AI大模型全棧工程師實戰訓練營
2024-03-07 14:53:54
講(jiang)(jiang)師:講(jiang)(jiang)師團 瀏(liu)覽次數:3212
課程(cheng)描述(shu)INTRODUCTION
日(ri)程安排SCHEDULE
2025-10-27
成都
2025-12-24
長沙
課程大綱Syllabus
AI大模型公開課
培訓背景
隨著科技的飛速發展,人工智能(AI)已成為引領新一輪科技革命和產業變革的重要驅動力。大模型(Large Language Models, LLMs)作為AI領域的一項革命性突破,正以前所未有的速度重塑著我們對智能交互、知識管理、內容創作乃至整個數字化世界的認知。近年來,諸如DeepSeek、GPT系列、Sora等大模型的不斷涌現,不僅展示了AI在自然語言處理領域的巨大潛力,也預示著AI技術即將邁入一個更加復雜、細膩且廣泛適用的新紀元。
人工智能成為全球焦點的背景下,2024年中國政府工作報告,就首次提出開展“人工智能+”行動,相信后續還有更多利好人工智能和“人工智能+”的政策即將釋放。而在國家層面推動“AI+”行動,無數的機會也將井噴。
培訓對象
從事人工智能領域工作的人
如果你正在從事人工智能、機器學習、數據分析等相關領域的工作,或者想要進入這些
領域,那么學習AI大模型開發將會對你的職業發展有很大的幫助。
軟件工程師和架構師
這類專業人士可以通過學習AI大模型開發課程來提升團隊的研發效率,了解大模型如何影響軟件架構,并掌握基于大模型的全新開發范式。
對人工智能有濃厚興趣的人
對人工智能、機器學習等領域有濃厚的興趣,想要深入了解并掌握相關技能,并有一定的軟件開發基礎的從業者。
培訓收益
1、整體掌握大模型理論知識;
2、了解自注意力機制、Transformer模型、BERT模型;
3、掌握DeepSeek與ChatGPT原理與實戰;
4、了解LLM應用程序技術棧和提示詞工程Prompt Enginerring;
5、了解國產大模型ChatGLM;
6、了解視覺大模型技術優勢;
7、掌握語言理解與字幕生成及其應用;
8、掌握圖像生成和應用實操;
9、了解應用場景與潛力分析;
10、了解大模型企業商用項目實戰。
培訓大綱
預備知識第一節:大模型理論知識
1、初探大模型:起源與發展
2、GPT模型家族:從始至今
3、大模型DeepSeek VS ChatGPT4的對比介紹
4、大模型實戰-大模型2種學習路線的講解
5、大模型最核心的三項技術:模型、微調和開發框架
6、DeepSeek的MoE 混合專家模型介紹
7、DeepSeek-R3后訓練階段與強化學習技術介紹
8、0penAl文本模型A、B、C、D四大模型引擎簡介
9、最強Embedding大模型text-embedding-ada模型介紹
10、全球開源大模型性能評估榜單
11、中文大模型生態介紹與GLM 130B模型介紹
12、DeepSeek模型介紹與部署門檻
13、DeepSeek開源生態:微調、多模態,WebUI等項目簡介
預備知識第二節:自注意力機制、Transformer模型、BERT模型
RNN-LSTM-GRU等基本概念
編碼器、解碼器
自注意力機制詳解
Transformer
Mask Multi-Head Attention
位置編碼
特定于任務的輸入轉換
無監督預訓練、有監督 Fine-tuning
BERT思路的理解
BERT模型下游任務的網絡層設計
BERT的訓練
HuggingFace中BERT模型的推斷
基于上下文的學習
代碼和案例實踐:
基本問答系統的代碼實現
深入閱讀理解的代碼實現
段落相關性代碼實現
第三節:Embedding模型實戰
大模型技術浪潮下的Embedding技術定位
Embedding技術入門介紹
從Ono-hot到Embedding
Embedding文本衡量與相似度計算
OpenAl Embedding模型與開源Embedding框架
兩代OpenAl Embedding模型介紹
text-embedding-ada-002模型調用方法詳解
text-embedding-ada-002模型參數詳解與優化策略
