Python环境安装和搭建
1-4节 Anaconda / Pycharm介绍与使用教程
1.Anaconda基础讲解和使用的教程
1-5节 云服务器与GPU资源
1.云服务器与GPU资源
第二章 【基础模块】Python编程基础
2-1节 Python简介
1.Python简介
2-2节 数据类型与数据结构
1.Python数据类型
2.Python列表
3.Python元组
4.Python集合
5.Python字典
2-3节 条件判断与循环
1.Python条件判断
2.Python循环
2-4节 函数定义与高级用法
1.函数的参数
2.递归和Lambda函数
2-5节 面向对象编程
1.Python类和对象
2.Python类的继承
2-6节 Numpy科学计算库
1.NumPy 零基础入门：数组初探
2.NumPy 进阶实操：排序、连接与数组形状调整
3.NumPy 实操进阶：数组堆叠拆分与数学运算
4.NumPy 实操进阶：数组聚合与矩阵变形
5.NumPy 数学公式实现与 MSE 计算
2-7节 Pandas数据分析库
1.Pandas Series
2.Pandas DataFrame
3.Pandas CSV文件处理
4.PandasExcel读写操作
5.Pandas数据清洗
6.Pandas数据排序与聚合
2-8节 Matplotlib 数据可视化库
1.Matplotlib初识
2.Matplotlib折线图绘制
3.Matplotlib散点图的绘制
4.Matplotlib柱状图
5.Matplotlib饼图绘制
6.Matplotlib直方图绘制
7.Matplotlib绘制箱线图
8.Matplotlib多子图操作
9.Matplotlib图表样式美化与保存
2-9节 Seaborn 数据可视化库
1.Seaborn基础教学（环境准备和基础配置）
2.Seaborn基础教学（scatterplot散点图）
3.Seaborn基础教学（折线图lineplot)
4.Seaborn基础教学（直方图histplot)
5.seaborn基础教学（核密度曲线kdeplot)
6.seaborn基础教学（箱线图boxplot）
7.Seaborn基础教学（小提琴图Violinplot）
8.Seaborn基础教学（柱状图barplot）
9.Seaborn基础教学（计数图countplot）
10.Seaborn基础教学（热力图heatmap）
11.Seaborn基础教学（配对图pairplot）
12.Seaborn基础教学（与Matplotlib配合使用）
13.Seaborn基础教学（综合案例：泰坦尼克号乘客数据分析）
第三章 【基础模块】机器学习基础知识
3-1节 机器学习概述
1.人工智能概述
2.什么是机器学习？
3.机器学习开发流程
3-2节 特征工程
1.数据集
2.特征工程介绍及字典特征提取
3.CountVectorizer文本特征提取
4.TF-IDF文本特征提取
5.特征预处理（归一化）
6.特征预处理（标准化）
7.特征降维（特征选择）
8.特征降维（PCA降维）
3-3节 经典机器学习算法原理与实践
1.专家系统实现动物识别
2.K近邻算法实现电影类型分类
3.决策树算法原理
4.决策树实现银行贷款分类实战
5.集成学习算法原理讲解
6.随机森林的鸢尾花分类实战
7.K-means聚类算法原理
8.K-means聚类算法的评估指标
9.K-means聚类算法代码实战
3-4节 模型评估与优化方法
1.模型保存与加载
2.模型选择与调优
第四章 【基础模块】深度学习基础与框架
4-1节 神经网络结构基础
1.神经网络基础与整体架构
4-2节 PyTorch框架介绍与配置安装
1.PyTorch框架与其他框架区别分析
2.anaconda与pytorch安装教程
4-3节 神经网络分类任务
1.数据集与任务概述
2.基本模块应用测试
3.网络结构定义方法
4.数据源定义简介
5.损失与训练模块分析
6.训练一个基本的分类模型
7.参数对结果的影响
4-4节 神经网络回归：气温预测
1.神经网络回归任务-气温预测
4-5节 神经网络实战
1.神经网络实战
第五章 【基础模块】深度学习核心算法与实践
5-1节 卷积神经网络深度解析
1.卷积神经网络基础与整体架构
5-2节 卷积网络参数分析与优化
1.输入特征通道分析
2.卷积网络参数解读
3.卷积网络模型训练
5-3节 图像识别模型训练策略
1.任务分析与图像数据基本处理
2.数据增强模块
3.数据集与模型选择
4.迁移学习方法解读
5.输出层与梯度设置
6.输出类别个数修改
7.优化器与学习率衰减
8.模型训练方法
9.重新训练全部模型
10.测试结果演示分析
5-4节 DataLoader自定义数据集处理
1.Dataloader要完成的任务分析
2.图像数据与标签路径处理
3.Dataloader中需要实现的方法分析
4.实用Dataloader加载数据并训练模型
5-5节 图像分类实战
1.图像分类实战
5-6节 Transformer基础
1.Transformer整体架构解读
2.transformer源码解读
5-7节 LSTM文本分类
1.数据集与任务目标分析
2.文本数据处理基本流程分析
3.命令行参数与DEBUG
4.训练模型所需基本配置参数分析
5.预料表与字符切分
6.字符预处理转换ID
7.LSTM网络结构基本定义
8.网络模型预测结果输出
9.模型训练任务与总结
5-8节 文本分类实战
1.文本分类实战
第六章 【CV方向】视觉基础模型与分类任务实战
6-1节 计算机视觉的任务体系与发展历程
1.CV的任务体系、发展历程及图像的数学基础
6-2节 经典CNN结构：AlexNet → VGG → GoogLeNet → ResNet
1.经典CNN结构：AlexNet →VGG →GoogLeNet→ResNet
6-3节 ResNet模型及其应用
1.医学疾病数据集介绍
2.Resnet网络架构原理分析
3.dataloader加载数据集
4.Resnet网络前向传播
5.残差网络的shortcut操作
6.特征图升维与降采样操作
7.网络整体流程与训练演示
6-4节 EfficientNet算法解析与源码解读
1.EfficientNet网络模型
6-5节 Vision Transformer原理精讲
1.视觉Transformer及其源码分析
6-6节 Swin Transformer原理精讲
1.swintransformer整体概述
2.要解决的问题及其优势分析
3.一个block要完成的任务
4.获取各窗口输入特征
5.基于窗口的注意力机制解读
6.窗口偏移操作的实现
7.偏移细节分析及其计算量概述
8.整体网络架构整合
9.下采样操作实现方法
10.分层计算方法
6-7节 现代视觉架构对比
1.现代视觉架构对比
6-8节 OpenCV基础一：图像读写、颜色空间与通道操作
1.OpenCV基础一：图像读写、颜色空间与通道操作
6-9节 OpenCV基础二：几何变换、滤波与形态学
1.OpenCV基础二：几何变换、滤波与形态学
6-10节 数据增强（一）基础变换
1.数据增强（一）基础变换
6-11节 数据增强（二）现代增强与工程落地
1.数据增强（二）现代增强与工程落地
6-12节 数据增强进阶-引导式混合GenMix/FocusAugMix/GradMix
1.数据增强进阶-引导式混合GenMix/FocusAugMix/GradMix
6-13节 视觉自监督学习：BEIT论文精读
1.BEITV2版本论文出发点解读
2.自监督任务中两大核心任务分析
3.整体网络架构图分析
4.框架实现细节流程分析
5.论文细节模块实现解读
6-14节 视觉自监督学习：BEITv2论文与源码解读
1.mmselfup源码实现解读
2.网络结构搭建细节解读
3.源码实现流程总结
6-15节 视觉自监督学习：MAE论文精读
1.视觉自监督学习：MAE论文精读
6-16节 视觉自监督学习：DINOv3论文精读
1.视觉自监督学习：DINOv3论文精读
6-17节 图像分类Demo：基于预训练ViT做细粒度分类
1.图像分类Demo：基于预训练ViT微调粒度分类
6-18节 光伏板智能分类
1.光伏板智能分类
6-19节 零样本火车零件分类
