?一、培訓(xùn)背景
隨著科技的飛速發(fā)展，人工智能(AI)已成為引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力。大模型(Large Language Models, LLMs)作為AI領(lǐng)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(nèi)容創(chuàng)作乃至整個數(shù)字化世界的認(rèn)知。近年來，諸如DeepSeek、GPT系列、Sora等大模型的不斷涌現(xiàn)，不僅展示了AI在自然語言處理領(lǐng)域的巨大潛力，也預(yù)示著AI技術(shù)即將邁入一個更加復(fù)雜、細(xì)膩且廣泛適用的新紀(jì)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(xù)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(shù)的機會也將井噴。
二、培訓(xùn)對象
從事人工智能領(lǐng)域工作的人
如果你正在從事人工智能、機器學(xué)習(xí)、數(shù)據(jù)分析等相關(guān)領(lǐng)域的工作，或者想要進入這些
領(lǐng)域，那么學(xué)習(xí)AI大模型開發(fā)將會對你的職業(yè)發(fā)展有很大的幫助。
軟件工程師和架構(gòu)師
這類專業(yè)人士可以通過學(xué)習(xí)AI大模型開發(fā)課程來提升團隊的研發(fā)效率，了解大模型如何影響軟件架構(gòu)，并掌握基于大模型的全新開發(fā)范式。
對人工智能有濃厚興趣的人
對人工智能、機器學(xué)習(xí)等領(lǐng)域有濃厚的興趣，想要深入了解并掌握相關(guān)技能，并有一定的軟件開發(fā)基礎(chǔ)的從業(yè)者。
三、培訓(xùn)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(zhàn);
4.了解LLM應(yīng)用程序技術(shù)棧和提示詞工程Prompt Enginerring;
5.了解國產(chǎn)大模型ChatGLM;
6.了解視覺大模型技術(shù)優(yōu)勢;
7.掌握語言理解與字幕生成及其應(yīng)用;
8.掌握圖像生成和應(yīng)用實操;
9.了解應(yīng)用場景與潛力分析;
10.了解大模型企業(yè)商用項目實戰(zhàn)。
四、培訓(xùn)內(nèi)容
|
培訓(xùn)主題
|
培訓(xùn)大綱
|
|
預(yù)備知識第一節(jié)：大模型理論知識
|
1、初探大模型：起源與發(fā)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(zhàn)-大模型2種學(xué)習(xí)路線的講解
5、大模型最核心的三項技術(shù):模型、微調(diào)和開發(fā)框架
6、DeepSeek的MoE 混合專家模型介紹
7、DeepSeek-R3后訓(xùn)練階段與強化學(xué)習(xí)技術(shù)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(tài)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(tài):微調(diào)、多模態(tài)，WebUI等項目簡介
|
|
預(yù)備知識第二節(jié)：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(wù)的輸入轉(zhuǎn)換
無監(jiān)督預(yù)訓(xùn)練、有監(jiān)督 Fine-tuning
BERT思路的理解
BERT模型下游任務(wù)的網(wǎng)絡(luò)層設(shè)計
BERT的訓(xùn)練
HuggingFace中BERT模型的推斷
基于上下文的學(xué)習(xí)
代碼和案例實踐：
基本問答系統(tǒng)的代碼實現(xiàn)
深入閱讀理解的代碼實現(xiàn)
段落相關(guān)性代碼實現(xiàn)
|
|
第三節(jié)：
Embedding模型實戰(zhàn)
|
大模型技術(shù)浪潮下的Embedding技術(shù)定位
Embedding技術(shù)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(diào)用方法詳解
text-embedding-ada-002模型參數(shù)詳解與優(yōu)化策略
借助Embedding進行特征編碼
Embedding結(jié)果的可視化展示與結(jié)果分析
【實戰(zhàn)】借助Embedding特征編碼完成有監(jiān)督預(yù)測
【實戰(zhàn)】借助Embedding進行推薦系統(tǒng)冷啟動
【實戰(zhàn)】借助Embedding進行零樣本分類與文本搜索
Embedding模型結(jié)構(gòu)微調(diào)優(yōu)化
借助CNN進行Embedding結(jié)果優(yōu)化
【企業(yè)級實戰(zhàn)】海量文本的Embedding高效匹配
|
|
?
?
?
?
?
?
?
?
?
?
第四節(jié)：
LLM應(yīng)用程序技術(shù)棧和提示詞工程Prompt Enginerring
|
設(shè)計模式：上下文學(xué)習(xí)
數(shù)據(jù)預(yù)處理/嵌入
提示構(gòu)建/檢索
提示執(zhí)行/推理
數(shù)據(jù)預(yù)處理/嵌入
Weaviate、Vespa 和 Qdrant等開源系統(tǒng)
Chroma 和 Faiss 等本地向量管理庫
pgvector 等OLTP 擴展
提示構(gòu)建/檢索
提示執(zhí)行/推理
新興的大語言（LLM）技術(shù)棧
數(shù)據(jù)預(yù)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(yōu)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(biāo)準(zhǔn)接口，以及與各種文本數(shù)據(jù)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(jié)合自定義文本數(shù)據(jù)
Agents：動作執(zhí)行、觀測結(jié)果，
LangChain的代理標(biāo)準(zhǔn)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(shè)計和使用
|
|
第五節(jié)：
國產(chǎn)大模型DeepSeek
|
新一代DeepSeek模型API調(diào)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(diào)用與三種運行方法
DeepSeek調(diào)用函數(shù)全參數(shù)詳解
DeepSeek Message消息格式與身份設(shè)置方法
DeepSeek tools外部工具調(diào)用方法
DeepSeek Function calling函數(shù)封裝12GLM4接入在線知識庫retrieval流程
DeepSeek接入互聯(lián)網(wǎng)web_search方法
【實戰(zhàn)】基于DeepSeek打造自動數(shù)據(jù)分析Agent
【實戰(zhàn)】基于DeepSeek的自然語言編程實戰(zhàn)
【實戰(zhàn)】基于DeepSeek Function call的用戶意圖識別
【實戰(zhàn)】基于GLM4的長文本讀取與優(yōu)化
|
|
?
