AI大模型全栈工程师实战训练营
发布时间:2024-03-07 14:53:54
讲师：讲师团天数：3天费用：6800元/人关注：2926
日程安排：
- 2025-06-28 北京
- 2025-10-27 成都
- 2025-12-24 长沙
课程大纲：
AI大模型公开课
培训背景
随着科技的飞速发展，人工智能（AI）已成为引领新一轮科技革命和产业变革的重要驱动力。大模型（Large Language Models, LLMs）作为AI领域的一项革命性突破，正以前所未有的速度重塑着我们对智能交互、知识管理、内容创作乃至整个数字化世界的认知。近年来，诸如DeepSeek、GPT系列、Sora等大模型的不断涌现，不仅展示了AI在自然语言处理领域的巨大潜力，也预示着AI技术即将迈入一个更加复杂、细腻且广泛适用的新纪元。
人工智能成为全球焦点的背景下，2024年中国政府工作报告，就首次提出开展“人工智能+”行动，相信后续还有更多利好人工智能和“人工智能+”的政策即将释放。而在国家层面推动“AI+”行动，无数的机会也将井喷。
培训对象
从事人工智能领域工作的人
如果你正在从事人工智能、机器学习、数据分析等相关领域的工作，或者想要进入这些
领域，那么学习AI大模型开发将会对你的职业发展有很大的帮助。
软件工程师和架构师
这类专业人士可以通过学习AI大模型开发课程来提升团队的研发效率，了解大模型如何影响软件架构，并掌握基于大模型的全新开发范式。
对人工智能有浓厚兴趣的人
对人工智能、机器学习等领域有浓厚的兴趣，想要深入了解并掌握相关技能，并有一定的软件开发基础的从业者。
培训收益
1、整体掌握大模型理论知识；
2、了解自注意力机制、Transformer模型、BERT模型；
3、掌握DeepSeek与ChatGPT原理与实战；
4、了解LLM应用程序技术栈和提示词工程Prompt Enginerring；
5、了解国产大模型ChatGLM；
6、了解视觉大模型技术优势；
7、掌握语言理解与字幕生成及其应用；
8、掌握图像生成和应用实操；
9、了解应用场景与潜力分析；
10、了解大模型企业商用项目实战。
培训大纲
预备知识第一节：大模型理论知识
1、初探大模型：起源与发展
2、GPT模型家族：从始至今
3、大模型DeepSeek VS ChatGPT4的对比介绍
4、大模型实战-大模型2种学习路线的讲解
5、大模型最核心的三项技术:模型、微调和开发框架
6、DeepSeek的MoE 混合专家模型介绍
7、DeepSeek-R3后训练阶段与强化学习技术介绍
8、0penAl文本模型A、B、C、D四大模型引擎简介
9、最强Embedding大模型text-embedding-ada模型介绍
10、全球开源大模型性能评估榜单
11、中文大模型生态介绍与GLM 130B模型介绍
12、DeepSeek模型介绍与部署门槛
13、DeepSeek开源生态:微调、多模态，WebUI等项目简介
预备知识第二节：自注意力机制、Transformer模型、BERT模型
RNN-LSTM-GRU等基本概念
编码器、解码器
自注意力机制详解
Transformer
Mask Multi-Head Attention
位置编码
特定于任务的输入转换
无监督预训练、有监督 Fine-tuning
BERT思路的理解
BERT模型下游任务的网络层设计
BERT的训练
HuggingFace中BERT模型的推断
基于上下文的学习
代码和案例实践：
基本问答系统的代码实现
深入阅读理解的代码实现
段落相关性代码实现
第三节：Embedding模型实战
大模型技术浪潮下的Embedding技术定位
Embedding技术入门介绍
从Ono-hot到Embedding
Embedding文本衡量与相似度计算
OpenAl Embedding模型与开源Embedding框架
两代OpenAl Embedding模型介绍
text-embedding-ada-002模型调用方法详解
text-embedding-ada-002模型参数详解与优化策略
借助Embedding进行特征编码
Embedding结果的可视化展示与结果分析
【实战】借助Embedding特征编码完成有监督预测
【实战】借助Embedding进行推荐系统冷启动
【实战】借助Embedding进行零样本分类与文本搜索
Embedding模型结构微调优化
借助CNN进行Embedding结果优化
【企业级实战】海量文本的Embedding高效匹配
第四节：LLM应用程序技术栈和提示词工程Prompt Enginerring
设计模式：上下文学习
数据预处理/嵌入
提示构建/检索
提示执行/推理
数据预处理/嵌入
Weaviate、Vespa 和 Qdrant等开源系统
Chroma 和 Faiss 等本地向量管理库
pgvector 等OLTP 扩展
提示构建/检索
提示执行/推理
新兴的大语言（LLM）技术栈
数据预处理管道（data preprocessing pipeline）
嵌入终端（embeddings endpoint ）+向量存储（vector store）
LLM 终端（LLM endpoints）
LLM 编程框架（LLM programming framework）
LangChain的主要功能及模块
Prompts: 这包括提示管理、提示优化和提示序列化。
LLMs: 这包括所有LLMs的通用接口，以及常用的LLMs工具。
Document Loaders: 这包括加载文档的标准接口，以及与各种文本数据源的集成。
Utils: 语言模型在与其他知识或计算源的交互