1.零样本火车零件分类
第七章 【CV方向】目标检测
7-1节 目标检测概述
1.目标检测概述、基础知识、算法进展与分类
7-2节 YOLO系列大串讲（v1-v13）
1.YOLO系列大串讲(可刷这个快速过)
7-3节 YOLOv7检测算法深度解析
1.YOLO系列（V7）算法解读
2.命令行参数介绍
3.基本参数作用
4.EMA等训练技巧解读
5.网络结构配置文件解读
6.各模块操作细节分析
7.输出层与配置文件其他模块解读
8.标签分配策略准备操作
9.候选框偏移方法与find3p模块解读
10.得到偏移点所在网格位置
11.完成BuildTargets模块
12.候选框筛选流程分析
13.预测值各项指标获取与调整
14.GT匹配正样本数量计算
15.通过IOU与置信度分配正样本
16.损失函数计算方法
17.辅助头AUX网络结构配置文件解析
18.辅助头损失函数调整
19.BN与卷积权重参数融合方法
20.重参数化多分支合并加速
7-4节 YOLOv8检测算法深度解析
1.YOLOV8
7-5节 YOLOv9检测算法深度解析
1.YOLO V9
7-6节 YOLO-World检测算法解析
1.CVPR2024：YOLO- World
7-7节 YOLOv8 / v11 / v26架构精讲
1.YOLOv8/v11/v26架构精讲
7-8节 YOLO数据标注工具介绍与标注规范
1.YOLO 数据标注工具介绍与标注规范
7-9节 检测场景OpenCV应用：ROI提取、结果绘制、视频流处理
1.目标检测场景下的 OpenCV 应用
7-10节 YOLO实战Demo：用公开数据集走完整训练流程
1.YOLO实战Demo：用公开数据集走完整训练流程
7-11节 半监督物体检测论文解读
1.半监督物体检测
7-12节 EfficientDet与CenterNet目标检测算法
1.EfficientDet检测算法
7-13节 DETR目标检测算法解析
1.DETR目标检测基本思想解读
2.整体网络架构分析
3.位置信息初始化query向量
4.注意力机制的作用方法
5.训练过程的策略
7-14节 DETR目标检测源码解读
1.项目环境配置解读
2.数据处理与dataloader
3.位置编码作用分析
4.backbone特征提取模块
5.mask与编码模块
6.编码层作用方法
7.Decoder层操作与计算
8.输出预测结果
9.损失函数与预测输出
7-15节 Deformable DETR检测算法解析
1.DeformableDetr算法解读
7-16节 Deformable DETR算法源码解读
1.特征提取与位置编码
2.序列特征展开并叠加
3.得到相对位置点编码
4.准备Encoder编码层所需全部输入
5.编码层中的序列分析
6.偏移量offset计算
7.偏移量对齐操作
8.Encoder层完成特征对齐
9.Decoder要完成的操作
10.分类与回归输出模块
11.预测输出结果与标签匹配模块
7-17节 RT-DETR遥感监测与科研实战
1.小目标检测增强与Query机制创新
2.特征金字塔重构与模型轻量化（科研视角）
3.基础视觉大模型
4.目标期刊会议推荐 以及写作筹备
7-18节 DINO论文精读与代码走读
7-19节 Grounding DINO 1.0 / 1.5 / 2.0开放词汇检测原理精讲
7-20节 数独识别游戏
1.基于yolo11的目标检测以及数独解题器
7-21节 全景图像拼接
1.全景图像拼接
7-22节 本章小结与目标检测方向选题建议
第八章 【CV方向】图像分割
8-1节 分割任务概述：语义分割 / 实例分割 / 全景分割
1.图像分割：语义分割、实例分割
8-2节 分割损失函数与评估指标详解
8-3节 分割场景OpenCV后处理：轮廓提取、连通域分析
8-4节 U-Net系列算法
1.Unet网络编码与解码过程
2.网络计算流程
3.Unet升级版本改进
4.后续升级版本介绍
8-5节 U-Net医学细胞分割实战
1.医学细胞数据集介绍与参数配置
2.数据增强工具
3.Debug模式演示网络计算流程
4.特征融合方法演示
5.迭代完成整个模型计算任务
6.模型效果验证
8-6节 U2Net显著性检测实战
1.任务目标与网络整体介绍
2.显著性检测任务与目标概述
3.编码器模块解读
4.解码器输出结果
5.损失函数与应用效果
8-7节 nnU-Net系列算法原理解析
8-8节 DeepLab语义分割算法
1.deeplab分割算法概述
2.空洞卷积的作用
3.感受野的意义
4.SPP层的作用
5.ASPP特征融合策略
6.deeplabV3Plus版本网络架构
8-9节 DeepLabV3语义分割实战
1.PascalVoc数据集介绍
2.项目参数与数据集读取
3.网络前向传播流程
4.ASPP层特征融合
5.分割模型训练
8-10节 DeepLabV3心脏分割实战
1.数据集与任务概述
2.项目基本配置参数
3.任务流程解读
4.文献报告分析
5.补充：视频数据源特征处理方法概述
6.补充：R(2plus1)D处理方法分析
8-11节 Mask R-CNN实例分割算法
1.Mask-Rcnn开源项目简介
2.开源项目数据集
3.开源项目数据集
8-12节 Mask R-CNN实例分割实战
1.Labelme工具安装
2.使用labelme进行数据与标签标注
3.完成训练数据准备工作
4.maskrcnn源码修改方法
5.基于标注数据训练所需任务
6.测试与展示模块
7.FPN层特征提取原理解读
8.FPN网络架构实现解读
9.生成框比例设置
10.基于不同尺度特征图生成所有框
11.RPN层的作用与实现解读
12.候选框过滤方法
13.Proposal层实现方法
14.DetectionTarget层的作用
15.正负样本选择与标签定义
16.RoiPooling层的作用与目的
17.RorAlign操作的效果
18.整体框架回顾
8-13节 分割数据标注与实战
1.Labelme工具安装
2.使用labelme进行数据与标签标注
3.完成训练数据准备工作
4.maskrcnn源码修改方法
5.基于标注数据训练所需任务
6.测试与展示模块
8-14节 SAM图像分割算法
1.DEMO效果演示
2.论文解读分析
3.完成的任务分析
4.数据闭环方法
5.预训练模型的作用
6.Decoder的作用与项目源码
7.分割任务模块设计
8.实现细节分析
9.总结分析
8-15节 SAM2视频分割算法
1.SAM2视频分割
8-16节 SAM3分割一切模型原理
8-17节 EfficientSAM分割算法
1.CVPR2024:EfficientSam
8-18节 SAM预训练模型调用Demo（点提示 / 框提示交互分割）
8-19节 Mask2Former统一分割架构论文精读
1.分割模型Maskformer系列
2.Backbone获取多层级特征
3.多层级采样点初始化构建
4.多层级输入特征序列创建方法
5.偏移量与权重计算并转换
6.Encoder特征构建方法实例
7.query要预测的任务解读
8.Decoder中的AttentionMask方法
9.损失模块输入参数分析
10.标签分配策略解读
11.正样本筛选损失计算
12.标签分类匹配结果分析
13.最终损失计算流程
14.汇总所有损失完成迭代
8-20节 SegFormer分割架构论文精读
8-21节 YOLO-seg分割原理与预训练模型调用
8-22节 光伏板智能分割
8-23节 工业轮毂错位检测
8-24节 本章小结与图像分割方向选题建议
第九章 【CV方向】视频理解、姿态估计与目标追踪
9-1节 SlowFast行为识别算法解析
1.slowfast核心思想解读
2.核心网络结构模块分析
3.数据采样曾的作用
4.模型网络结构设计
5.特征融合模块与总结分析
9-2节 SlowFast算法环境配置与训练数据准备
1.环境基本配置解读
2.目录各文件分析
3.配置文件作用解读
4.测试DEMO演示
5.训练所需标签文件说明
6.训练所需视频数据准备
7.视频数据集切分操作
8.完成视频分帧操作
9-3节 SlowFast算法源码详细解读
1.模型所需配置文件参数读取
2.数据处理概述
3.dataloader数据遍历方法
4.数据与标签读取实例
5.图像数据所需预处理方法
