- 學習中
- 已學完
- 未學習
- 即將上線
人工智能開發(fā)基礎理論
39課時61小時33分
| D1 Python入門 免費 | D2 變量和簡單數(shù)據(jù)類型 免費 | D3 語句 免費 |
| D4 列表與元組 免費 | D5 字符串 免費 | D6 字典與集合 免費 |
| D7 函數(shù) | D8 類與對象 | D9 封裝 |
| D10 繼承 | D11 多態(tài) | D12 程序結構 |
| D13 異常 | D14 函數(shù)的重寫與重載 | D15 迭代器與生成器 |
| D16 函數(shù)式編程 | D17 文件IO |
| D1 Matplotlib基礎 | D2 基本使用 | D3 繪制圖形 |
| D4 Pandas基礎 | D5 Series & DataFrame | D6 數(shù)據(jù)清洗與繪圖 |
| D1 Git教程導學 | D2 Git教程練習 | D3 GitHub操作 |
| D4 Pycharm集成Git、GitHub和碼云 |
人工智能基礎開發(fā)核心課程
66課時77小時31分
| D1 為什么要學微積分、導數(shù)的含義、斜率的極值和極小值 | D2 常見的導數(shù)、不可微函數(shù)、導數(shù)的性質(zhì)、切平面和偏導數(shù)、梯度 |
| D1 人工智能的認知與介紹 | D2 人工智能工具環(huán)境介紹-學習環(huán)境介紹 |
| D1 計算機眼中的圖像 | D2 灰度化 | D3 二值化 |
| D4 自適應二值化 | D5 形態(tài)學變換 | D6 圖片顏色識別 |
| D7 圖像顏色替換 | D8 ROI切割 | D9 圖像旋轉 |
| D10 圖像鏡像旋轉 | D11 圖像縮放 | D12 圖像矯正 |
| D13 圖像添加水印 | D14 圖像噪點消除 | D15 圖像梯度處理 |
| D16 圖像邊緣檢測 | D17 繪制圖像輪廓 | D18 凸包特征檢測 |
| D19 模板匹配 | D20 圖像輪廓特征查找 | D21 直方圖均衡化 |
| D22 圖像亮度變換 | D23 霍夫變換 |
| D1 自動駕駛簡介 | D2 3D場景的介紹 | D3 獲取3D場景的數(shù)據(jù) |
| D4 透視變換 | D5 提取車道線 | D6 車道線擬合 |
| D7 車道線顯示 | D8 車道線檢測與自動駕駛（選修） |
| D1 機器學習介紹與定義 | D2 KNN決策邊界 | D3 距離計算方式 |
| D4 使用數(shù)學方法實現(xiàn)KNN | D5 前向傳播與損失函數(shù) | D6 反向傳播的學習率與梯度下降 |
| D7 自求導的方法實現(xiàn)線性回歸算法 | D8 深度學習框架PyTorch的tensor(1) | D9 深度學習框架PyTorch的tensor(2) |
| D10 基于PyTorch框架的線性回歸原理 | D11 PyTorch技巧與模型查看 | D12 基于TensorFlow框架的線性回歸 |
| D13 TensorFlow技巧與模型查看 | D14 基于PaddlePaddle框架的線性回歸 | D15 PaddlePaddle技巧與模型查看 |
| D16 【項目】基于PyTorch的房價預測 | D17 【作業(yè)】基于PyTorch的鮑魚年齡判定 | D18 【作業(yè)】基于sklearn共享單車租賃預測 |
| D1 概率與事件 | D2 生日問題與概率的反直覺、條件概率 | D3 貝葉斯與樸素貝葉斯 |
| D4 隨機變量與離散分布 | D5 連續(xù)概率分布與數(shù)學概念 | D6 貝葉斯分類案例 |
| D7 貝葉斯多分類案例 |
| D1 曲線擬合與非線性化、階躍函數(shù) | D2 sigmoid、tanh、ReLU、Softmax激活函數(shù) | D3 leaky ReLU、PReLU、ELU激活函數(shù) |
