階段一：從AI全面認知到基礎夯實-行業認知&Python&必備數學

一、快速搞清楚人工智能

本階段學習人工智能相關基礎及其應用，包括人工智能的概念，背后的發展歷史，典型研究方法與科目，就業市場與前景。

課程安排：

1. 從零全面快速認知人工智能

2. 探討人工智能的發展歷程與發展

3. 分析人工智能的主要研究方法

4. 了解人工智能領域相關的科目

5. 分析人工智能就業方向及能力

二、AI編程基石：Python入門與進階

Python是人工智能編程語言，本階段將手把手帶領大家，從如何安裝Pyhon開始，到寫出苐一個程序，掌握Python的輸入輸出、程序的流程控制、序列相關知識，函數，模塊，文件與文件夾操作和面向對象編程。

課程安排：

1. 如何安裝和使用Anaconda,PyCharm等編程軟件

2. 學習輸入輸出、以及程序流程控制語句

3. Python序列知識講解，包括：列表、元組、字典與集合

4. 掌握Python的函數、模塊與文件操作

5. 學習Python的面向對象編程，理解代碼的繼承

6. Python 在AI中的應用實戰

三、AI編程基石：Python高級編程

在人工智能中，經常需要讀取數據，本階段將會教大家如何用python處理文本文檔、excel表格、圖片以及視頻。還有如何繪制出折線圖、條形圖等常用圖形，方便大家科研作圖。最后帶著大家做屬于自己的軟件界面，方便作品的展示。

