课程简介

本课程深入探索深度生成模型、图神经网络、大语言模型、跨模态大模型以及深度增强学习等前沿领域。从Transformer到对抗生成网络，全面理解深度生成模型的核心原理与应用。同时，图神经网络部分涵盖图卷积网络及注意力机制，拓展非结构数据的深度学习应用。此外，课程还将讲解大语言模型的发展，并探索跨模态大模型在语义空间和跨模态检索中的应用，最后深入讲解深度增强学习在实践中的应用。

目标收益

培训对象

课程内容

1.深度生成模型
Deep Generative Models
1.1 注意力是你所有所需
Attention is All You Need
1.2 Transformer
1.3 Transformer 应用
Applications of Transformer
1.4 深度生成模型
Deep Generative Model
1.5 对抗生成网络
Generative Adversarial Network
1.6 变分自编码器
Variational Auto-Encoder

2.图神经网络模型
Graph Neural Networks
2.1 图卷积网络
Graph Convolution
2.2 DeepWalk 与 DIN
Deep Walk and Deep Interest Network
2.3 注意力机制网络
Graph Attention Networks (GAT)
2.4 非结构数据的深度学习应用
Applications of GCN in Unstructured Data

3.大语言模型
Large Language Model
3.1 语言模型
Language Model
3.2 N-gram 模型
N-gram Model
3.3 BERT
BERT
3.4 GPT 模型
Generative Pre-trained Transformer
3.5 Meta LLaMA
LLaMA 模型
3.6 混合专家模型
Mixture of Expert
3.7 RAG
Retrieval-Augmented Models
3.8 大模型下的智能体
LLM Based Intelligent Agent

4.跨模态大模型
Cross-Modal Large Models
4.1 语义空间
Semantic Space
4.2 跨模态检索
Cross-modal Retrieval
4.3 图像问答与对话
VQA and Visual Dialogue
4.4 CLIP 模型
CLIP Model
4.5 扩散生成模型
Stable Diffusion
4.6 SORA 与视频生成
SORA and Video Generation
4.7 AGI 之路
Road to Artificial General Intelligence

5.深度增强学习
Deep Reinforcement Learning
5.1 代理与环境
Agent and Environment
5.2 状态-行为深度模型
Deep Learning for State-Action
5.3 AlphaGo
AlphaGo
5.4 深度 Q-学习
Deep Q-Learning
5.5 策略梯度方法
Policy Gradient Methods
5.6 DRL 的应用
Applications of Deep Reinforcement Learning