| D4 極大似然估計與交叉熵損失函數(shù) | D5 邏輯回歸與二分類問題 | D6 邏輯回歸項目實現(xiàn)與練習 |
人工智能深度開發(fā)核心課程
58課時50小時59分
| D1 全連接與鏈式求導法則 | D2 Softmax與交叉熵 | D3 優(yōu)化器和優(yōu)化方法 |
| D4 神經(jīng)網(wǎng)絡的可解釋性與欠擬合 | D5 神經(jīng)網(wǎng)絡的過擬合 | D6 神經(jīng)網(wǎng)絡的正則化 |
| D7 神經(jīng)網(wǎng)絡的過擬合解決方案 | D8 深度學習回顧與任務 | D9 深度學習基礎 |
| D10 知識回顧 |
| D1 計算機眼中的圖像 | D2 卷積為什么能識別圖像原理 | D3 卷積為什么能識別圖像練習 |
| D4 池化為什么能增強特征 | D5 多通道卷積、偏置過程 | D6 CUDA與CuDNN安裝 |
| D7 LeNet-5原理與算法基礎 | D8 【項目】LeNet-5的手寫體識別項目 | D9 分類算法的評估標準 |
| D10 簡單入門項目-數(shù)字識別 | D11 視覺-CNN基礎 |
| D1 Encoder-Decoder結構 | D2 注意力機制的引入 | D3 注意力機制 |
| D4 soft-attention | D5 位置編碼 | D6 Layer Normalization |
| D7 Attention中的mask | D8 Transformer | D9 【代碼】手寫Transformer網(wǎng)絡 |
| D10 【項目】手寫GPT網(wǎng)絡與使用 |
| D1 基礎語音3D應用場景的介紹與應用 | D2 認識模擬聲音與數(shù)字聲音 | D3 聲音時域與頻域轉換原理與步驟 |
| D4 聲音時域與頻域轉換代碼生成與運行 | D5 聲音的Mel譜特征抽取原理與步驟 | D6 聲音的Mel譜特征抽取生成與運行 |
進階實戰(zhàn)
78課時68小時50分
| D1 目標檢測簡介 | D2 目標檢測的數(shù)據(jù)集-Pascal VOC | D3 目標檢測的數(shù)據(jù)集-MS COCO |
| D4 目標檢測的數(shù)據(jù)集-YOLO | D5 目標檢測的評價指標 | D6 目標檢測的挑戰(zhàn) |
| D1 Linux系統(tǒng)介紹 | D2 Ubuntu基本命令 |
| D1 常見大模型介紹 | D2 大模型與人工智能關系 | D3 大模型的基礎原理 |
| D4 大語言模型的“前世今生”與發(fā)展 | D5 LLM預測過程與提示工程 | D6 如何高效地使用Prompt |
| D1 Langchain部署本地大模型 | D2 Langchain-Prompt提示詞 | D3 Langchain-輸出解析器 |
| D4 Langchain-chain鏈 | D5 Langchain-memory記憶 | D6 【項目】LangChain-代理實現(xiàn)天氣預報 |
| D7 RAG的介紹 | D8 RAG的文本加載 | D9 RAG的文本分割 |
| D1 大模型部署與微調(diào) |
| D1 PyQT5概念 | D2 創(chuàng)建PyQT5的第一個窗口 | D3 故宮介紹——通過兩種方式實現(xiàn) |
| D4 繪制注冊界面，實現(xiàn)注冊功能 | D5 圖像顯示 | D6 定時器-Qtimer的使用 |
| D7 進度條 QProgressBar | D8 PyQT的界面切換 | D9 記事本實現(xiàn)--QMainWindows |
| D10 文件瀏覽器、多媒體 | D11 多媒體的實現(xiàn) | D12 事件 |
| D13 PyQT中多線程 | D14 打包PyQt5軟件 |