課程安排：

1. 處理文本文檔信息核心基礎操作

2. 使用pandas處理表格數據

3. 運用 pandas對表格進行基本的分析、以及繪圖

4. 運用Matplotlib處理圖片

5. 運用OpenCV進行視頻處理

6. 使用 pickle進行文件數據序列化處理

7. 學習PyQt給程序做出一個可互動的界面，給軟件一個包裝

四、人工智能底層基石-三大必備AI 數學基礎

數學是人工智能的基礎，本階段圍繞人工智能、尤其是深度學習中經常遇到的數學知識進行展開，通過簡單易懂的案例，幫大家回顧線性代數、微積分以及概率論的相關知識。

課程安排：

1. 學習人工智能和其他領域中的線性代數、微積分、概率論應用案例

2. 學會Numpy的安裝與簡單測試

3. 線性代數相關知識點理論講解與核心應用代碼講解

4. 微積分相關知識點理論講解與核心應用代碼講解

5. 概率論相關知識點理論講解與核心應用代碼講解

6. 使用Numpy應用實戰，如實現向量的加、減、點積和外積操作、求矩陣的特征向量、SVD分解等

7. 運用Python應用實戰，如旋轉、放縮、繪制函數圖像并展示其切線、繪制三維函數圖像等

階段二：從AI核心技術理論體系構建到項目實戰： 機器學習&深度學習

一、機器學習 - 解鎖人工智能的核心

本階段學習機器學習基礎知識，包括機器學習概念、機器學習模型分類、評估目標與優化目標、典型案例實踐。

課程安排：

1. 掌握機器學習工具的基本流程

2. 掌握特征的概念與使用

3. 了解不同機器學習模型的分類

4. 學會常見機器學習模型的評估方法

5. 學會常見機器學習模型的學習優化目標

6. 學習使用python機器學習工具sklearn

7. 基于sklearn工具和鳶尾花數據集，進行邏輯回歸實戰

二、神經網絡 - 處理和學習復雜的數據

本階段學習神經網絡基礎知識，包括前饋神經網絡與時序神經網絡結構、單層神經網絡與多層神經網絡典型案例實踐。

課程安排：

1. 掌握感知器的學習原理

2. 掌握神經網絡的模型結構

3. 了解單層神經網絡與多層神經網絡的能力

4. 掌握梯度下降算法原理與實踐

5. 掌握反向傳播算法原理與實踐

6. 掌握RNN與LSTM模型結構

7. 基于Python進行二維空間線性可分數據單/多層感知器實戰

三、卷積神經網絡（CNN）-處理具有網格結構數據的任務

本階段學習卷積神經網絡基礎知識，包括卷積神經網絡的基本概念，卷積神經網絡模型結構。

課程安排：

1. 掌握二維卷積與多通道卷積的原理

2. 掌握池化的原理

3. 了解步長和填充

4. 掌握反卷積的原理

5. 了解卷積反向傳播算法

6. 掌握典型卷積神經網絡的搭建

四、深度學習優化-使用深層神經網絡來解決復雜的任務

本階段學習當前主流的深度學習模型訓練與優化相關的技術（參數初始化、激活函數、標準化方法、學習率與蕞優化方法、正則化方法）

課程安排：

1. 掌握常見的參數初始化方法

2. 掌握常見的激活函數

3. 掌握常見的標準化方法

4. 掌握常見的正則化方法

5. 掌握常見的學習率迭代策略

6. 掌握常見的蕞優化方法

階段三：構建AI的數據驅動力--數據預處理工程

一、數據獲取、整理與應用 - 構建數據之源，驅動智能決策

本階段學習深度學習之數據使用的相關內容，使學生了解并且掌握數據獲取、數據整理、數據標注、數據增強方法等內容，對imgaug數據增強庫進行了解。

課程安排：

1. 了解數據獲取方法

2. 掌握一般的數據整理方法

3. 掌握數據標注工具LabelImg和PaddleSeg

4. 掌握常見的數據增強方法

5. 學會使用imgaug數據增強工具

階段四：AI 深度學習框架實戰- Pytorch從基礎到進階

一、PyTorch數據處理與網絡模型構建

PyTorch是目前蕞火的深度學習框架，本階段將從如何配置Pytorch環境開始，掌握一些基本的知識，包括張量、層結構、網絡結構搭建、優化器及損失函數，學會數據讀取與增強。

課程安排：

1.*****ch的安裝

2.****or的相關數據處理

3.如何用dataloader加載數據集

4.不同的數據增強方法

5.卷積層、池化層與全連接層的介紹

6.網絡的正則化技術

7.如何逐層搭建自定義的卷積神經網絡

二、深入PyTorch模型的訓練與可視化

本階段學習如何對Pytorch模型進行訓練，會涉及的內容有，損失函數、優化器、權重保存與加載、遷移學習策略等知識，并介紹如何使用Tensorboard進行訓練數據的可視化。

