课程费用

5800.00 /人

课程时长

2

成为教练

课程简介

课程讲授人是从事深度学习项目管理的人员,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。
邹伟,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。

目标收益

1,整体把握机器学习、深度学习、数据挖掘的发展方向
2,了解机器学习、深度学习、计算机视觉的技术框架
3,理解机器学习和深度学习的思维方式和关键技术
4,了解深度学习和机器学习在当前工业界的落地应用
5,了解AI顶会论文和最新技术热点

培训对象

课程大纲

第一节:多模态模型 编码器、解码器
自注意力机制
 Transformer 、 Mask Multi-Head Attention
特定于任务的输入转换
无监督预训练、有监督 Fine-tuning
GPT2:多任务系统
GPT3:少样本、零样本学习
meta-learning(元学习)和in-context learning(基于上下文的学习)
实战:高考作文神器(writeGPT)
安装环境:OpenCV, Pandas,Regex ,Numpy ,Requests 
摄像头读题、EAST文本检测、
通顺度判断
作文生成
实战:古诗词GPT(chineseGPT)
散文生成、诗词模型、对联模型、文言文模型
第二节:从GPT3到chatGPT 监督微调(SFT)模型、
指示学习和提示学习
简单提示、小样本提示、基于用户的提示
指令微调
RLLHF技术详解(从人类的反馈中学习)
聚合问答数据训练奖励模型(RM)
强化学习微调、PPO、
 InstructGPT遵循用户意图使用强化学习方案
Instruct Learning vs. Prompt Learning
ChatGPT增加增加了Chat属性
AI 系统的新范式
GPT1-GPT2-GPT3-InstructGPT的-chatGPT的技术关系
实战:使用chatGPT打造你的私人聊天助理(revchatGPT)
实战:演示提示词技巧,翻译器润色器、JavaScript 控制台 、Excel Sheet
实战:网站定制chatgpt-web
安装环境pnpm
第三节:生成模型AutoGPT等实战 环境: VSCode + devcontainer:、Docker、Python 3.10 
配置OpenAI的API
配置谷歌API/
配置Pinecone API
安装插件
Milvus设置
实战:
小助理, 完成代办事项列表中的任务
帮助进行市场调研,并撰写最佳产品摘要
生成一个 GPT-4 代理来完成添加到待办事项列表中的任何任务
自行阅读近期发生的事件自行总结并且撰写播客内容
自行写博客
化身24小时智能客服
第四节:大模型中的强化学习 强化学习核心机制
深度学习和强化学习的结合
强化学习是“左右互搏”之术吗?
SARSA和Q-Learning
时序差分简介、TD目标值 / TD 误差
DP/MC/TD对比
在线策略TD:Sarsa算法
离线策略TD:Q-learning算法
表格型强化学习/函数近似型强化学习
线性逼近/非线性逼近