6.slow与fast分别执行采样操作
7.分别计算特征图输出结果
8.slow与fast特征图拼接操作
9.resnetBolock操作
10.RoiAlign与输出层
9-4节 3D卷积视频分析实战
1.3D卷积原理解读
2.UCF101动作识别数据集简介
3.测试效果与项目配置
4.视频数据预处理方法
5.数据Batch制作方法
6.3D卷积网络所涉及模块
7.训练网络模型
9-5节 视频异常检测算法与元学习
1.异常检测要解决的问题与数据集介绍
2.基本思想与流程分析
3.预测与常见问题
4.Meta-Learn要解决的问题
5.学习能力与参数定义
6.如何找到合适的初始化参数
7.MAML算法流程解读
9-6节 CVPR异常检测算法论文解读
1.论文概述与环境配置
2.数据集配置与读取
3.模型编码与解码结构
4.注意力机制模块打造
5.损失函数的目的
6.特征图生成
7.MetaLearn与输出
9-7节 人体姿态估计OpenPose算法解析
1.姿态估计要解决的问题分析
2.姿态估计应用领域概述
3.传统topdown方法的问题
4.要解决的两个问题分析
5.基于高斯分布预测关键点位置
6.各模块输出特征图解读
7.PAF向量登场
8.PAF标签设计方法
9.预测时PAF积分计算方法
10.匹配方法解读
11.CPM模型特点
12.算法流程与总结
9-8节 OpenPose算法源码解读
1.数据集与路径配置解读
2.读取图像与标注信息
3.关键点与躯干特征图初始化
4.根据关键点位置设计关键点标签
5.准备构建PAF躯干标签
6.各位置点归属判断
7.特征图各点累加向量计算
8.完成PAF特征图制作
9.网络模型一阶段输出
10.多阶段输出与预测
9-9节 DeepSORT算法知识点解读
1.卡尔曼滤波通俗解释
2.卡尔曼滤波要完成的任务
3.任务本质分析
4.基于观测值进行最优估计
5.预测与更新操作
6.追踪中的状态量
7.匈牙利匹配算法概述
8.匹配小例子分析
9.REID特征的作用
10.sort与deepsort建模流程分析
11.预测与匹配流程解读
12.追踪任务流程拆解
9-10节 DeepSORT源码解读
1.项目环境配置
2.参数与DEMO演示
3.针对检测结果初始化track
4.对track执行预测操作
5.状态量预测结果
6.IOU代价矩阵计算
7.参数更新操作
8.级联匹配模块
9.ReID特征代价矩阵计算
10.匹配结果与总结
9-11节 多目标追踪算法源码解读
1.获取检测结果与追踪初始化
2.初始时刻追踪器创建
3.追踪器记录信息概述
4.匹配过程细节分析
5.不同帧时刻追踪器状态更新方法
6.追踪器状态更新处理
7.追踪器迭代更新策略
第一十章 【CV方向】生成模型与图像生成技术
10-1节 生成模型与视觉生成任务概述
1.生成模型与视觉生成任务
10-2节 生成对抗网络架构原理
1.对抗生成网络通俗解释
2.GAN网络组成
3.损失函数解释说明
4.数据读取模块
5.生成与判别网络定义
10-3节 GAN图像补全论文解读
1.论文概述
2.网络架构
3.细节设计
4.论文总结
5.数据与项目概述
6.参数基本设计
7.网络结构配置
8.网络迭代训练
9.测试模块
10-4节 SRGAN超分辨率论文解读
1.论文概述
2.网络架构
3.数据与环境配置
4.数据加载与配置
5.生成模块
6.判别模块
7.VGG特征提取网络
8.损失函数与训练
9.测试模块
10-5节 CycleGAN图像转换模型
1.CycleGan网络所需数据
2.CycleGan整体网络架构
3.PatchGan判别网络原理
4.Cycle开源项目简介
5.数据读取与预处理操作
6.生成网络模块构造
7.判别网络模块构造
8.损失函数：identity loss计算方法
9.生成与判别损失函数指定
10.额外补充：VISDOM可视化配置
10-6节 StarGAN论文架构解析
1.stargan效果演示分析
2.网络架构整体思路解读
3.建模流程分析
4.V1版本存在的问题及后续改进思路
5.V2版本在整体网络架构
6.编码器训练方法
7.损失函数公式解析
8.训练过程分析
10-7节 StarGAN源码解读
1.测试模块效果与实验分析
2.项目配置与数据源下载
3.测试效果演示
4.项目参数解析
5.生成器模块源码解读
6.所有网络模块构建实例
7.数据读取模块分析
8.判别器损失计算
9.损失计算详细过程
10.生成模块损失计算
10-8节 StarGANv2变声器论文解析
1.论文整体思路与架构解读
2.VCC2016输入数据
3.语音特征提取
4.生成器模型架构分析
5.InstanceNorm的作用解读
6.AdaIn的目的与效果
7.判别器模块分析
10-9节 StarGANv2变声器源码解读
1.数据与项目文件解读
2.环境配置与工具包安装
3.数据预处理与声音特征提取
4.生成器构造模块解读
5.下采样与上采样操作
6.starganvc2版本标签输入分析
7.生成器前向传播维度变化
8.判别器模块解读
9.论文损失函数
10.源码损失计算流程
11.测试模块-生成转换语音
10-10节 StyleGAN2高质量图像生成
1.要完成的任务与基本思想概述
2.得到style特征编码
3.特征编码风格拼接
4.基础风格特征卷积模块
5.上采样得到输出结果
6.损失函数概述
10-11节 Diffusion模型架构
1.Diffusion模型解读
10-12节 DALL-E 2论文解析
1.论文基本思想与核心模块分析
2.不同模块对比分析
3.算法核心流程解读
4.各模块实现细节讲解
10-13节 DALL-E 2源码解读
1.项目整体流程分析
2.源码实现细节分析
3.源码公式对应论文分析
4.Decoder模块实现细节解读
5.源码实现流程总结
10-14节 KIE信息抽取与BasicVSR++视频超分论文解读
1.KIE关键信息抽取与视频超分辨率重构
第一十一章 【CV方向】3D视觉与SLAM
11-1节 3D点云基础与PointNet原理精讲
1.点云数据概述
2.点云应用领域与发展分析
3.点云分割任务
4.点云补全任务
5.点云检测与配准任务
6.点云数据特征提取概述与预告
7.3D数据应用领域与点云介绍
8.点云数据可视化展示
9.点云数据特性和及要解决的问题
10.PointNet算法出发点解读
11.PointNet算法网络架构解读
11-2节 PointNet++与点云特征学习进阶
1.PointNet升级版算法要解决的问题
2.最远点采样方法
3.分组Group方法原理解读
4.整体流程概述分析
5.分类与分割问题解决方案
6.遇到的问题及改进方法分析
7.项目文件概述
8.数据读取模块配置
9.DEBUG解读网络模型架构
10.最远点采样介绍
11.采样得到中心点
12.组区域划分方法
13.实现group操作得到各中心簇
14.特征提取模块整体流程
15.预测结果输出模块
16.分类任务总结
17.分割任务数据与配置概述
18.分割需要解决的任务概述
19.上采样完成分割任务
11-3节 3D目标检测概览：VoxelNet / CenterPoint / BEVFormer原理对比
11-4节 深度估计与立体匹配原理
1.深度估计效果与应用
2.kitti数据集介绍
3.使用backbone获取层级特征
4.差异特征计算边界信息
5.SPP层的作用
6.空洞卷积与ASPP
7.特征拼接方法分析
8.网络coarse-to-fine过程
9.权重参数预处理
10.损失计算
11.项目环境配置解读
12.数据与标签定义方法
13.数据集dataloader制作
14.使用backbone进行特征提取
15.计算差异特征
16.权重参数标准化操作
17.网络结构ASPP层
18.特征拼接方法解读
19.输出深度估计结果
20.损失函数通俗解读
21.模型DEMO输出结果
11-5节 单目深度估计 / 双目深度估计
11-6节 相机标定与多视几何基础
11-7节 SLAM基础原理：前端 / 后端 / 回环检测 / 图优化
11-8节 视觉SLAM原理精讲与论文走读
11-9节 激光SLAM原理精讲与论文走读
11-10节 TSDF算法解析
1.TSDF整体概述分析
2.合成过程DEMO演示
3.布局初始化操作