?
?
?
?
?
?
?
第六節(jié)：LangChain大模型框架構(gòu)建
|
構(gòu)建垂直領(lǐng)域大模型的通用思路和方法
(1) 大模型+知識庫
(2) PEFT(參數(shù)高效的微調(diào))
(3) 全量微調(diào)
(4) 從預(yù)訓(xùn)練開始定制
LangChain介紹
LangChain模塊學(xué)習(xí)-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(shù)據(jù)庫問答的設(shè)計
Lanchain競品調(diào)研和分析
Dust.tt/Semantic-kernel/Fixie.ai/Cognosis/GPT-Index
LlamaIndex介紹
LlamaIndex索引
動手實現(xiàn)知識問答系統(tǒng)
代碼和案例實踐：
動手實現(xiàn)知識問答機器人
LangChain文本摘要
PDF文本閱讀問答
|
|
?
?
?
?
第七節(jié)
使用LangGraph構(gòu)建工作流
|
LangGraph 構(gòu)建自適應(yīng)RAG
1.?LangGraph 應(yīng)用場景、核心功能、特點
2.?基礎(chǔ)概念：節(jié)點、邊、圖等
3.?LangGraph 的系統(tǒng)架構(gòu)
4.?數(shù)據(jù)模型和存儲機制
5.?基本數(shù)據(jù)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(yīng)RAG
8.?代理RAG與糾正（CRAG）
|
|
?
?
?
第八節(jié)
LLM模型的私有化部署與調(diào)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(xiàn)
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(fā)布與調(diào)用大模型
7.?API Key獲取與 Llama微調(diào)實現(xiàn)
|
|
?
?
?
第九節(jié)
開源大模型微調(diào)實現(xiàn)
|
Llama_Factory 微調(diào)實戰(zhàn)
1.?提升模型性能方式介紹：Prompt、知識庫、微調(diào)
2.?如何科學(xué)構(gòu)建訓(xùn)練數(shù)據(jù)（基礎(chǔ)與專業(yè)數(shù)據(jù)混合訓(xùn)練）
3.?微調(diào)常見方式介紹：微調(diào)、偏好對齊、蒸餾、獎勵模型
4.?Llama3 模型架構(gòu)與調(diào)用申請
5.?數(shù)據(jù)上傳與任務(wù)創(chuàng)建（job）
6.?訓(xùn)練集與測試集拆分與模型評估
7.?Unsloth微調(diào)平臺介紹
8.?Llama3開源大模型的微調(diào)與使用
9.?模型的評估策略
|
|
?
?
?
第十節(jié)
大模型企業(yè)商用項目實戰(zhàn)
|
AI-Agent 構(gòu)建可發(fā)布的智能客服系統(tǒng)
1.?智能體介紹與AutoGPT基本原理
2.?AutoGPT安裝與環(huán)境配置
3.?實戰(zhàn)體驗：AutoGPT實現(xiàn)數(shù)據(jù)爬取、清洗、保存
4.?創(chuàng)建各種場景的AutoGPT
1.?內(nèi)容創(chuàng)建
2.?客服服務(wù)
3.?數(shù)據(jù)分析
4.?代碼編寫
5.?創(chuàng)建應(yīng)用程序
|
如果您想學(xué)習(xí)本課程，請
預(yù)約報名
如果沒找到合適的課程或有特殊培訓(xùn)需求，請
訂制培訓(xùn)
除培訓(xùn)外，同時提供相關(guān)技術(shù)咨詢與技術(shù)支持服務(wù)，有需求請發(fā)需求表到郵箱,或致電
技術(shù)服務(wù)需求表下載請點擊
服務(wù)優(yōu)勢：
豐富專家資源，精準(zhǔn)匹配相關(guān)行業(yè)，相關(guān)項目技術(shù)精英，面向用戶實際需求，針對性培訓(xùn)或咨詢，互動式交流，案例教學(xué)，精品小班，實際工程項目經(jīng)驗分享，快捷高效，節(jié)省時間與金錢，少走彎路與錯路。
專家力量：
中國科學(xué)院相關(guān)研究所高級研究人員
西門子，TI,vmware，MSC,Ansys，MDI，Mentor, candence,Altium,Atmel 、Freescale,達(dá)索，華為等
大型公司高級工程師，項目經(jīng)理，技術(shù)支持專家
，資深專家或講師
大多名牌大學(xué)，碩士以上學(xué)歷，相關(guān)學(xué)歷背景專業(yè)，理論素養(yǎng)高
多年實際項目實踐，大型復(fù)雜項目實戰(zhàn)案例分享，熱情，樂于技術(shù)分享
針對客戶實際需要，真實案例演示，互動式溝通，學(xué)有所值
