AI大模型全棧工程師實戰(zhàn)訓練營
2025-07-30 06:36:36
講師：講師團 瀏覽次數(shù)：3129
課程描述INTRODUCTION
培訓講師：
課程價格：
培訓天數(shù)：日程安排SCHEDULE
2025-10-27
成都
2025-12-24
長沙
課程大綱Syllabus
AI大模型公開課
培訓背景
隨著科技的飛速發(fā)展，人工智能（AI）已成為引領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在自然語言處理領域的巨大潛力，也預示著AI技術即將邁入一個更加復雜、細膩且廣泛適用的新紀元。
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。
培訓對象
從事人工智能領域工作的人
如果你正在從事人工智能、機器學習、數(shù)據(jù)分析等相關領域的工作，或者想要進入這些
領域，那么學習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)人士可以通過學習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、機器學習等領域有濃厚的興趣，想要深入了解并掌握相關技能，并有一定的軟件開發(fā)基礎的從業(yè)者。
培訓收益
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應用程序技術棧和提示詞工程Prompt Enginerring；
5、了解國產(chǎn)大模型ChatGLM；
6、了解視覺大模型技術優(yōu)勢；
7、掌握語言理解與字幕生成及其應用；
8、掌握圖像生成和應用實操；
9、了解應用場景與潛力分析；
10、了解大模型企業(yè)商用項目實戰(zhàn)。
培訓大綱
預備知識第一節(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種學習路線的講解
5、大模型最核心的三項技術: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后訓練階段與強化學習技術介紹
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
特定于任務的輸入轉(zhuǎn)換
無監(jiān)督預訓練、有監(jiān)督 Fine-tuning
BERT思路的理解
BERT模型下游任務的網(wǎng)絡層設計
BERT的訓練
HuggingFace中BERT模型的推斷
基于上下文的學習
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)
段落相關性代碼實現(xiàn)
第三節(jié)：Embedding模型實戰(zhàn)
大模型技術浪潮下的Embedding技術定位
Embedding技術入門介紹
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應用程序技術棧和提示詞工程Prompt Enginerring
設計模式：上下文學習
數(shù)據(jù)預處理/嵌入
提示構(gòu)建/檢索
提示執(zhí)行/推理
數(shù)據(jù)預處理/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）技術棧
數(shù)據(jù)預處理管道（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準接口，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的代理標準接口、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) 從預訓練開始定制
LangChain介紹
LangChain模塊學習-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RAG
1、LangGraph 應用場景、核心功能、特點
2、基礎概念：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、如何科學構(gòu)建訓練數(shù)據(jù)（基礎與專業(yè)數(shù)據(jù)混合訓練）
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)上傳與任務創(chuàng)建（job）
6、訓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
3、數(shù)據(jù)分析
4、代碼編寫
5、創(chuàng)建應用程序
講師團隊
劉老師 | Javaweb，資深架構(gòu)師，Langchain開發(fā)者
11年IT開發(fā)經(jīng)驗，5年IT架構(gòu)與管理經(jīng)驗。精通大型分布式互聯(lián)網(wǎng)應用架構(gòu)設計與技術開發(fā)。對于大規(guī)模分布式架構(gòu)、微服務架構(gòu)、云計算與容器化技術、開發(fā)與運維一體化、應用系統(tǒng)安全與和架構(gòu)設計、海量數(shù)量處理、大數(shù)據(jù)等方向特別有研究，尤其是偏后端的對于高并發(fā)系統(tǒng)上有豐富的架構(gòu)和實施經(jīng)驗。擅長Java方向、軟件架構(gòu)、微服務、軟件工程和研發(fā)團隊管理，目前在為某上市集團公司做大數(shù)據(jù)架構(gòu)師，該公司主要為國家和國外提供安全上服務。
主導公司AI大模型開發(fā)項目，利用AI實現(xiàn)公司智能SQL項目，利用AI開發(fā)推進系統(tǒng)和銷售管理系統(tǒng)。
鄒老師 | 長春工業(yè)大學人工智能研究院院長
工程學術帶頭人、華東建筑設計研究總院研究員、山東交通學院客座教授、南昌航空大學碩士生導師、中國軟件行業(yè)協(xié)會專家委員、上海市計劃生育科學研究所特聘專家、天津大學創(chuàng)業(yè)導師、中華中醫(yī)藥學會會員、中國醫(yī)藥教育協(xié)會老年運動與健康分會學術委員；領導睿客邦與全國二十多所高校、國企建立了AI聯(lián)合實驗室，完成50多個深度學習實踐項目，廣泛應用于醫(yī)療、交通、農(nóng)業(yè)、氣象、銀行、電信等多個領域。
帶隊完成了數(shù)十個AI項目，內(nèi)容不僅包括深度學習、機器學習、數(shù)據(jù)挖掘等具體技術要點，也包括AI的整體發(fā)展、現(xiàn)狀、應用、商業(yè)價值、未來方向等，涵蓋內(nèi)容非常豐富。
AI大模型公開課
轉(zhuǎn)載：http://xvaqeci.cn/gkk_detail/299782.html
已開課時間Have start time
2025-06-28
北京
2025-03-26
廣州