4.TSDF计算基本流程解读
5.坐标转换流程分析
6.输出结果融合更新
11-11节 TSDF算法实战
1.环境配置概述
2.初始化与数据读取
3.计算得到TSDF输出
11-12节 NeuralRecon算法解析
1.任务流程分析
2.基本框架熟悉
3.特征映射方法解读
4.片段融合思想
5.整体架构重构方法
11-13节 NeuralRecon算法实战
1.数据集下载与配置方法
2.Scannet数据集内容概述
3.TSDF标签生成方法
4.ISSUE的作用
5.完成依赖环境配置
6.Backbone得到特征图
7.初始化体素位置
8.坐标映射方法实现
9.得到体素所对应特征图
10.插值得到对应特征向量
11.得到一阶段输出结果
12.完成三个阶段预测结果
13.项目总结
11-14节 NeRF神经辐射场原理精讲 + 3D Gaussian Splatting原理概览
11-15节 本章小结与3D视觉方向选题建议
第一十二章 【CV方向】 CV综合串讲与方向选择
12-1节 CV技术地图回顾与方向选择建议（科研 vs 应用）
12-2节 论文阅读方法与顶会投稿入门
12-3节 进阶学习路线与资源推荐
第一十三章 【LLM方向】NLP基础与词向量
13-1节 NLP 词向量基础回顾与 Tokenizer、BBPE 原理以及实践
1.NLP 词向量基础回顾与 Tokenizer、BBPE 原理以及实践
13-2节 NLP常用工具包实战
1.Python字符串处理
2.正则表达式基本语法
3.正则常用符号
4.常用函数介绍
5.NLTK工具包简介
6.停用词过滤
7.词性标注
8.数据清洗实例
9.Spacy工具包
10.名字实体匹配
11.恐怖袭击分析
12.统计分析结果
13.结巴分词器
14.词云展示
13-3节 文本分析与可视化
1.在线商城商品数据信息概述
2.商品类别划分方式
3.商品类别可视化展示
4.商品描述长度对价格的影响分析
5.关键词的词云可视化展示
6.基于tf-idf提取关键词信息
7.通过降维进行可视化展示
8.聚类分析与主题模型展示
13-4节 N-gram 语言模型
1.开篇
2.语言模型
3.N-gram模型
4.词向量
5.神经网络模型
6.Hierarchical Softmax
7.CBOW模型实例
8.CBOW求解目标
9.锑度上升求解
10.负采样模型
13-5节 HMM隐马尔科夫模型
1.马尔科夫模型
2.隐马尔科夫模型基本出发点
3.组成与要解决的问题
4.暴力求解方法
5.复杂度计算
6.前向算法
7.前向算法求解实例
8.Baum-Welch算法
9.参数求解
10.维特比算法
11.hmmlearn工具包
12.工具包使用方法
13.中文分词任务
14.实现中文分词
13-6节 Word2Vec模型原理与构建
1.词向量模型通俗解释
2.模型整体框架
3.训练数据构建
4.CBOW与Skip-gram模型
5.负采样方案
6.word2vec词向量模型
13-7节 文本特征方法与相似度模型
1.任务概述
2.词袋模型
3.词袋模型分析
4.TFIDF模型
5.word2vec词向量模型
6.深度学习模型
7.任务概述
8.数据展示
9.正负样本制作
10.数据预处理
11.网络模型定义
12.基于字符的训练
13.基于句子的相似度训练
13-8节 文本分类与情感分析实战
1.任务概述与环境配置
2.参数配置
3.数据预处理模块
4.batch数据制作
5.RNN模型定义
6.完成训练模块
7.训练唐诗生成模型
8.测试唐诗生成效果
9.效果演示
10.参数配置与数据加载
11.数据处理
12.词向量与投影
13.seq网络
14.网络训练
13-9节 命名实体识别与关系抽取实战
1.数据与任务介绍
2.整体模型架构
3.数据-标签-语料库处理
4.训练网络模型
5.医疗数据集（糖尿病）实体识别
6.输入样本填充补齐
第一十四章 【LLM方向】预训练模型与大模型架构
14-1节 大模型概述：分类、基础组成与发展脉络
1.大模型分类、GPT架构解读
14-2节 Huggingface与Transformers库
1.Huggingface与NLP介绍解读
2.数据结构分析
3.Huggingface中的预处理实例
4.数据处理基本流程
5.工具包与任务整体介绍
6.NLP任务常规流程分析
7.文本切分方法实例解读
8.AttentionMask配套使用方法
9.数据集与模型
10.数据Dataloader封装
11.模型训练所需配置参数
12.模型训练DEMO
14-3节 预训练语言模型 BERT 原理解析
1.BERT课程简介
2.BERT任务目标概述
3.传统解决方案遇到的问题
4.注意力机制的作用
5.self-attention计算方法
6.特征分配与softmax机制
7.Multi-head的作用
8.位置编码与多层堆叠
9.transformer整体架构梳理
10.BERT模型训练方法
11.训练实例
14-4节 预训练语言模型 BERT 源码解读
1.BERT开源项目简介
2.项目参数配置
3.数据读取模块
4.数据预处理模块
5.tfrecord数据源制作
6.Embedding层的作用
7.加入额外编码特征
8.加入位置编码特征
9.mask机制的作用
10.构建QKV矩阵
11.完成Transformer模块构建
12.训练BERT模型
14-5节 预训练语言模型 BERT 变体原理解析
1.BERT模型训练方法解读
2.ALBERT基本定义
3.ALBERT中的简化方法解读
4.RoBerta模型训练方法解读
5.DistilBert模型解读
14-6节 BERT中文情感分析与NER实战
1.中文分类数据与任务概述
2.读取处理自己的数据集
3.训练BERT中文分类模型
4.命名实体识别数据分析与任务目标
5.NER标注数据处理与读取
6.构建BERT与CRF模型
14-7节 GPT系列算法演进
1.GPT系列算法概述
2.GPT三代版本分析
3.GPT初代版本要解决的问题
4.GPT第二代版本训练策略
5.采样策略与多样性
6.GPT3的提示与生成方法
7.应用场景CODEX分析
8.DEMO应用演示
9.生成模型可以完成的任务概述
10.数据样本生成方法
11.训练所需参数解读
12.模型训练过程
13.部署与网页预测展示
14-8节 LLaMA 3大语言模型架构解析
1.llama3模型下载与配置安装
2.环境相关配置解读
3.工具调用流程拆解
4.功能调用方法实例
5.RAG环境配置搭建
6.LLAMA3应用-RAG搭建方法
7.RAG基本流程分析
8.LORA微调方法
9.指令微调所需数据与模型下载
10.llama3模型微调实例
11.llama3微调后进行量化
12.llama.cpp量化实例
13.部署应用
14-9节 Qwen3架构拆解与从零手写大模型
1.大模型构建三阶段：Pretrain、SFT与RLHF
2.手写Qwen3 0.6B核心组件（BBPE/SwiGLU/RoPE）
3.手搓 Qwen3 attention decoder RMSNorm，构建完整模型
14-10节 DeepSeek架构解析：从LLM到高效推理模型
1.大模型2025年最新算法论文解读
14-11节 MoE混合专家模型原理与系统论文复现
1.大模型结构串讲
2.MoE详解和手写大模型
14-12节 Mamba与SSM新型大模型架构研究 + 实战
1.SSM与Mamba架构 和 Prompt Engineering
第一十五章 【LLM方向】大模型微调与对齐
15-1节 大模型微调概述：分类、原理与应用场景
1.大模型微调概述：分类、原理与应用场景
15-2节 数据准备与清洗工程15-3节 LoRA 参数高效微调原理与实践
1.PLORA变体全景解析
2.垂直领域微调实战
15-4节 大模型偏好对齐训练方法与实践
1.RLHF完整流水线
2.DPO直接偏好优化
15-5节 微调效果评估与模型选型决策
15-6节 垂直领域微调案例（医疗）
15-7节 RLHF强化学习微调原理与框架实现
第一十六章 【LLM方向】大模型优化与部署实战
16-1节 大模型微调基础与工程化全流程
1.课程大纲介绍
2.大模型训练主要阶段与应用价值
3.大模型微调难点与挑战
16-2节 微调硬件选择与环境搭建
