第一阶段 Python基础编程

第1章 Python环境搭建

1.1  认识编程语言、重点介绍Python语言

1.2  Python环境及开发工具的安装与使用

第2章 Python基础语法

2.1  行结构、缩进、注释、拼接

2.2  变量、常量、输入、输出

第3章 标准数据类型

3.1  数字（类型转换）、字符串（格式化、列表对象方法）

3.2  列表（访问修改、列表对象方法）、元组（元组对象方法）

3.3  字典（访问修改、字典对象方法）、集合（关系测试、集合对象方法）

3.4  序列的索引和切片、del语句

第4章 拷贝 & 运算符

4.1  赋值vs浅拷贝vs深拷贝

4.2  算术运算符、比较运算、符赋值运算符

4.3  逻辑运算符、成员运算符、身份运算符

4.4  位运算符、运算符优先级

第5章 条件语句 & 循环语句 & 推导式

5.1  条件语句、三元表达式

5.2  while循环、for循环、循环控制语句

5.3  列表推导式、字典推导式、集合推导式

第6章 函数 & 封包解包

6.1  内置函数、自定义函数、匿名函数

6.2  参数传递、参数分类、封包和解包

6.3  命名空间和作用域、常用高阶函数

第7章 面向对象编程

7.1  类对象、实例对象、类变量、实例变量

7.2  动态定义变量、类方法、对象方法、静态方法

7.3  面向对象三大特性之封装

7.4  面向对象三大特性之继承

7.5  面向对象三大特性之多态

7.6  特殊方法（魔术方法）

第8章 其他高级编程

8.1  闭包、装饰器

8.2  错误和异常、模块和包

8.3  可迭代对象vs迭代器vs生成器

8.4  正则表达式、文件读写等操作

第二阶段

Numpy与数据分析，Pandas与数据处理，Matplotlib

第1章 NumPy快速入门 

1.1  NumPy 数组对象

1.2  创建多维数组

1.3  多维数组的切片和索引

1.4  改变数组的维度

1.5  数组的组合

1.6  数组的分割

1.7  数组的属性

1.8  数组的转换

第2章 Pandas数据分析

2.1  series数据结构

2.2  series数据数学运算

2.3  dataframe数据结构创建

2.4  dataframe数据分析

2.5  dataframe读写csv、excel

第3章 Matplotlib

3.1  绘制折线图

3.2  绘制柱状图

3.3  绘制散点图

第4章 Seaborn

Seaborn简介与基础

4.1  Seaborn概述：Seaborn是什么，适用场景

4.2  安装与设置：如何安装Seaborn以及基本的设置

4.3  Seaborn与Matplotlib的关系：Seaborn与Matplotlib的区别和联系

4.4  加载与查看数据：使用Pandas加载数据并与Seaborn配合使用

单变量绘图

4.5  分布图（Distribution Plot）：distplot、kdeplot、rugplot

4.6  直方图与核密度估计图：histplot、kdeplot的应用与区别

4.7  箱线图（Box Plot）与小提琴图（Violin Plot）：箱线图与小提琴图的绘制与解释

4.8  条形图（Bar Plot）与计数图（Count Plot）：如何绘制和使用条形图与计数图

双变量绘图

4.9  散点图（Scatter Plot）：relplot、scatterplot的使用

4.10 线性关系图（Line Plot）：如何使用lineplot展示数据趋势

4.11 热力图（Heatmap）：热力图的应用场景与绘制技巧

4.12 联合图（Joint Plot）：使用jointplot绘制联合分布图

多变量绘图

4.13 成对关系图（Pair Plot）：pairplot的使用与解析

4.14 点图（Point Plot）：如何绘制和解读点图

4.15 矩阵图（Matrix Plot）：热力图与聚类热图的高级用法

4.16 关系图（Relational Plot）：relplot的高级用法和自定义

Seaborn高级技巧与自定义

4.17 主题设置与调色板：如何自定义Seaborn的主题与调色板

4.18 数据分面（Faceting）：使用FacetGrid和catplot实现数据分面

4.19 结合Matplotlib：如何将Seaborn与Matplotlib结合使用实现更高级的绘图

4.20 实战案例：消费数据分析及数据可视化

第三阶段 机器学习经典算法

第1章 机器学习概述

1.1  机器学习定义

1.2  机器学习、人工智能和深度学习的关系

1.3  机器学习基本概念和常用的应用场景

1.4  机器学习、数据分析、数据挖掘的区别与联系

1.5  机器学习分类

1.6  机器学习数据处理流程

第2章 KNN