課程安排：

1.損失函數與優化器

2.掌握模型權重文件的保存與加載

3.掌握遷移學習等模型訓練效果提升的辦法

4.掌握如何在不同設備中進行訓練

5.掌握用Tensorboard記錄訓練數據，并將數據進行可視化

階段五：AI核心算法+方法——經典深度學習模型實戰

一、CNN圖像處理模型

本階段學習基礎的經典的卷積神經網絡模型設計思想，包括簡單模型、多分支模型原理。

課程安排：

1. 掌握AlexNet模型結構

2. 掌握VGGNet模型結構

3. 掌握InceptionNet模型結構

4. 掌握1×1卷積模型結構

5. 掌握ResNet和DenseNet模型結構

6. 掌握SqueezeNet模型結構

二、移動端AI高效率分組模型

本階段學習適合于移動端使用的通道分組高效率模型原理。

課程安排：

1. 掌握MobileNet V1模型結構

2. 掌握MobileNet V2模型結構

3. 掌握ShuffleNet V1模型結構

4. 掌握ShuffleNet V2模型結構

5. 掌握MixNet等模型結構

三、卷積注意力模型

本階段學習卷積注意力相關的模型（特征通道注意力、空間注意力、自注意力）

課程安排：

本階段學習卷積注意力相關的模型（特征通道注意力、空間注意力、自注意力）

四、Transformer模型

本階段學習Transformer基礎，包括Transformer模型各個模塊的結構細節以及代碼實現。

課程安排：

1. 掌握Self-Attention（自注意力）機制

2. 掌握多頭自注意力機制

3. 掌握Token概念

4. 掌握位置編碼原理

5. 掌握掩碼的作用

6. 掌握解碼的原理

五、Vision Transformer 模型

本階段學習典型的Vision Transformer模型，包括基礎ViT模型以及高效率的ViT模型。

課程安排：

1. 掌握ViT模型結構

2. 掌握DeViT模型結構

3. 掌握Token-to-Token ViT模型結構

4. 掌握Swish Transformer等多尺度模型結構

5. 掌握Mobile ViT等高效率模型結構

階段六：AI計算機視覺核心技術與項目實戰-工業&醫療與直播&自動駕駛等主流領域

一、視覺領域】圖像分類技術與項目實戰

本階段學習深度學習之圖像分類的相關理論與實踐內容，帶領學生進行以下實戰內容：從零完成人臉表情識別、生活用品多標簽圖像分類。

課程安排：

1. 了解圖像分類問題劃分

2. 了解多類別圖像分類模型結構

3. 了解多標簽圖像分類方法

4. 掌握從零搭建圖像分類模型并實現訓練與測試的完整流程

5. 掌握多標簽圖像分類方法并實現訓練與測試的完整流程

二、【工業領域】目標檢測技術與項目實戰

本階段學習深度學習之目標檢測的相關理論與實踐內容，，包括two-stage算法-Faster RCNN系列詳解、One-stage算法-YOLO系列詳解、帶領學生進行YOLO v5車牌檢測實戰

