看四张牌抢庄斗牛技巧,PGT PGR,免费挣钱最快的游戏

傳智教育(股票代碼 003032)旗下高端IT教育品牌

  • 免費教程
  • 原創書籍
  • 教研團隊
  • 開班時間
  • 報名流程
  • 項目信息站
  • 技術社區
北京昌平 
學費是多少? 學多久就業? 能拿多少工資?
申請免費試聽名額
黑馬程序員AI大模型抓住就業機遇
  • 國家政策發力

    應用場景更多

    黑馬人工智能應用場景
  • AI大模型快速崛起

    人工智能深入千行百業

    黑馬程序員AI崛起
  • 全行業薪資天花板

    薪資爆發式增長

    黑馬程序員就業薪資天花板
AI需求大爆發入行占領薪高地
  • 人才缺口千萬+高薪崗位多
  • 多重晉升通道升職加薪快
  • 發展路徑長就業市場火爆
人工智能崗位新增

熱招崗位:

大模型開發工程師、數據挖掘工程師、AIGC算法工程師、大模型Agent工程師、CV計算機視覺工程師、Prompt工程師、大語言模型LLM開發工程師、 大模型推理工程師、算法工程師、機器學習工程師、智能語音算法工程師、大模型微調工程師、NLP自然語言處理工程師、多模態工程師

數據來源于職友集、看準網、boss直聘
黑馬程序元AI多重普升通道

AI人工智能工程師 薪資隨工作經驗持續增長

AI人工智能工程師 薪資隨工作經驗持續增長

AIGC領域人才超1/3大于35歲 發展路徑長

AIGC領域人才超1/3大于35歲 發展路徑長
黑馬程序員人工智能開發5.0解鎖新技能

優勢1

大模型方向

設計、實現和優化大規模深度學習模型,包括數據預處理、模型架構設計、訓練調優、性能優化以及模型部署,以推動AI大模型技術在各種應

課程技術點

  • ·Prompt
  • ·LangChain
  • ·RAG
  • ·Stable Diffusion

勝任崗位

薪資范圍:(20-35k)

自然語言處理(NLP)方向

通過處理和分析文本數據,實現語言翻譯、情感分析、自動摘要、聊天機器人等功能。使計算機能夠理解和生成人類語言。

課程技術點

  • ·Pytorch
  • ·Pytorch
  • ·Bert
  • ·遷移學習
  • ·Transformer

勝任崗位

薪資范圍:(18-25k)

計算機視覺(CV)方向

通過圖像和視頻分析、物體識別、場景重建等技術,使計算機能夠理解和解釋視覺數據,支持自動化決策和智能系統。

課程技術點

  • ·目標分類
  • ·目標檢測
  • ·目標分割
  • ·用戶畫像

勝任崗位

薪資范圍:(15-20k)

數據挖掘方向

運用機器學習技術,從大量數據中提取有價值的信息,發現數據背后的模式和趨勢,并為決策提供支持。

課程技術點

  • ·機器學習
  • ·分類算法
  • ·回歸算法
  • ·聚類算法
  • ·模型選擇
  • ·模型訓練
  • ·模型評估

勝任崗位

薪資范圍:(20-35k)

優勢2

黑馬程序員訊飛騰訊大廠合作
【訊飛大模型項目案例】多風格翻譯機
【騰訊大模型項目案例】文生圖應用
黑馬程序員獲取AI前沿技能

優勢3

黑馬程序員AI大模型核心微調原理 黑馬程序員I大模型開發落地全流程

優勢4

  • NLP領域解決方案和技術棧
  • CV領域解決方案和技術棧
解決方案
解決方案
解決方案
解決方案
  • 人工智能開發入門1

    Python編程 基礎語法數據結構函數面向對象模塊與包裝飾器選代器

    數據處理與統計分析 NumpyPandasMatplotlib/Seaborn

    能力畫像:掌握人工智能Python語言,掌握數據處理方法及數據統計分析方法,為數據建模奠定技術基礎
    勝任崗位:數據分析師、初級AI開發工程師、人工智能開發工程師
    參考薪資:10-14k
    黑馬程序員人工智能AI
  • 機器學習與深度學習核心技術2

    機器學習 Scikit-Learn分類算法回歸算法聚類算法特征工程模型選擇

    深度學習 Pytorch神經網絡BP神經網絡CNN卷積神經網絡RNN循環神經網絡

    能力畫像:掌握機器學習與深度學習核心算法,能夠解決基礎人工智能問題
    勝任崗位:機器學習工程師、深度學習工程師
    參考薪資:15-18k
    黑馬程序員人工智能AI
  • NLP自然語言處理技術3