2.1  KNN算法原理

2.2  KNN算法python list实现

2.3  KDTree

第3章 回归算法

3.1  线性回归算法

3.2  多项式扩展

3.3  正则化、Lasso&Ridge

3.4  机器学习调参

第4章 梯度下降

4.1  梯度下降算法原理

4.2  BGD\SGD\MBGD

第5章 Logistic&Softmax

5.1  Odds几率

5.2  Logistic原理

5.3  Softmax原理

第6章 特征工程

6.1  了解特征工程在机器学习当中的重要性

6.2  特征预处理

6.3  特征提取

6.4  特征选择和特征的降维

6.5  归一化、标准化

6.6  字典数据提取、OneHot、TF-IDF

6.7  Jieba分词

第7章 决策树

7.1  信息熵

7.2  决策树原理与构建

7.3  决策树可视化

第8章 集成学习

8.1  集成学习思想

8.2  Bagging、随机森林

8.3  Adaboost算法原理

8.4  GBDT算法原理

8.5  XGBoost算法原理

8.6  Stacking算法原理

第9章 SVM

9.1  感知器模型

9.2  硬间隔SVM

9.3  软间隔SVM

9.4  核函数

第10章 贝叶斯

10.1 朴素贝叶斯算法原理

10.2 贝叶斯网络

第11章 Kmeans

11.1 K-means算法原理

11.2 K-means++

11.3 K-means||

11.4 Mini batch K-means

11.5 聚类评估指标

第四阶段 深度学习基础

1.1 PyTorch深度学习框架

1.2 BP神经网络

1.3 CNN卷积神经网络及各种卷积结构

1.4 RNN循环神经网络及LSTM、GRU

1.5 激活函数

1.6 池化pooling的作用

1.7 Attention注意力机制基本结构及作用

1.8 批归一化的作用：BN、LN、IN、GN、SN等

1.9 模型过拟合解决方案：Dropout、Dropblock、L2 regularization等

1.10PyTorch模型优化器进阶

1.11PyTorch模型训练学习率策略进阶

1.12深度学习模型训练常用训练技巧介绍

1.13经典网络结构：VGG、GoogLeNet、ResNet、MobileNet等

第五阶段 不同方向企业实战运用项目

CV计算机视觉

第一阶段

OpenCV PIL与图形处理代码实战

1、OpenCV 安装 

2、摄像头操作

3、图像基本操作 

4、颜色空间转换 

5、阈值分割 

6、图像几何变换 

7、图像混合 

8、平滑图像 

9、边缘检测 

10、腐蚀与膨胀 

11、轮廓与特征 

12、直方图  

13、模板匹配 

第二阶段 CV 深度学习项目课

CV项目前置知识

传统计算机视觉框架OpenCV基本应用

目标检测相关检测算法知识：RCNN、Fast RCNN、Faster RCNN、SSD、YOLO v1-v8、DETR、Anchor DETR等

目标追踪相关算法知识：匈牙利算法、卡尔曼滤波、Deep Sort等

人脸识别相关算法知识：Deep Face、Face Net、Ada Face等

OCR字符识别相关算法知识：CNN、RNN等

图像生成相关算法知识：VAE、GAN、Stable Diffusion、Diffusion Transformers等

图像分割相关算法知识：U-Net、DeepLab、YOLO v5-v8等

项目应用相关知识：视频结构化处理流程、模型部署应用流程等

CV项目一：目标检测（一种工业缺陷检测，违规车牌检测，自动驾驶等核心技术）

目标检测效果展示

目标检测项目背景和应用场景

目标检测常用算法RCNN、Fast RCNN、Faster RCNN、SSD、YOLO v1-v9介绍及原理

RPN网络结构及原理

ROI pooling实现

anchors生成原理

NMS和Soft NMS

上采样

膨胀卷积

多任务损失函数设计

IOU计算原理

边框回归

目标分类损失函数设计和改进

难样本挖掘之Focus Loss设计

目标检测评价指标介绍

算法准确率提升之检测框集成

算法准确率提升之特征集成

制作自己的目标检测数据之数据标注

制作自己的目标检测数据之数据转化为结构化数据

模型源码讲解之模块设计思想

模型源码讲解之代码剖析

模型源码讲解之代码详细调试

模型的训练和调参技巧

模型的部署及预测

CV项目二：人脸识别（支付宝刷脸支付，公安部人脸认证，人脸考勤等）

人脸识别效果展示

人脸识别项目背景，应用场景，实现原理

不同人脸识别算法Center Loss，SphereFace，Cosine Margin Loss，Angular Margin Loss优缺点分析，如何设计高准确率的人脸检测模型

