课程介绍
【培训背景】
人工智能作为引领新一轮科技革命与产业变革的战略性技术,正深刻重塑全球经济格局与产业生态。随着大模型、多模态学习、强化学习等前沿技术的快速发展,人工智能已从实验室走向规模化应用,成为企业实现智能化转型、提升核心竞争力的关键驱动力。
企业对AI技术落地的需求日益迫切,但市场普遍存在“理论型人才过剩、实战型人才紧缺”的矛盾,多数从业者与企业团队缺乏从需求分析、数据处理、模型开发到部署运维的全流程项目经验,中小企业还面临方法论缺失、技术与业务融合难等落地痛点。
【培训收益】
通过展示教师的实际科研成果,讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员获得:
1. 理论知识与技能提升——深化理论理解、掌握实践技能、培养问题解决能力;
2. 行业洞察与经验积累——了解行业应用趋势,积累项目实施经验,拓展行业人脉资源;
3. 创新思维与能力培养——激发创新灵感,培养批判性思维,提升综合创新能力;
4. 职业发展与竞争力提升——增强就业竞争力,适应职业发展需求,助力职业转型与晋升。
【培训对象】
技术管理者:技术总监、产品经理、项目主管等,需掌握AI技术路径与落地逻辑
战略决策者:企业高管、业务负责人等,关注AI赋能业务、驱动组织转型与战略布局
技术研发人员:包括政府、企业及高校中从事AI相关研发的工程师、研究员、架构师等
高级学术人才:高校教师、硕士、博士研究生及相关专业学生等,致力于AI前沿研究与工程实践
【培训特色】
1.资深讲师授课,小班制教学;
2.理论与实践相结合、案例分析与行业应用穿插进行;
3.专家精彩内容解析、学员专题讨论、分组研究。
【讲师团队】
刘老师 国内顶尖AI专家、大数据技术专家
西安邮电大学计算机科学与技术专业。拥有着20多年软件研发与企业培训经验,对Java、Python、区块链等技术领域有独特的研究,精通机器学习、深度学习、大模型技术。他的专业素养和教学能力备受学员赞誉,是众多技术爱好者心中的楷模。
AI深度学习方法:Scikit-Learn,Tensorflow、Keras、DNN、CNN、RNN、YOLO、OpenCV熟悉主流机器学习算法、各种神经网络结构和图形图像识别技术。
LLM大模型方向:DeepSeek、ChatGLM、ChatGPT4、Llama3、Agent、React、Ollama、Dify、Llamafactory微调、DeepSeek分布式训练、MindFormers生态、MoE混合专家模型。能根据客户的需求实现定制化的模型私有化部署、微调、对齐、量化。并对LangChain、LlamaIndex、Dify等大模型框架有源码级的理解。
邹老师 某工业大学人工智能研究院院长
博士学历,毕业于中国地质科学院,兼任天津大学创业导师、山东交通学院客座教授、硕士生导师。主持研发50多个人工智能领域工业级项目,广泛应用于能源、医疗、交通、气象、银行等多个领域。硕博期间主持研发大型行业建模软件,代码量100万行(从底层开发是考虑后期维护和产权)。创立的睿客邦与国内十多所高校建立了AI联合实验室或实训基地广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。成立中国科学院邹博人工智能研究中心,在翔创、天识等公司担任技术顾问,曾在多个在线平台授课,广受网友好评,累计学习人数超过百万。公开出版《强化学习》、《Python深度学习实践》、《自然语言处理》等11部专著和译著。在国内外期刊会议发表论文10余篇,获得国家发明专利1项,著书1本,译书6本。2017年主持科研项目荣获国土资源科学技术一等奖。为众多知名企业进行过上百场讲座和内部培训,其中包括中国移动、CSDN、中国建设银行、花旗银行、中信集团、中航信、烽火科技、京东方、中科曙光、京东、大唐、完美世界等。
【结业证书】
参加培训并通过考试学员,由工业和信息化部教育与考试中心统一颁发《人工智能核心技术(高级)》工业和信息化职业能力证书。
证书样本
开班计划
| 开课时间 | 授课形式 | 培训类型 | 上课城市 | 在线报名 |
|---|---|---|---|---|