    文本預處理 文本處理方法文本張量表示文本預料數據分析數據增強方法命名實體識別Word-Embedding

    Transformer原理 編碼器解碼器語言模型注意力機制模型超參數

    Bert / GPT Bert原理Bert預訓練GPT原理GPT-2ChatGPT

    Hive 遷移學習 FastText預訓練模型權重微調

    能力畫像:通過文本處理、分析和建模,實現NER、文本分類、文本摘要、聊天機器人等功能
    勝任崗位:NLP算法工程師、知識圖譜工程師、機器學習工程師、語音識別工程師
    參考薪資:18-20k
  • 大模型核心技術4

    大模型入門 大模型基礎知識主流大模型分類AI應用工具集企業級大模型開發平臺

    大模型應用開發 Function Call的原理及實踐大模型Agent原理及實戰

    大模型微調開發 提示詞工程實戰【金融】 大模型微調實戰【大健康, 新零售,新媒體】

    能力畫像:設計、實現與優化垂直領域大模型
    勝任崗位:大模型開發工程師、Prompt工程師、大模型算法專家、大模型訓練/推理開發工程師
    參考薪資:20-35k
  • CV計算機視覺5

    目標分類 卷積計算方法多通道卷積AlexNetVGG ResNet殘差網絡ImageNet分類

    目標檢測 RCNNFPNSSD FasterRCNN非極大抑制NMS

    目標分割 全卷積ROI AlignDeepLab MaskRCNN金字塔池化模塊語義分割評價標準

    能力畫像:通過圖像和視頻分析、物體識別等技術,實現機器視覺相關任務
    勝任崗位:CV算法工程師、目標檢測工程師、圖像處理工程師、深度學習工程師
    參考薪資:15-20k
  • 大廠面試專題6

    數據結構 數組鏈表哈希表

    常見算法 排序查找鏈表算法動態規劃貪心算法

    機器學習/深度學習 分類算法面試題回歸算法面試題聚類算法面試題深度學習面試題

    NLP/CV專題 Transformer模型原理Bert/GPT面試題

    大模型專題 Prompt提示詞LangChain大模型開發工具 模型微調 LoRA/Prefix-Tuning ChatGLM原理與面試題

黑馬程序員助力大數據進階之路

人工智能 就業班

  • 零開發經驗,理工科專業應往屆畢業生,本科以上
  • 5個月
  • 研究生學歷補貼1000元

    985/211高校本科生學歷補貼600元

AI大模型 就業班

  • Java、前端、大數據等有經驗開發者或其他崗轉型(如運維、測試、產品等); 理工科專業本科及以上學歷
  • 4個月

  • 研究生學歷補貼1000元

    985/211高校本科生學歷補貼600元

黑馬程序員6大緯度10大階段AI技能為你保駕護航

人工智能開發課程大綱

  • 大模型語言基礎

  • 大模型語言進階

  • 數據處理與統計分析

  • 機器學習

  • 深度學習與NLP自然語言處理基礎

  • NEWNLP自然語言處理綜合項目

  • 大模型核心開發基礎與項目

  • 企業級大模型平臺開發項目

  • 圖像分析基礎

  • NEW多模態大模型綜合項目

查看詳細課程大綱大模型語言基礎學習方式:線下面授

主要內容

Python基礎語法 | Python數據處理 | 函數 | 文件讀寫 | 異常處理 | 模塊和包

可解決的現實問題

熟練掌握人工智能Python語言,建立編程思維以及面向對象程序設計思想,使學員能夠熟練使用Python技術完成基礎程序編寫。

可掌握的核心能力

1.掌握Python開發環境基本配置
2.掌握運算符、表達式、流程控制語句、數組等的使用
3.掌握字符串的基本操作
4.初步建立面向對象的編程思維
5.熟悉異常捕獲的基本流程及使用方式
6.掌握類和對象的基本使用方式

查看詳細課程大綱大模型語言進階學習方式:線下面授

主要內容

面向對象 | 網絡編程 | 多任務編程 | 高級語法 | Python數據結構

可解決的現實問題

熟練使用Python,掌握人工智能開發必備Python高級語法。

可掌握的核心能力

1.掌握網絡編程技術,能夠實現網絡通訊
2.知道通訊協議原理
3.掌握開發中的多任務編程實現方式
4.知道多進程多線程的原理

查看詳細課程大綱數據處理與統計分析學習方式:線下面授

主要內容

Linux | MySQL與SQL | Numpy矩陣運算庫 | Pandas數據清洗 | Pandas數據整理 | Pandas數據可視化 | Pandas數據分析項目