人脸识别损失函数设计原理

Arcface等论文导读及算法详解

人脸识别数据标注方法，标签生成

人脸识别算法的架构和模块详解

数据增强与样本不均衡处理

模型源码讲解之人脸识别特征提取网络设计

模型源码讲解之Arcface代码实现

模型源码讲解之模型优化及准确率提升技巧

模型源码讲解之预测模块实现和部署

CV项目三：基于神经辐射场的3D场景重建及语义分析

NeRF基础与原理

NeRF简介：NeRF原理及应用场景

NeRF基本原理：体渲染和辐射场的概念

NeRF算法流程：从图像采样到体渲染的全过程

安装与设置：NeRF的环境配置与依赖安装

相机标定技术原理与应用

3D场景重建

数据准备：多视角图像数据集的采集与处理

NeRF模型训练：输入图像数据，训练NeRF模型

场景重建：从训练好的NeRF模型生成3D场景

质量评估：如何评估3D重建的质量（PSNR、SSIM等）

NeRF模型优化

加速训练：使用优化算法加速NeRF训练过程

模型精度提升：提高3D场景重建精度的技巧

数据增强：通过数据增强提升NeRF模型的泛化能力

实战案例：通过具体项目展示如何优化NeRF模型

语义分析基础

语义分割简介：什么是语义分割及其应用

语义标签：为3D场景添加语义标签的概念与方法

深度学习基础：用于语义分割的基本深度学习技术

数据集准备：语义分割任务的数据集准备与标注

3D场景的语义分析

语义分割模型：常用的语义分割模型及其实现（如UNet、DeepLab等）

模型训练与优化：训练语义分割模型，并进行参数调优

语义标签融合：将语义标签融合到NeRF生成的3D场景中

综合应用：在实际项目中进行3D场景重建与语义分析的综合应用

（高性能部署）

第一阶段 C++编程

第1章 初识C++ 

1.1  Linux 学习环境搭建

1.2  Linux 常用指令学习 

1.3  C++ 与 Python对比

1.4  Windows C++ 和 Linux C++对比

1.5  C++ 编译原理

1.6  C++ 开发调试环境搭建

1.7  g++ 和 Makefile 编译

第2章 C++基础 

2.1  C++ 语句

2.2  其他C++ 语句

2.3  函数

第3章 处理数据

3.1  变量

3.2  const 限定符

3.3  浮点数

3.4  C++ 算术运算符

第4章 复合类型

4.1  数组

4.2  字符串

4.3  string类简介

4.4  结构简介

4.5  共用体

4.6  枚举

4.7  指针和自由存储空间

4.8  指针、数组和指针算术

4.9  类型组合

4.10 数组的替代品

第5章 循环关系和表达式

5.1  for循环

5.2  while循环

5.3  do while 循环

5.4  基于范围的for循环（C++11）

5.5  循环和文本输入

5.6  嵌套循环和二维数组

第6章 分支语句和逻辑运算符

6.1  if语句

6.2  逻辑表达式

6.3  字符函数库cctype

6.4  ？：运算符

6.5  switch语句

6.6  break和continue语句

6.7  读取数字的循环

6.8  文件的输入/输出

第7章 函数 --- C++ 编程模块

7.1  函数参数和按值传递

7.2  函数、数组和二维数组

7.3  函数和C-风格字符串

7.4  函数和结构

7.5  函数和string对象

7.6  函数和array对象

7.7  递归

7.8  函数指针

第8章 函数探幽

8.1  C++内联函数

8.2  引用变量

8.3  默认参数

8.4  函数重载

8.5  函数模板

第9章 内存模型和名称空间

9.1  单独编译

9.2  存储持续性、作用域和链接性