| 2026-03-26 | 面授+直播 | 精品班 | 北京 | 在线报名 |
| 2026-06-28 | 面授+直播 | 精品班 | 广州 | 在线报名 |
| 2026-09-19 | 面授+直播 | 精品班 | 上海 | 在线报名 |
| 2026-11-26 | 面授+直播 | 精品班 | 北京 | 在线报名 |
| 随报随学 | 录播 | 特惠班 | IT云课 | 在线报名 |
课程大纲
人工智能开发全链路实战与案例分析培训班,标准公开课为3天,每天6小时,录播课为18课时,企业内训可按需求定制。
课程安排如下:
日程 | 主题 | 内容 |
第一天 | 深度学习基础 | 1. 神经元与神经网络 2. 激活函数的点火机制 3. Sigmoid函数与参数优化 4. 梯度下降法 5. 简单感知机 6. 多层感知机 7. Tensorflow实现感知机 8. Keras实现感知机 9. PyTorch实现感知机 |
深度学习进阶 | 1. 前馈神经网络 2. 误差反向传播 3. 创建神经网络 4. Fashion-MNIST图像识别 5. TensorFlow构建图像识别网络模型 6. Keras构建图像识别网络模型 7. PyTorch构建图像识别网络模型 | |
卷积神经网络与图像识别 | 1. 卷积神经网络的结构 2. 基于TensorFlow构建CNN 3. 基于Keras构建CNN 4. 基于PyTorch构建CNN | |
物体的图像识别 | 1. 多分类数据集CIFAR-10介绍 2. CNN识别普通物体的结构 3. 基于TensorFlow+CNN构建物体识别模型 4. 基于Keras+CNN构建物体识别模型 5. 基于PyTorch+CNN构建物体识别模型 6. 模型调优提高物体识别精度 | |
第二天 | 基于ResNet(残差神经网络)的图像识别 | 1. ResNet(残差神经网络)介绍 2. 残差学习的核心优势 3. ResNet的基本网络结构 4. 案例实战:基于ResNet构建高精度的图像分类器 5. 迁移学习:预训练ResNet模型快速实现特定场景识别 6.ResNet变体与发展 |
GYM与强化学习 | 1. GYM安装与游戏奖罚设置 2. 强化学习的与众不同 3. 马尔科夫性质与决策过程 4. SARSA算法介绍与推导 5. 蒙特卡洛多步采样 | |
YOLO系列算法与目标检测实战 | 1. YOLO(You Only Look Once)核心概念 2. 目标检测关键指标:IoU与mAP 3. YOLOv5/v8网络结构解析 4. 案例实战:基于YOLOv8的安全帽佩戴识别 5. 模型部署与优化 6.YOLO系列发展与展望 | |
YOLO-Seg的实例分割实战 | 1. 从目标检测到实例分割 2. YOLOv8-Seg模型结构解析 3. 分割任务关键指标:Mask AP 4. 案例实战:基于YOLOv8-Seg的道路裂缝分割 5. 模型推理与掩码处理 6. YOLO在分割领域的应用与未来 | |
第三天 | 飞桨的PaddlePaddle 目标检测 | 1. 飞桨(PaddlePaddle)深度学习框架介绍 2. 硬件环境介绍、要求、安装注意事项 3. PaddleDetection:飞桨官方目标检测开发套件 4. 飞桨的核心优势:PP-YOLOE模型解析 5. 如何快速使用PaddlePaddle进行目标检测 6. 案例实战:PaddleDetection的工业零件缺陷检测 7. 模型动静转换与高性能部署 |
注意力机制 | 1. 点积注意力机制 2. 编码与解码注意力 3. 注意力机制中的Q、K、V 4. 自注意力与多头注意力 | |
TransFormer架构解析 | 1. 各种注意力的应用 2. 编码器输入与位置编码 3. 编码器的内部结构 4. 训练自己的TransFormer模型 | |
Hugging Face平台介绍与使用 | 1. Hugging Face平台简介与生态系统 2. Hugging Face数据集库 3. TransFormers库的使用 4. 模型部署与推理API |