1.主流显卡介绍与选择
2.本地微调环境搭建
3.云算力租赁介绍
16-3节 LLaMA-Factory入门与WebUI实战
1.lamafactory项目介绍与安装部署
2.lamafactory-webui面板配置与训练推理流程演示
3.lamafactory-webui难点参数理论讲解
16-4节 微调数据集来源、构建与清洗
1.数据集的来源与llamafactory中的数据集
2.数据集的构建
16-5节 LoRA微调原理与项目实战
1.微调方法理论介绍与日志监控
2.项目实战一:lora微调演示
16-6节 高级微调优化：BAdam、GaLore与训练监控
1.BAdam&Galora微调原理讲解
16-7节 大模型加速与量化技术实战
1.大模型加速技术
2.量化核心原理介绍
3.PTQ量化原理
4.QTA量化算法原理介绍
5.AWQ量化算法原理介绍
6.HQQ量化算法原理介绍
7.实战项目二:Galora全量参数微调实战与tensorboard使用
8.实战项目三:GPTQ量化实战
16-8节 分布式微调与多卡训练实战
1.分布式训练基础与网络环境配置
2.集体通信原语和网络拓扑
3.分布式微调训练框架与技术
4.其他分布式训练优化操作要点
5.实战一：Deepspeed&DDP单机多卡分布式微调
6.实战二：FSDP&DDP单机多卡分布式微调
7.实战三：多机多卡分布式微调实战
16-9节 模型蒸馏与大模型压缩实战
1.什么是知识蒸馏
2.基于响应的知识蒸馏
3.基于特征的知识蒸馏
4.关系型知识蒸馏
5.大模型知识蒸馏难点与解决案例分享
6.知识蒸馏项目实战
16-10节 大模型高效部署、综合项目与职业发展
1.大模型部署基础
2.大模型推理的优化技术
3.RestfuAPI与gRPC API的使用
4.0llama实战部署
5.VLLM高效推理框架部署
6.SGlang介绍与使用
7.大模型生命周期管理
8.综合项目需求分析
9.综合项目数据处理与训练数据集构建
10.模型训练优化与高效推理部署
11.大模型未来发展趋势
12.AI工程师的职业发展路径
16-11节 Ollama + Gemma4本地化部署
第一十七章 【LLM方向】RAG检索增强知识库
17-1节 RAG检索架构分析与应用
1.RAG要完成的任务解读
2.RAG整体流程解读
3.召回优化策略分析
4.召回改进方案解读
5.评估工具RAGAS
6.外接本地数据库工具
17-2节 RAGFlow本地化知识库实战
1.RAGFLOW介绍和特点
2.RAGFLOW接入本地模型
3.Chat与Embedding模型接入
4.知识库构建实例
5.封装成API调用
17-3节 RAGFlow与Function Calling
1.RAGFLOW和function calling
17-4节 LangChain助攻RAG
1.langchain助攻RAG
17-5节 高性能RAG原理与检索器基础
1.RAG原理+挑战与知识库的构建
2.常用检索-增强-生成方法介绍+扩展
3.常用RAG代码实操1-稠密检索器
4.常用RAG代码实操2-稀疏+集成检索器
17-6节 高性能RAG实战案例一：ES与词缀树检索系统
1.实战案例一： 需求分析、软件设计与ES的使用
2.实战案例一：词缀树的检索
3.实战案例一：项目整体代码实现
17-7节 高性能RAG实战案例二：多检索器知识库系统
1.实战案例二：需求分析、软件设计
2.实战案例二：知识库构建、4种检索器构建
3.实战案例二：知识库检索整体代码实现1+2整合
4.实战案例二：检索效果测试与工程化部署
5.向量知识库热更新实战
17-8节 RAG架构演进与Native RAG代码实操
1.RAG现状分析
2.8种RAG架构及技术演进路线
3.NativeRAG最佳实践与代码实操
17-9节 GraphRAG理论与代码实操
1.GraphRAG理论讲解与代码实操
17-10节 多模态RAG理论与文档问答实战
1.多模态RAG理论介绍
2.基于OCR的multimodel RAG
3.基于VLM的multimodel _rag
17-11节 Agentic多模态RAG系统实战
1.多模态AgenticRAG搭建中国旅游助手
17-12节 RAG进阶讲解
17-13节 从0到1搭建自己的RAG系统
第一十八章 【LLM方向】Agent开发与平台工程
18-1节 智能体解析与Agent应用实战
1.智能体
2.Agent应用实战
18-2节 LangGraph构建旅游资讯Agent
1.langraph建立旅游资讯agent
18-3节 MCP底层原理与Server开发
1.MCP介绍与底层原理
2.MCP server的编諤返写与并联串联 调用原理
3.MCP三种协议详解
18-4节 多MCP项目实战一：股价心理按摩师
1.项目一:股价心理按摩师(项目背景+需求分析+技术架构)
2.项目一:股价心理按摩师(服务端-客户端完整代码编写)
18-5节 多智能体 + 多MCP金融投资顾问实战
1.多智能体框架+多MCP适用场景
2.多智能体框架AgentSDK的基本用法
3.项目二:金融投资虚拟顾问(业务背景+技术架构)
4.项目二：金融投资虚拟顾问(金融文章检索MCP&金融RAG MCP的实现)
5.项目二：金融投资虚拟顾问(转人工MCP&股价预测MCP&多智能体多MCP运行编排)
6.项目二：金融投资虚拟顾问(多用户对话状态管理多智能体多MCP系统的实现)
18-6节 MCP与ChatBI智能助手原理
1.课程任务介绍
2.ChatBl的优势与挑战修改
3.剖析ChatBl的技术原理
4.驱动ChatBl的核心能力MCP理论介绍
18-7节 MCP + LangGraph构建ChatBI数据分析助手
1.项目一:项目背景&数据结构介绍修改
2.项目一:Text2sql&Text2python MCP的实现
3.项目一：机器学习MCP+多协议MCP客户端的编写
4.中心化智能体架构的缺陷与去中心化多智能体LangGraph架构
5.LangGraph的基本用法修改
6.LangGraph+MCP实现ChatBl主流程搭建
7.LangGraph+MCP项目测试+工程化部署修改
18-8节 斯坦福AI小镇项目解读
1.整体故事解读
2.要解决的问题和整体框架分析
3.论文基本框架分析
4.Agent的记忆信息
5.感知与反思模块构建流程
6.计划模块实现细节
7.整体流程框架图
8.感知模块解读
9.思考模块解读
10.项目环境配置方法解读
18-9节 OpenClaw开源项目入门与安装部署
1.OpenClaw开源项目介绍
2.Openclaw的安装部署
3.OpenClaw常用命令
4.OpenClaw的文件系统
18-10节 OpenClaw整体架构与AgentSkills机制
1.OpenClaw整体架构
2.OpenClaw核心功能精讲之AgentSkills
18-11节 OpenClaw项目实战一：飞书法务数字分身
1.法律数字分身1-技术方案分析
2.法律数字分身2-sql-query-help技能实现
3.法律数字分身3-case arrange&case-search技能实现
4.法律数字分身4-接入飞书应用
18-12节 OpenClaw项目实战二：邮件自动化助手
1.无限对话上下文记忆
2.越用越懂你的秘密
-
HeatBeat与Cron项目实战:邮件自动化助手
18-13节 OpenClaw项目实战三：MCP接入与PPT自动生成 -
OpenClaw接入MCP
2.项目实战三 ：一句话生成精美PPT
18-14节 OpenClaw多智能体与多渠道数字分身
1.多Agent系统概述&中心化协调者+subAgent系统
2.SubAgent项目实战-高质量调研报告生成&软件研发3人协同小组
3.Persist MultiAgent实战&多渠道数字分身
18-15节 Hermes-agent超级智能体实战
1.Hermes-agent超级智能体实战
18-16节 总结LangGraph工作流，搭建本地Agent系统
18-17节 Claude Code、Codex与AI编程智能体实战
第一十九章 【LLM方向】低代码Agent与AIGC工作流
19-1节 COZE智能体搭建框架基本使用
1.COZE的基本使用解读与说明
2.工作流中大模型的使用方法.