9.3  名称空间

第10章 对象和类

10.1  过程性编程和面相对象编程

10.2  抽象和类

10.3  类的构造函数和析构函数

10.4  this指针

10.5  对象数组

10.6  类作用域

10.7  抽象数据类型

第11章 使用类

11.1  运算符重载

11.2  计算时间：一个运算符重载示例

11.3  友元

11.4  重载运算符：作为成员函数还是非成员函数

11.5  再谈重载：一个矢量类

11.6  类的自动转换和强制类型转换

第12章 类和动态内存分配

12.1  动态内存和类

12.2  改进后的新String类

12.3  在构造函数中使用new时应注意的事项

12.4  有关返回对象的说明

12.5  使用指向对象的指针

12.6  队列模拟

第13章 类继承

13.1  一个简单的基类

13.2  继承：is-a关系

13.3  多态公有继承

13.4  静态联编和动态联编

13.5  访问控制：protected

13.6  抽象基类

13.7  继承和动态内存分配

13.8  类设计回顾

第二阶段 模型部署

1、常见模型部署框架基础介绍

2、ONNX模型结构转换及结构解析

3、基于Flask的后端Web模型结构搭建

4、Docker容器部署

NLP自然语言处理

NLP项目前置知识

分词及常用分词工具介绍

词向量Word2Vec结构及原理介绍

传统自然语言常用工具介绍：jieba、HanLP、gensim等

Seq2Seq序列生成网络结构讲解

Attention结构讲解：Self-Attention、Multi-Head Attention、Flash Attention等

Transformer算法结构讲解

Bert算法结构及Bert变种算法讲解

GPT算法结构及GPT变种算法讲解

常用大语言模型算法原理结构、微调训练及部署应用讲解

NLP项目一：语言模型，NLP深度学习技术的基石

语言模型应用场景，技术背景

从word2vec到Bert，再到霸屏的ALBERT设计原理详解和论文阅读

BERT特征之字符特征嵌入

BERT特征之位置特征嵌入

BERT特征之句子特征嵌入

BERT 特征抽取之transformer结构设计

遮蔽语言模型

Transformer多头注意力机制详解

Transformer 层归一化机制

多任务损失函数设计

样本标签自动产生

NLP项目二：多标签文本分类（淘宝京东评价数据评分，大众汽车客户评价分类，法律类似案件推荐，相似新闻分类）

项目背景介绍和企业应用场景

bert和卷积神经网络加全局attention机制算法效果展示及99%准确率如何炼成的

bert和卷积神经网络加全局attention机制多标签文本分类前沿算法架构设计

数据格式设计和标签样例

制作自己的数据集

Bert特征抽取模块设计

卷积神经网络特征优化

全局attention机制特征的融合

Bert输入数据的改进

把TPU支持切换为GPU支持

损失函数的设计原理

模型的训练和参数优化

模型的预测和部署

NLP项目三：命名实体识别系统（顺丰快递寄件物品，地址等识别；医疗辅助决策系统药品，疾病，症状；知识图谱实体识别等核心技术）

命名实体识别效果展示

命名实体识别项目背景和企业应用场景介绍

特征设计和模型嵌入

语言模型的嵌入

特征提取模块详解

网络的结构设计和参数详解

训练数据的自动生成和人工标注修复错误

训练数据转化为模型需要的格式

核心代码详解：调试、难点语法分析、调优、重写和升级

模型的训练和参数调整

模型的预测和企业化部署

NLP项目四：基于多任务学习联合模型的智能问答系统（构建百度知心、搜狗知立方、谷歌freebase和微软Microsoft Concept Graph等行业知识图谱核心技术）