借助Embedding進行特征編碼
Embedding結果的可視化展示與結果分析
【實戰】借助Embedding特征編碼完成有監督預測
【實戰】借助Embedding進行推薦系統冷啟動
【實戰】借助Embedding進行零樣本分類與文本搜索
Embedding模型結構微調優化
借助CNN進行Embedding結果優化
【企業級實戰】海量文本的Embedding高效匹配
第四節:LLM應用程序技術棧和提示詞工程Prompt Enginerring
設計模式:上下文學習
數據預處理/嵌入
提示構建/檢索
提示執行/推理
數據預處理/嵌入
Weaviate、Vespa 和 Qdrant等開源系統
Chroma 和 Faiss 等本地向量管理庫
pgvector 等OLTP 擴展
提示構建/檢索
提示執行/推理
新興的大語言(LLM)技術棧
數據預處理管道(data preprocessing pipeline)
嵌入終端(embeddings endpoint )+向量存儲(vector store)
LLM 終端(LLM endpoints)
LLM 編程框架(LLM programming framework)
LangChain的主要功能及模塊
Prompts: 這包括提示管理、提示優化和提示序列化。
LLMs: 這包括所有LLMs的通用接口,以及常用的LLMs工具。
Document Loaders: 這包括加載文檔的標準接口,以及與各種文本數據源的集成。
Utils: 語言模型在與其他知識或計算源的交互
Python REPLs、嵌入、搜索引擎等
LangChain提供的常用工具
Indexes:語言模型結合自定義文本數據
Agents:動作執行、觀測結果,
LangChain的代理標準接口、可供選擇的代理、端到端代理示例
Chat:Chat模型處理消息
代碼和案例實踐:
LLM大模型的使用
Prompts的設計和使用
第五節:國產大模型DeepSeek
新一代DeepSeek模型API調用
DeepSeek開放平臺使用方法與APIKey申請
DeepSeek-V3、DeepSeek-R1、DeepEP介紹
DeepSeek在線知識庫使用及模型計費說明
DeepSeek模型SDK調用與三種運行方法
DeepSeek調用函數全參數詳解
DeepSeek Message消息格式與身份設置方法
DeepSeek tools外部工具調用方法
DeepSeek Function calling函數封裝12GLM4接入在線知識庫retrieval流程
DeepSeek接入互聯網web_search方法
【實戰】基于DeepSeek打造自動數據分析Agent
【實戰】基于DeepSeek的自然語言編程實戰
【實戰】基于DeepSeek Function call的用戶意圖識別
【實戰】基于GLM4的長文本讀取與優化
第六節:LangChain大模型框架構建
構建垂直領域大模型的通用思路和方法
(1) 大模型+知識庫
(2) PEFT(參數高效的微調)
(3) 全量微調
(4) 從預訓練開始定制
LangChain介紹
LangChain模塊學習-LLMs 和 Prompts
LangChain之Chains模塊
LangChain之Agents模塊
LangChain之Callback模塊
Embedding嵌入
自定義知識庫
知識沖突的處理方式
向量化計算可采用的方式
文檔加載器模塊
向量數據庫問答的設計
Lanchain競品調研和分析
Dust、tt/Semantic-kernel/Fixie、ai/Cognosis/GPT-Index
LlamaIndex介紹
LlamaIndex索引
動手實現知識問答系統
代碼和案例實踐:
動手實現知識問答機器人
LangChain文本摘要
PDF文本閱讀問答
第七節使用LangGraph構建工作流
LangGraph 構建自適應RAG
1、LangGraph 應用場景、核心功能、特點
2、基礎概念:節點、邊、圖等
3、LangGraph 的系統架構
4、數據模型和存儲機制
5、基本數據查詢與操作
6、高級查詢:路徑查詢、模式匹配
7、使用本地LLM自適應RAG
8、代理RAG與糾正(CRAG)