Python REPLs、嵌入、搜索引擎等
LangChain提供的常用工具
Indexes：语言模型结合自定义文本数据
Agents：动作执行、观测结果，
LangChain的代理标准接口、可供选择的代理、端到端代理示例
Chat：Chat模型处理消息
代码和案例实践：
LLM大模型的使用
Prompts的设计和使用
第五节：国产大模型DeepSeek
新一代DeepSeek模型API调用
DeepSeek开放平台使用方法与APIKey申请
DeepSeek-V3、DeepSeek-R1、DeepEP介绍
DeepSeek在线知识库使用及模型计费说明
DeepSeek模型SDK调用与三种运行方法
DeepSeek调用函数全参数详解
DeepSeek Message消息格式与身份设置方法
DeepSeek tools外部工具调用方法
DeepSeek Function calling函数封装12GLM4接入在线知识库retrieval流程
DeepSeek接入互联网web_search方法
【实战】基于DeepSeek打造自动数据分析Agent
【实战】基于DeepSeek的自然语言编程实战
【实战】基于DeepSeek Function call的用户意图识别
【实战】基于GLM4的长文本读取与优化
第六节：LangChain大模型框架构建
构建垂直领域大模型的通用思路和方法
(1) 大模型+知识库
(2) PEFT(参数高效的微调)
(3) 全量微调
(4) 从预训练开始定制
LangChain介绍
LangChain模块学习-LLMs 和 Prompts
LangChain之Chains模块
LangChain之Agents模块
LangChain之Callback模块
Embedding嵌入
自定义知识库
知识冲突的处理方式
向量化计算可采用的方式
文档加载器模块
向量数据库问答的设计
Lanchain竞品调研和分析
Dust、tt/Semantic-kernel/Fixie、ai/Cognosis/GPT-Index
LlamaIndex介绍
LlamaIndex索引
动手实现知识问答系统
代码和案例实践：
动手实现知识问答机器人
LangChain文本摘要
PDF文本阅读问答
第七节使用LangGraph构建工作流
LangGraph 构建自适应RAG
1、LangGraph 应用场景、核心功能、特点
2、基础概念：节点、边、图等
3、LangGraph 的系统架构
4、数据模型和存储机制
5、基本数据查询与操作
6、高级查询：路径查询、模式匹配
7、使用本地LLM自适应RAG
8、代理RAG与纠正（CRAG）
第八节LLM模型的私有化部署与调用
LLM 推理与本地私有化部署
1、各种模型文件介绍
2、模型的推理、量化介绍与实现
3、Modelscope、Hugging Face简单介绍与使用
4、大模型管理底座Ollama介绍
5、Ollama + lLama 部署开源大模型
6、Open WebUI发布与调用大模型
7、API Key获取与 Llama微调实现
第九节开源大模型微调实现
Llama_Factory 微调实战
1、提升模型性能方式介绍：Prompt、知识库、微调
2、如何科学构建训练数据（基础与专业数据混合训练）
3、微调常见方式介绍：微调、偏好对齐、蒸馏、奖励模型
4、Llama3 模型架构与调用申请
5、数据上传与任务创建（job）
6、训练集与测试集拆分与模型评估
7、Unsloth微调平台介绍
8、Llama3开源大模型的微调与使用
9、模型的评估策略
第十节大模型企业商用项目实战
AI-Agent 构建可发布的智能客服系统
1、智能体介绍与AutoGPT基本原理
2、AutoGPT安装与环境配置
3、实战体验：AutoGPT实现数据爬取、清洗、保存
4、创建各种场景的AutoGPT
1、内容创建
2、客服服务
3、数据分析
4、代码编写
5、创建应用程序
讲师团队
刘老师 | Javaweb，资深架构师，Langchain开发者
11年IT开发经验，5年IT架构与管理经验。精通大型分布式互联网应用架构设计与技术开发。对于大规模分布式架构、微服务架构、云计算与容器化技术、开发与运维一体化、应用系统安全与和架构设计、海量数量处理、大数据等方向特别有研究，尤其是偏后端的对于高并发系统上有丰富的架构和实施经验。擅长Java方向、软件架构、微服务、软件工程和研发团队管理，目前在为某上市集团公司做大数据架构师，该公司主要为国家和国外提供安全上服务。
主导公司AI大模型开发项目，利用AI实现公司智能SQL项目，利用AI开发推进系统和销售管理系统。
邹老师 | 长春工业大学人工智能研究院院长
工程学术带头人、华东建筑设计研究总院研究员、山东交通学院客座教授、南昌航空大学硕士生导师、中国软件行业协会专家委员、上海市计划生育科学研究所特聘专家、天津大学创业导师、中华中医药学会会员、中国医药教育协会老年运动与健康分会学术委员；领导睿客邦与全国二十多所高校、国企建立了AI联合实验室，完成50多个深度学习实践项目，广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。
带队完成了数十个AI项目，内容不仅包括深度学习、机器学习、数据挖掘等具体技术要点，也包括AI的整体发展、现状、应用、商业价值、未来方向等，涵盖内容非常丰富。
AI大模型公开课
上一篇: AI帮你做爆款：锻造客户导向的产品创新力
下一篇: 经营力——企业全面经营沙盘模拟
其他相关公开课程:
其他相关公开课程:
其他相关公开课程:
|
|
||
|
联系电话：4000504030 |
 线上课程关注公众号 |
|