19-2节 初识COZE打造自己的第一个工作流：新闻搜索与总结
1.工作流要完成的任务与节点定义
2.插件配置方法与参数
3.大模型节点配置方法
4.结束节点配置
5.智能体配置方法
19-3节 COZE中配置自己的插件
1.插件的基本配置方法
2.输入输出参数配置方法
3.在工作流中配置自己的插件并使用
19-4节 COZE资料搜集与报告整理智能体
1.数据查找配置
2.读取新闻内容并整理报告
3.循环的配置与中间变量的作用
4.循环体注意事项更新
19-5节 新闻稿创作工作流(循环使用方法)
1.循环节点方法解读
2.循环中参数的定义方法
3.续写新闻稿件方法(循环中间变量使用)
4.智能体测试与输出节点
5.批处理的作用与效果
19-6节 COZE小红书文案生成智能体
1.提示词与工作流配置
2.插件配置方法与输出
19-7节 COZE与飞书表格集成办公
1.DEMO演示与基本流程分析
2.表格填入模块解读
3.表格的输入与输出
4.查找与匹配的方法
5.全局变量设置方法
6.内容补充
7.智能体测试应用
19-8节 历史人物视频素材生成
1.做视频素材业务逻辑分析
2.做剧本节点系统提示词方法
3.完成剧本节点输出
4.画面描述与图像生成节点构建
5.图像违规词限制与运镜节点
6.视频节点构建与错误分析
7.图像生成节点错误调试并保险
8.视频生成节点容易违规的解决方法
9.选修（当作拓展知识）：配置外部视频软件成为插件
10.选修：自定义插件配置方法实例
11.选修：工作流中添加视频插件
19-9节 历史人物自动化剪辑实例
1.时间线定义方法
2.剪映插件介绍
3.时间线和素材绑定方法
4.剪映草稿添加素材方法
5.得到合成后的视频
19-10节 智能客服工作流
1.对话流配置与创建
2.选择器的使用方法
3.数据库与大模型的匹配方法
4.知识库构建与匹配方法
5.汇总输出与测试.
19-11节 数据分析工作流
1.效果演示与数据读取
2.数据清洗与处理
3.结合DeepSeek构建代码节点
4.结合DeepSeek进行数据分析
5.配置插件把分析结果存在excel里
6.数据可视化配置方法与节点调试分析
7.不同可视化图表配置方法
8.输出与展示配置
19-12节 COZE发票助手智能体
1.发票助手插件接入
2.数据表创建方法
3.识别工作流配置与测试
4.调用模块工作流配置
5.知识库配置
19-13节 COZE邮件助手智能体
1.自定义插件创建方法与流程.
2.插件输出配置与循环体
3.知识库配置与结果输出
19-14节 影刀RPA自动化
1.影刀RPA分析
2.影刀安装方法
3.影刀流程配置方法实例
4.执行循环操作
5.完成文案采集的全部功能
19-15节 Dify平台介绍与低代码Agent开发框架
1.低代码Agent开发框架介绍
2.Dify介绍
3.开源版 Dify与商业版 Dify
19-16节 Dify部署、本地模型接入与核心功能
1.Dify阿里云计算巢部署
2.Dify Docker部署流程
3.Dify租赁云平台部署
4.Dify使用Ollama部署模型
5.Dify核心功能介绍
19-17节 Dify应用构建实战：对话、文本生成与Agent
1.Dify系例实践之对话应用构建
2.Dify文本生成应用
3.Dify Agent开发初体验
19-18节 Dify工作流、ChatFlow与文生图智能体实战
1.Dify文生图智能体开发实战
2.Dify工作流搭建智能助教
3.Dify ChatFlow搭建文章总结助手
第二十章 【LLM方向】多模态大模型
20-1节 Vision-Language模型串讲：从CLIP到LLaVA、Qwen-VL与Qwen3.5
20-2节 对比学习与多模态基础
1.对比学习算法与实例
2.CLIP系列
20-3节 视觉问答VQA与图文理解任务
1.视觉QA要解决的问题
2.论文概述分析
3.实现流程路线图
4.答案关注区域分析
5.VQA任务总结
20-4节 多模态大模型综合应用
1.多模态大模型
2.多模态大模型2
3.多模态大模型3
20-5节 Llava与YOLO11多模态视觉理解与检测
1.Llava与YOLO11
20-6节 InternVL 2.5 论文解读
1.InternVL 2.5 论文解读
20-7节 Diffusion扩散模型原理
1.扩散模型概述与GAN遇到的问题
2.要完成的任务分析
3.公式原理推导解读
4.分布相关计算操作
5.算法实现细节推导
6.公式推导结果分析
7.细节实现总结
8.论文流程图解读
9.案例流程分析
10.基本建模训练效果
20-8节 DALL-E 2图像生成模型原理与源码解读
1.论文基本思想与核心模块分析
2.不同模块对比分析
3.算法核心流程解读
4.各模块实现细节讲解
5.项目整体流程分析
6.源码实现细节分析
7.源码公式对应论文分析
8.Decoder模块实现细节解读
9.源码实现流程总结
第二十一章 【LLM方向】知识图谱与LLM结合
21-1节 知识图谱基础与应用场景
1.知识图谱通俗解读
2.知识图谱在搜索引擎中的应用
3.知识图谱在医疗领域应用实例
4.金融与推荐领域的应用
5.数据获取分析
6.数据关系抽取分析
7.常用NLP技术点分析
8.graph-embedding的作用与效果
9.金融领域图编码实例
10.视觉领域图编码实例
11.图谱知识融合与总结分析
21-2节 Neo4j图数据库实战
1.Neo4j图数据库介绍
2.Neo4j数据库安装流程演示
3.可视化例子演示
4.创建与删除操作演示
5.数据库更改查询操作演示
6.使用Py2neo建立连接
7.提取所需的指标信息
8.在图中创建实体
9.根据给定实体创建关系
21-3节 文本关系抽取与知识图谱构建研究
1.关系抽取要完成的任务演示与分析
2.LTP工具包概述介绍
3.pyltp安装与流程演示
4.得到分词与词性标注结果
5.依存句法概述
6.句法分析结果整理
7.语义角色构建与分析
8.设计规则完成关系抽取
21-4节 医学场景：糖尿病NER
1.数据与任务介绍
2.整体模型架构
3.数据-标签-语料库处理
4.输入样本填充补齐
5.训练网络模型
6.医疗数据集（糖尿病）实体识别
21-5节 医学场景：医学实体识别
1.项目概述与整体架构分析
2.医疗数据介绍及其各字段含义
3.任务流程概述
4.环境配置与所需工具包安装
5.提取数据中的关键字段信息
6.创建关系边
7.打造医疗知识图谱模型
8.加载所有实体数据
9.实体关键词字典制作
10.完成对话系统构建
21-6节 金融风控知识图谱模型
1.竞赛任务目标
2.图模型信息提取
3.节点权重特征提取(PageRank)
4.deepwalk构建图顶点特征
5.各项统计特征
6.app安装特征
7.图中联系人特征
21-7节 医学知识图谱与医药问答系统
第二十二章 【数据科学与时序方向】数据分析与特征工程基础
22-1节 数据类型认知与探索性分析
1.数据类型认知与探索性分析
22-2节 缺失值与异常值处理
22-3节 通用特征工程方法