第八節LLM模型的私有化部署與調用
LLM 推理與本地私有化部署
1、各種模型文件介紹
2、模型的推理、量化介紹與實現
3、Modelscope、Hugging Face簡單介紹與使用
4、大模型管理底座Ollama介紹
5、Ollama + lLama 部署開源大模型
6、Open WebUI發布與調用大模型
7、API Key獲取與 Llama微調實現
第九節開源大模型微調實現
Llama_Factory 微調實戰
1、提升模型性能方式介紹:Prompt、知識庫、微調
2、如何科學構建訓練數據(基礎與專業數據混合訓練)
3、微調常見方式介紹:微調、偏好對齊、蒸餾、獎勵模型
4、Llama3 模型架構與調用申請
5、數據上傳與任務創建(job)
6、訓練集與測試集拆分與模型評估
7、Unsloth微調平臺介紹
8、Llama3開源大模型的微調與使用
9、模型的評估策略
第十節大模型企業商用項目實戰
AI-Agent 構建可發布的智能客服系統
1、智能體介紹與AutoGPT基本原理
2、AutoGPT安裝與環境配置
3、實戰體驗:AutoGPT實現數據爬取、清洗、保存
4、創建各種場景的AutoGPT
1、內容創建
2、客服服務
3、數據分析
4、代碼編寫
5、創建應用程序
講師團隊
劉老師 | Javaweb,資深架構師,Langchain開發者
11年IT開發經驗,5年IT架構與管理經驗。精通大型分布式互聯網應用架構設計與技術開發。對于大規模分布式架構、微服務架構、云計算與容器化技術、開發與運維一體化、應用系統安全與和架構設計、海量數量處理、大數據等方向特別有研究,尤其是偏后端的對于高并發系統上有豐富的架構和實施經驗。擅長Java方向、軟件架構、微服務、軟件工程和研發團隊管理,目前在為某上市集團公司做大數據架構師,該公司主要為國家和國外提供安全上服務。
主導公司AI大模型開發項目,利用AI實現公司智能SQL項目,利用AI開發推進系統和銷售管理系統。
鄒老師 | 長春工業大學人工智能研究院院長
工程學術帶頭人、華東建筑設計研究總院研究員、山東交通學院客座教授、南昌航空大學碩士生導師、中國軟件行業協會專家委員、上海市計劃生育科學研究所特聘專家、天津大學創業導師、中華中醫藥學會會員、中國醫藥教育協會老年運動與健康分會學術委員;領導睿客邦與全國二十多所高校、國企建立了AI聯合實驗室,完成50多個深度學習實踐項目,廣泛應用于醫療、交通、農業、氣象、銀行、電信等多個領域。
帶隊完成了數十個AI項目,內容不僅包括深度學習、機器學習、數據挖掘等具體技術要點,也包括AI的整體發展、現狀、應用、商業價值、未來方向等,涵蓋內容非常豐富。
AI大模型公開課
轉載://bamboo-vinegar.cn/gkk_detail/299782.html
已開課(ke)時間Have start time
2025-06-28
北京
2025-03-26
廣州
人工智能公開培訓班
- 工業4.0 智能制造 張小強
- 企業智能化工廠導入之中國制 沈懷金
- 咨詢式人力資源管理的五定- 葛老師
- 企業數據化管理--大數據人 趙翰文
- 中國制造2025和工業4. 辛玉軍
- 企業數字化運營變革 汪老師
- MES項目經理 講師(shi)團
- 數字化工廠規劃師 講(jiang)師(shi)團
- Python-機器學習、深 講師團
- 數字制造技術在工廠的應用 李東
- “互聯網+”時代下的工業4 齊振宏
- 經典實驗設計與大數據建模 講師(shi)團
人工智能內訓
- 運用DeepSeek與 A 張曉如
- DeepSeek與 AIG 張(zhang)曉(xiao)如(ru)
- 運用DeepSeek與 A 張曉(xiao)如
- AI全場景實戰應用:AI高 張曉如
- AI前沿趨勢.實戰工具和應 李家貴
- 運用DeepSeek與 A 張曉如(ru)
- DeepSeek辦公效能提 柯雨金(jin)
- DeepSeek+AI賦能 趙保恒
- 運用DeepSeek與 A 張曉如
- DeepSeek+HR應用 蘇(su)運
- 運用DeepSeek與 A 張曉如
- DeepSeek賦能增效十 柯(ke)雨金