課程安排：

1. 了解目標檢測基本流程

2. 了解目標檢測評估指標

3. 掌握非極大值抑制目標檢測后處理方法

4. 掌握YOLO v1-v8的系列算法原理

5. 掌握基于YOLO v5實現車牌目標檢測任務的完整流程

三、【醫療與直播領域】圖像分割技術與項目實戰

本階段學習深度學習之語義分割的相關理論與實踐內容，帶領學生進SimpleNet人臉分割實戰

課程安排：

1. 了解圖像分割問題劃分

2. 掌握語義分割經典模型FCN

3. 掌握語義分割經典模型UNet

4. 掌握膨脹卷積原理

5. 掌握語義分割經典模型系列Deeplab

6. 掌握從零搭建圖像分割模型并實現訓練與測試的完整流程

四、【自動駕駛領域】自動駕駛感知算法技術與項目實戰

本階段針對自動駕駛領域中的核心感知算法，帶領學生進行道路分割與車輛檢測實戰

課程安排：

1. 學習CityScape數據集

2. 使用語義分割經典模型HRNet訓練道路分割模型并測試使用

3. 學習YOLO v8框架

4. 使用YOLO v8框架訓練車輛檢測模型并測試使用

五、【視頻分析領域-火熱領域】視頻分類技術與項目實戰

本階段學習深度學習之視頻分類的相關理論與實踐內容，包括3D模型與雙流模型、帶領學生進行3DCNN模型視頻分類實戰

課程安排：

1. 了解3D卷積原理

2. 掌握3DCNN模型結構

3. 掌握C(2+1)D模型結構

4. 了解視頻分類任務與數據集

5. 掌握從零搭建3DCNN模型并實現訓練與測試的完整流程

階段七：AIGC火熱領域技術與項目-文本圖像生成&擴散模型等

一、【AIGC領域-火熱領域】生成對抗網絡GAN技術與項目實戰

本階段學習生成對抗網絡模型的相關理論與實踐內容，帶領學生進行GAN模型圖像生成實戰

課程安排：

1.掌握生成對抗網絡(GAN)原理

2.掌握生成對抗網絡(GAN)的優化目標與評估指標

3.掌握生成對抗網絡(GAN)基本結構

4.掌握條件生成對抗網絡模型結構

5.掌握從零搭建DCGAN模型并實現訓練與測試的完整流程

二、AIGC領域-火熱領域】擴散模型技術與項目實踐

本階段學習擴散模型的相關理論與實踐內容，帶領學生進行擴散模型圖像生成實戰

課程安排：

1.掌握擴散模型原理

2.掌握從零搭建擴散模型并實現訓練與測試的完整流程

3.掌握穩定擴散模型Stable Diffusion原理

4.了解Huggingface社區

5.學習使用Huggingface社區接口進行擴散模型圖像生成

三、【AIGC領域-火熱領域】擴散模型圖像生成與編輯進階

本階段學習AIGC領域中基于擴散模型的圖像生成與編輯最新前沿技術，并實戰ControlNet的交互式圖像生成與編輯。

課程安排：

1.掌握ControlNet原理

2.掌握基于ControlNet的交互式圖像生成與編輯實戰

3.了解stable diffusion webui等工具

4.了解視頻生成工具Moonvalley

階段八：N L P自然語言處理與LLM大語言模型應用實戰

一、探索自然語言處理與詞向量

通過介紹自然語言處理的歷史、發展和基本任務以及自然語言處理蕞基礎的分詞、詞向量，學習到自然語言處理解決什么問題以及解決問題蕞基本的方法。

課程安排：

1.自然語言處理發展歷史；

2.自然語言處理常見任務；

3.自然語言處理中的分詞；

4.自然與語言處理中的詞嵌入

二、N L P特征提取器：解鎖文本數據

通過介紹自然語言處理中主要的特征抽取器LSTM、CNN以及Transformer，掌握N L P中文本特征抽取的流程與主要方法

課程安排：

1.循環神經網絡及LSTM；

2.N L P中的卷積神經網絡CNN；

3.a****tion機制及Transformer；

4.**TM與文本分類；

5.膨脹卷積與命名實體識別

三、預訓練模型：N L P任務的顛覆性力量

通過介紹BERT、GPT以及T5等預訓練模型及其實戰，掌握N L P中主流的預訓練模型的結構，用法和差異，以及在實際場景中如何應用

課程安排：

1.預訓練模型BERT及非結構化數據信息抽取實戰；

2.*PT模型及生成式任務實戰；

3.T5模型及文本摘要實戰

四、AI大語言模型核心技術與實戰【火熱方向】

通過學習AI大語言模型的預訓練和微調理論，掌握大語言模型的分布式訓練方法；通過學習最新的大模型agent思想及框架，掌握大模型落地應用的方法；

課程安排：

1.大語言模型分布式預訓練；

2.分布式訓練框架deepspeed;

3.大模型有監督微調；

4.大模型高效參數微調lora;

5.l****hain框架介紹

五、AI大語言模型進階與實戰【火熱方向】

通過學習常見的開源大語言模型，掌握常見大語言模型的差異和使用方法；通過學習人類反饋式強化學習的方法，掌握大模型引入人類反饋的技術。

課程安排：

1.***ma，chatglm等大模型介紹；

2.**HF中的獎勵模型；

3.**HF中的PPO算法；

4.基于大模型構建智能客服系統

六、搜索與推薦：N L P在實際場景中的應用

通過學習搜索和推薦中的召回和排序算法，掌握在搜索和推薦體系中如何應用N L P模型。

課程安排：

1.搜索和推薦常見架構介紹；

2.基于Faiss的item召回算法；

3.基于wide&deep模型的點擊率預估模型排序算法

階段九：AI工程師入行&轉化&就業&面試指導

一、AI工程師入行&轉行&就業&面試指導

本階段給大家進行AI工程師入行與面試相關的指導，了解公司對AI算法工業者的能力要求，掌握更高效率的學術前沿知識獲取方法，提高項目完整度與面試率。

課程安排：

1. 如何在簡歷中寫好項目經歷

2. 如何提升編程能力與算法能力

3. 常見的一些面試筆試問題

4. 如何保持學習，了解前沿技術