知识抽取系统效果展示和分析

知识抽取系统行业背景和企业应用场景介绍

联合模型结构和模块详解

非联合模型结构和联合模型结构异同和性能分析

实体识别模块设计

关系分类模块设计

特征融合模块详解

标签表征和嵌入模块详解

特征的提取、表征和嵌入

联合模型实体关系标签转化和预测

多任务损失函数的设计和详解

Softmax单标签和Sigmoid多标签区别

如何解决多实体对多关系问题

模型训练和参数调整

模型预测和企业部署

NLP项目五：基于大语言模型的聊天机器人

聊天机器人应用展示

大语言模型的预训练及微调

基于Lang Chain的知识问答系统搭建

大语言模型的工具软件使用

text-to-text 文本生成技术及方式

项目部署应用

（多模态模型、AIGC及大模型）

第1章 多模态模型

1.1  多模态模型的发展趋势

1.2  大模型数据集与小模型数据集的区别

1.3  Transformer基本结构

1.4  ViT(Vision Transformer)模型结构

1.5  Swin Transformer模型结构

1.6  DETR模型结构与Deformable DETR模型结构

1.7  MoE结构介绍

1.8  大模型的主要类别架构:Encoder only、Decoder only.Encoder Decoder 等

1.9  LLaMA、ChatGLM、BLOOM 等主流开源大模型的架构、原理及评价指标

1.10 多模态和零样本学习：Clip、Blip1.0 与 Blip2.0

1.11 常用的开源模型选择方法（ChatGLM、Qwen 和 YI 开源模型、LLaMA等）

1.12 行业模型选型时的迁移适配、精度调试 、性能调优及算子开发

第2章 AIGC

2.1  AIGC内容生成基本概念及模型方式

2.2  text-to-image图像生成技术及方式

2.3  image-to-text文本生成技术及方式

2.4  text-to-text 文本生成技术及方式

2.5  text-to-video 视频生成技术及方式

2.6  基于GAN系列的生成算法模型及应用

2.7  基于Diffusion系列的生成算法模型及应用

2.8  基于Transformer系列的生成算法模型及应用

2.9  基于 AIGC进行通用数字人的设计

2.10 精准提示词的应用及高效指令的编辑

2.11 通过大模型进行自动化编程及 Debug修复

第3章 大语言模型基础

3.1  CharGPT基本原理

3.2  大语言模型的预训练及微调

3.3  基于LangChain的知识问答系统搭建

3.4  大语言模型的最新研究进展

3.5  大语言模型的工具软件使用

3.6  基于大语言模型的对话系统、文本生成等自然语言处理

3.7  讯飞星火大模型+星火微调平台应用

3.8  文心一言& 百度千帆大模型平台

3.9  AI论文导读与论文撰写

第4章大模型开发与应用

4.1  掌握面向大模型的 Prompt-Tuning 微调方法及SFT简介

4.2  In-Context learning、instruction-Tuning、Chain-of-Thought、PEFT(AdapterTuning、LoRA、Prehx_Tuning、Flash Attention、Kahneman-Tversky)

4.3  基于 zero-shot 方式实现 ChatGLM 模型进行多任务应用

4.4  ⼤模型应⽤开发框架 LangChain 核心组件构成及编程实践

4.5  Function Calling、LangChain 与 Retrieval 组件 

4.6  Hugging Face 应用：Models, Datasets, Spaces, Docs  

4.7  基于 ChatGLM3 的⼤模型应⽤开发：GLM 基座模型的选择、ChatGLM3- 6B 模型微调，界面设计及私有化部署

4.8  QLoRA 算法与模型量化技术原理

第5章 指令微调及优化方法

5.1  GPT 模型家族及其技术演进路线  

5.2  大模型应用落地与数据隐私  

5.3  指令微调基础与 LoRA 算法剖析  

5.4  指令数据搜集、生成及自动化质量评估  

5.5  AdaLoRA 算法剖析：AdaLoRA 与 LoRa 的比较、动态改变矩阵权重、SVD 与 AdaLoRA  

5.6  模型压缩与裁剪蒸馏技术  

5.7  SmoothQuant 算法与 ZeroQuant 算法  

5.8  模型对齐与 RLHF 算法、PPO 算法与策略优化 

5.9  DPO 算法及其在推荐系统中的应用  

5.10 大模型的增量学习及灾难性遗忘   

5.11 RAG 基础与架构：文档切分常见方法与向量数据库算法  

5.12 模型在智能设备上的部署方案、智能设备上的模型优化技术、边缘计算 中的大模型应用  

第6章行业应用及解决方案

6.1  基于大模型的各行业应用实践方案（电商、金融、医疗等）

6.2  基于不同业务场景的大模型解决方案

6.3  大模型并行计算、CANN 、MindX 、MindStudio 、算力运营

6.4  昇腾分布式加速库 MindSpeed 详解

6.5  大模型智算中心解决方案（数据中心基础设施系统和常用的指标介绍、智算中心存储解决方案、智算中心网络解决方案）