22-4节 时序特征工程
1.时序特征工程
22-5节 特征选择与降维
第二十三章 【数据科学与时序方向】经典机器学习与表格数据建模
23-1节 经典机器学习算法与集成学习原理
1.经典机器学习算法与集成学习原理
23-2节 XGBoost与LightGBM深度解析与实战
23-3节 Transformer表格模型（TabNet / FT-Transformer）
23-4节 模型评估、特征重要性分析与过拟合控制综合实战
23-5节 超参数优化与模型调优高级技巧（Optuna / Hyperopt / GridSearch）
23-6节 零售销量智能预测系统实战
第二十四章 【数据科学与时序方向】时序预测
24-1节 时序数据分析导论与核心基础
24-2节 时序数据经典统计建模方法
24-3节 多元时序统计分析与降维建模
24-4节 时序机器学习建模、特征工程与回测评估
24-5节 时序基础深度学习建模方法
24-6节 时序Transformer前沿建模方法
24-7节 Informer算法解析与源码解读
1.时间序列预测要完成的任务
2.常用模块分析
3.论文要解决的问题分析
4.Query采样方法解读
5.probAttention计算流程
6.编码器全部计算流程
7.解码器流程分析
8.项目使用说明
9.数据集解读
10.模型训练所需参数解读
11.数据集构建与读取方式
12.数据处理相关模块
13.时间相关特征提取方法
14.dataloader构建实例
15.整体架构分析
16.编码器模块实现
17.核心采样计算方法
18.完成注意力机制计算模块
19.平均向量的作用
20.解码器预测输出
24-8节 TimesNet论文解析与源码解读
1.时序预测故事背景
2.论文核心思想解读
3.时序特征周期拆解
4.计算公式流程拆解
5.全部计算流程解读
6.周期间特征分析
7.源码流程解读
8.傅里叶变换流程
9.整体计算流程
24-9节 Time-LLM时序大模型论文解析与源码解读
1.time-llm大模型多模态预测任务
24-10节 时序大模型最新研究与实践
24-11节 时序分析核心下游任务全链路解析
24-12节 时序分析落地案例一：制造业非周期数据建模
24-13节 时序分析落地案例二：能源电力周期型数据建模
第二十五章 【数据科学与时序方向】医疗时序分析与行业落地
25-1节 医疗数据的趋势性、季节性与噪声特征分析
1.医疗数据的趋势性、季节性与噪声特征分析
25-2节 AR / MA / ARIMA模型原理与医疗时序建模流程
1.AR/MA/ARIMA模型原理与建模流程
25-3节 关键影响因素识别与预处理
1.关键影响因素（季节/突发事件）识别与预处理
25-4节 储备池计算
1.储备池计算
25-5节 VAE数据增强与医学时序样本合成
1.变分自编码器（VAE）原理：编码器、解码器与潜在空间
25-6节 解决数据稀缺：医学图像与时序数据生成
1.解决数据稀缺：医学图像/时序数据生成与样本合成
25-7节 跨医疗场景分析策略：急诊、慢病与疫情
1.跨医疗场景（急诊/慢病/疫情）分析策略对比
25-8节 医疗AI产品商业化路径与概念验证
1.医疗AI产品的商业化路径与概念验证
第二十六章 【数据科学与时序方向】图神经网络
26-1节 图神经网络基础
1.图神经网络应用领域分析
2.图基本模块定义
3.邻接矩阵的定义
4.GNN中常见任务
5.消息传递计算方法
6.多层GCN的作用
26-2节 图卷积网络模型
1.GCN基本模型概述
2.图卷积的基本计算方法
3.邻接的矩阵的变换
4.GCN变换原理解读
26-3节 PyTorch Geometric配置与实战
1.PyTorch Geometric工具包安装与配置方法
2.数据集与邻接矩阵格式
3.模型定义与训练方法
4.文献引用数据集分类案例实战
5.构建数据集基本方法
6.数据集与任务背景概述
7.数据集基本预处理
8.用户行为图结构创建
9.数据集创建函数介绍
10.网络结构定义模块
11.TopkPooling进行下采样任务
12.获取全局特征
13.模型训练与总结
26-4节 异构图神经网络模型
1.异构图神经网络
26-5节 基于图模型的时间序列预测研究
1.基于图模型的时间序列预测
26-6节 图相似度SimGNN论文解析与源码解读
1.要完成的任务分析
2.基本方法概述解读
3.图模型提取全局与局部特征
4.NTN模块的作用与效果
5.点之间的对应关系计算
6.结果输出与总结
7.数据集与任务概述
8.图卷积特征提取模块
9.分别计算不同Batch点的分布
10.获得直方图特征结果
11.图的全局特征构建
12.NTN图相似特征提取
13.预测得到相似度结果
26-7节 KIE关键信息抽取
1.KIE关键信息抽取与视频超分辨率重构
26-8节 VectorNet轨迹估计应用
1.数据集与标注信息解读
2.整体三大模块分析
3.特征工程的作用与效果
4.传统方法与现在向量空间对比
5.输入细节分析
6.子图模块构建方法
7.特征融合模块分析
8.VectorNet输出层分析
第二十七章 【数据科学与时序方向】PINN物理信息神经网络
27-1节 物理嵌入式机器学习简介
27-2节 PINN简介与基本建模范式
27-3节 常见PDE范式
27-4节 PINN正问题与逆问题求解
27-5节 PINN从零到一搭建（一）
27-6节 PINN从零到一搭建（二）
27-7节 PINN训练常见问题与解决
27-8节 PINN前沿工作带读
第二十八章 【强化学习】强化学习基础算法与实战
28-1节 强化学习介绍与应用
1.一张图通俗解释强化学习
2.强化学习的指导依据
3.强化学习AI游戏DEMO
4.应用领域简介
5.强化学习工作流程
6.计算机眼中的状态与行为
28-2节 Q-Learning与DQN算法
1.整体任务流程演示
2.探索与action获取
3.计算target值
4.训练与更新
5.算法原理通俗解读
6.目标函数与公式解析
7.Qlearning算法实例解读
8.Q值迭代求解
9.DQN简介
28-3节 DQN改进与技巧
1.DoubleDqn要解决的问题
2.DuelingDqn改进方法
3.Dueling整体网络架构分析
4.MultiSetp策略
5.连续动作处理方法
28-4节 PPO算法与推导
1.基本情况介绍
2.与环境交互得到所需数据
3.要完成的目标分析
4.策略梯度推导
5.baseline方法
6.OnPolicy与OffPolicy策略
7.importance sampling的作用
8.PPO算法整体思路解析
28-5节 PPO月球登陆器训练
1.Critic的作用与效果
2.PPO2版本公式解读
3.参数与网络结构定义
4.得到动作结果
5.奖励获得与计算
6.参数迭代与更新
28-6节 Actor-Critic（A3C）分析
1.AC算法回顾与知识点总结
2.优势函数解读与分析
3.计算流程实例
4.A3C整体架构分析
5.损失函数整理
28-7节 A3C超级马里奥实战