值函数逼近的Sarsa算法
值函数逼近的Q-learning算法
人工神经网络(卷积、池化、全连接)
DQN方法
Double DQN方法
Dueling DQN方法
DQN、Double DQN
AlphaGo在其中起的作用
策略梯度PG和PPO算法
RLHF:从人类的反馈中学习(经典论文学习)
再看 InstructGPT遵循用户意图使用强化学习方案
第五节:扩散模型 GAN-VAE-流模型-扩散模型的技术发展和变化
CLIP和扩散模型的结合:基于CLIP模型的多模态引导图像生成:图文引导
GLIDE:文本引导
Diffusion-CLIP模型
扩散和去噪(Diffusion&Denoise)
训练和采样(Training&Sampling)
离散步骤的马尔可夫链
分子热动力学的扩散过程
离散加噪
DDPM-最经典的扩散模型
DDIM:加速采样、可控扩散
IVLR:迭代去燥的图像编辑,低通滤波上采样
RePaint: 被掩码的区域进行扩散生成
代码和案例实践一:
低质量噪声图像修复
精确复原原图
图像去除遮挡、图像补全
图像生成(人物恢复青春、人物变瘦)
第二节: 引导扩散模型-图文引导图像生成
图像引导、文本引导、图像+文本引导
CLIP和扩散模型的结合:基于CLIP模型的多模态引导图像生成:图文引导
GLIDE:文本引导
DALL·E 2:diffusion model和CLIP结合在一起
隐式分类器引导的图像生成
Blended Diffusioni模型
Diffusion-CLIP模型
DiffEdit模型
分别实现图像引导、文字引导、图文引导下的图片生成
Diffusion LM
本人在央企数字化转型中的实践体会
知识图谱-图网络等“边缘技术”在AIGC中的应用
AIGC的可能应用领域和行业影响
第一节:多模态模型
编码器、解码器
自注意力机制
 Transformer 、 Mask Multi-Head Attention
特定于任务的输入转换
无监督预训练、有监督 Fine-tuning
GPT2:多任务系统
GPT3:少样本、零样本学习
meta-learning(元学习)和in-context learning(基于上下文的学习)
实战:高考作文神器(writeGPT)
安装环境:OpenCV, Pandas,Regex ,Numpy ,Requests 
摄像头读题、EAST文本检测、
通顺度判断
作文生成
实战:古诗词GPT(chineseGPT)
散文生成、诗词模型、对联模型、文言文模型
第二节:从GPT3到chatGPT
监督微调(SFT)模型、
指示学习和提示学习
简单提示、小样本提示、基于用户的提示
指令微调
RLLHF技术详解(从人类的反馈中学习)
聚合问答数据训练奖励模型(RM)
强化学习微调、PPO、
 InstructGPT遵循用户意图使用强化学习方案
Instruct Learning vs. Prompt Learning
ChatGPT增加增加了Chat属性
AI 系统的新范式
GPT1-GPT2-GPT3-InstructGPT的-chatGPT的技术关系
实战:使用chatGPT打造你的私人聊天助理(revchatGPT)
实战:演示提示词技巧,翻译器润色器、JavaScript 控制台 、Excel Sheet
实战:网站定制chatgpt-web
安装环境pnpm
第三节:生成模型AutoGPT等实战
环境: VSCode + devcontainer:、Docker、Python 3.10 
配置OpenAI的API
配置谷歌API/
配置Pinecone API
安装插件
Milvus设置
实战:
小助理, 完成代办事项列表中的任务
帮助进行市场调研,并撰写最佳产品摘要
生成一个 GPT-4 代理来完成添加到待办事项列表中的任何任务
自行阅读近期发生的事件自行总结并且撰写播客内容
自行写博客
化身24小时智能客服
第四节:大模型中的强化学习
强化学习核心机制
深度学习和强化学习的结合
强化学习是“左右互搏”之术吗?
SARSA和Q-Learning
时序差分简介、TD目标值 / TD 误差
DP/MC/TD对比
在线策略TD:Sarsa算法
离线策略TD:Q-learning算法
表格型强化学习/函数近似型强化学习
线性逼近/非线性逼近

值函数逼近的Sarsa算法
值函数逼近的Q-learning算法
人工神经网络(卷积、池化、全连接)
DQN方法
Double DQN方法
Dueling DQN方法
DQN、Double DQN
AlphaGo在其中起的作用
策略梯度PG和PPO算法
RLHF:从人类的反馈中学习(经典论文学习)
再看 InstructGPT遵循用户意图使用强化学习方案
第五节:扩散模型
GAN-VAE-流模型-扩散模型的技术发展和变化
CLIP和扩散模型的结合:基于CLIP模型的多模态引导图像生成:图文引导
GLIDE:文本引导
Diffusion-CLIP模型
扩散和去噪(Diffusion&Denoise)
训练和采样(Training&Sampling)
离散步骤的马尔可夫链
分子热动力学的扩散过程
离散加噪
DDPM-最经典的扩散模型
DDIM:加速采样、可控扩散
IVLR:迭代去燥的图像编辑,低通滤波上采样
RePaint: 被掩码的区域进行扩散生成
代码和案例实践一:
低质量噪声图像修复
精确复原原图
图像去除遮挡、图像补全
图像生成(人物恢复青春、人物变瘦)
第二节: 引导扩散模型-图文引导图像生成
图像引导、文本引导、图像+文本引导
CLIP和扩散模型的结合:基于CLIP模型的多模态引导图像生成:图文引导
GLIDE:文本引导
DALL·E 2:diffusion model和CLIP结合在一起
隐式分类器引导的图像生成
Blended Diffusioni模型
Diffusion-CLIP模型
DiffEdit模型
分别实现图像引导、文字引导、图文引导下的图片生成
Diffusion LM
本人在央企数字化转型中的实践体会
知识图谱-图网络等“边缘技术”在AIGC中的应用
AIGC的可能应用领域和行业影响

活动详情

提交需求