1.整体流程与环境配置
2.启动游戏环境
3.要计算的指标回顾
4.初始化局部模型并加载参数
5.与环境交互得到训练数据
6.训练网络模型
28-8节 强化学习拓展
1.强化学习的基础原理与应用等
第二十九章 【强化学习】人形机器人高级学习与控制方法
29-1节 基于分层强化学习的机器人路径规划方法
1.基于分层强化学习的机器人路径规划方法
29-2节 融合大语言模型的人形机器人强化学习训练范式
1.融合大语言模型的人形机器人强化学习训练范式
29-3节 融合具身智能的机器人学习范式
1.融合具身智能的机器人学习范式
29-4节 人形机器人模仿学习范式
1.人形机器人模仿学习范式
29-5节 人形机器人模仿学习复现与实操
1.人形机器人模仿学习复现与实操
第三十章 【智能应用】语音识别与语音合成
30-1节 seq2seq序列网络模型
1.序列网络模型概述分析
2.工作原理概述
3.注意力机制的作用
4.加入attention的序列模型整体架构
5.TeacherForcing的作用与训练策略
6.额外补充-RNN网络模型解读
30-2节 LAS模型语音识别实战
1.数据源与环境配置
2.语料表制作方法
3.制作json标注数据
4.声音数据处理模块解读
5.Pack与Pad操作解析
6.编码器模块整体流程
7.加入注意力机制
8.计算得到每个输出的attention得分
9.解码器与训练过程演示
30-3节 StarGANv2变声器论文解析
1.论文整体思路与架构解读
2.VCC2016输入数据
3.语音特征提取
4.生成器模型架构分析
5.InstanceNorm的作用解读
6.AdaIn的目的与效果
7.判别器模块分析
30-4节 StarGANv2变声器源码解读
1.数据与项目文件解读
2.环境配置与工具包安装
3.数据预处理与声音特征提取
4.生成器构造模块解读
5.下采样与上采样操作
6.starganvc2版本标签输入分析
7.生成器前向传播维度变化
8.判别器模块解读
9.论文损失函数
10.源码损失计算流程
11.测试模块-生成转换语音
30-5节 语音分离ConvTasnet模型
1.语音分离任务分析
2.经典语音分离模型概述
3.DeepClustering论文解读
4.TasNet编码器结构分析
5.DW卷积的作用与效果
6.基于Mask得到分离结果
30-6节 ConvTasNet语音分离实战
1.数据准备与环境配置
2.训练任务所需参数介绍
3.DataLoader定义
4.采样数据特征编码
5.编码器特征提取
6.构建更大的感受区域
7.解码得到分离后的语音
8.测试模块所需参数
30-7节 语音合成Tacotron最新版实战
1.语音合成项目所需环境配置
2.所需数据集介绍
3.路径配置与整体流程解读
4.Dataloader构建数据与标签
5.编码层要完成的任务
6.得到编码特征向量
7.解码器输入准备
8.解码器流程梳理
9.注意力机制应用方法
10.得到加权的编码向量
11.模型输出结果
12.损失函数与预测
第三十一章 【智能应用】现代推荐系统与实战
31-1节 推荐系统介绍及其应用
1.1-推荐系统通俗解读
2.2-推荐系统发展简介
3.3-应用领域与多方位评估指标
4.4-任务流程与挑战概述
5.5-常用技术点分析
6.6-与深度学习的结合
31-2节 协同过滤与矩阵分解
1.1-协同过滤与矩阵分解简介
2.2-基于用户与商品的协同过滤
3.3-相似度计算与推荐实例
4.4-矩阵分解的目的与效果
5.5-矩阵分解中的隐向量
6.6-目标函数简介
7.7-隐式情况分析
8.8-Embedding的作用
31-3节 DeepFM算法解析与实战
1.1-CTR估计及其经典方法概述
2.2-高维特征带来的问题
3.3-二项式特征的作用与挑战
4.4-二阶公式推导与化简
5.5-FM算法解析
6.6-DeepFm整体架构解读
7.7-输入层所需数据样例
8.8-Embedding层的作用与总结
9.1-数据集介绍与环境配置
10.2-广告点击数据预处理实例
11.3-数据处理模块Embedding层
12.4-Index与Value数据制作
13.5-一阶权重参数设计
14.6-二阶特征构建方法
15.7-特征组合方法实例分析
16.8-完成FM模块计算
17.9-DNN模块与训练过程
31-4节 推荐系统常用工具包演示
1.1-环境配置与数据集介绍
2.2-电影数据集预处理分析
3.3-surprise工具包基本使用
4.4-模型测试集结果
5.5-评估指标概述
31-5节 音乐推荐系统实战
1.1-音乐推荐任务概述
2.2-数据集整合
3.3-基于物品的协同过滤
4.4-物品相似度计算与推荐
5.5-SVD矩阵分解
6.6-基于矩阵分解的音乐推荐
31-6节 基于知识图谱的电影推荐实战
1.1-知识图谱推荐系统效果演示
2.2-kaggle电影数据集下载与配置
3.3-图谱需求与任务流程解读
4.4-项目所需环境配置安装
5.5-构建用户电影知识图谱
6.6-图谱查询与匹配操作
7.7-相似度计算与推荐引擎构建
31-7节 基于文本数据的推荐实例
1.1-数据与环境配置介绍
2.2-数据科学相关数据介绍
3.3-文本数据预处理
4.4-TFIDF构建特征矩阵
5.5-矩阵分解演示
6.6-LDA主题模型效果演示
7.7-推荐结果分析
31-8节 基于统计分析的电影推荐
1.1-电影数据与环境配置
2.2-数据与关键词信息展示
3.3-关键词云与直方图展示
4.4-特征可视化
5.5-数据清洗概述
6.6-缺失值填充方法
7.7-推荐引擎构造
8.8-数据特征构造
9.9-得出推荐结果
31-9节 基于相似度的酒店推荐系统
1.1-酒店数据与任务介绍
2.2-文本词频统计
3.3-ngram结果可视化展示
4.4-文本清洗
5.5-相似度计算
6.6-得出推荐结果
第三十二章 【AI 辅助开发】CodeBuddy实战
32-1节 CodeBuddy工具基础应用
1.CodeBuddy 工具基础应用
32-2节 项目架构与数据准备+模型搭建与训练
1.项目架构与数据准备+模型搭建与训练
32-3节 推理优化与后端封装+前端开发与系统集成
1.推理优化与后端封装+前端开发与系统集成
32-4节 RAG架构与文档处理+命名检索与生成交互
1.RAG架构与文档处理+命名检索与生成交互
32-5节 前端集成与系统优化
1.前端集成与系统优化
第三十三章 【AI 辅助开发】CodeBuddy辅助科研进阶
33-1节 科研方法论与CodeBuddy科研范式
33-2节 Baseline理解与改进模块设计
33-3节 实验验证与结果分析
33-4节 Baseline理解与改进模块设计
33-5节 实验验证与结果分析
33-6节 Baseline理解与改进模块设计
33-7节 实验验证与结果分析
33-8节 科研成果分析与论文写作
第三十四章 科研方法论与职业发展
34-1节 从阅读到实验，科研基础能力建设
34-2节 从写作到投稿，论文产出全流程
34-3节 就业求职与职业发展