可解決的現實問題

掌握SQL及Pandas完成數據分析與可視化操作。

可掌握的核心能力

1.掌握Linux常用命令,為數據開發后續學習打下的良好基礎
2.掌握MySQL數據庫的使用
3.掌握SQL語法
4.掌握使用Python操作數據庫
5.掌握Pandas案例
6.知道繪圖庫使用
7.掌握Pandas數據ETL
8.掌握Pandas數據分析項目流程

查看詳細課程大綱機器學習學習方式:線下面授

主要內容

機器學習簡介 | K近鄰算法 | 線性回歸 | 邏輯回歸 | 決策樹 | 聚類算法 | 集成學習 | 機器學習進階算法 | 用戶畫像案例 | 電商運營數據建模分析案例

可解決的現實問題

掌握機器學習基本概念,利用多場景案例強化機器學習建模。

可掌握的核心能力

1.掌握機器學習算法基本原理
2.掌握使用機器學習模型訓練的基本流程
3.掌握Sklearn等常用機器學習相關開源庫的使用
4.熟練使用機器學習相關算法進行預測分析

查看詳細課程大綱深度學習與NLP自然語言處理基礎學習方式:線下面授

主要內容

深度學習基礎 | BP神經網絡 | 經典神經同絡結構(CNN&RNN) | 深度學習多框架對比 | 深度學習正則化和算法優化 | 深度學習Pytorch框架 | NLP任務和開發流程 | 文本預處理 | RNN及變體原理與實戰 | Transformer原理與實戰 | Attention機制原理與實戰 | 傳統序列模型 | 遷移學習實戰

掌握深度學習基礎及神經網絡經典算法;掌握全球熱門的Pytorch技術,完成自然語言處理基礎算法,諸如RNN、LSTM、GRU等技術。

可掌握的核心能力

1.Pytorch工具處理神經網絡涉及的關鍵點
2.掌握神經網絡基礎知識
3.掌握反向傳播原理
4.了解深度學習正則化與算法優化
5.掌握NLP領域前沿的技術解決方案
6.了解NLP應用場景
7.掌握NLP相關知識的原理和實現
8.掌握傳統序列模型的基本原理和使用
9.掌握非序列模型解決文本問題的原理和方案
10.能夠使用Pytorch搭建神經網絡
11.構建基本的語言翻譯系統模型
12.構建基本的文本生成系統模型
13.構建基本的文本分類器模型
14.使用ID-CNN+CRF進行命名實體識別
15.使用FastText進行快速的文本分類
16.勝任多數企業的NLP工程師的職位

查看詳細課程大綱NLP自然語言處理綜合項目學習方式:線下面授

主要內容

投滿分文本分類或AI醫生項目 | 泛娛樂關系抽取或知識圖譜項目

可解決的現實問題

1.掌握自然語言處理項目,完成投滿分文本分類或AI醫生項目
2.掌握自然語言處理項目,完成泛娛樂關系抽取或知識圖譜項目
3.掌握運用NLP核心算法解決實際場景關系抽取的問題

可掌握的核心能力

1.抽取式文本摘要解決方案
2.生成式文本摘要解決方案
3.自主訓練詞向量解決方案
4.解碼方案的優化解決方案
5.數據增強優化解決方案
6.大規模快速文本分類解決方案
7.多模型井行預測解決方案
8.分布式模型訓練解決方案
9.多標簽知識圖譜構建解決方案
10.掌握關系抽取任務以及關系抽取的常見場景
11.掌握數據來源、獲取方式以及存儲方式介紹
12.掌握Casrel模型構建:實現關系抽取

查看詳細課程大綱大模型核心開發基礎與項目學習方式:線下面授

主要內容

大語言模型的主要方法與主要架構 | 主流大模型詳解 | 大模型主要微調方法 | 大模型評價指標及模型部署上線

可解決的現實問題

1.掌握大模型核心原理,完成文本摘要或傳智大腦項目
2.掌握大模型應用開發,完成AI Agent項目構建
3.掌握運用大模型核心算法解決實際場景關系抽取的問題

可掌握的核心能力

1.大模型Prompt-Engineering實踐
2.基于Funcation call打造個人專屬助手
3.基于AI Agent實現郵件的自動編寫及發送
4.物流行業信息咨詢智能問答系統(RAG檢索)
5.基于GPT2模型搭建醫療問診機器人
6.新零售行業決策評價系統
7.新媒體行業評論智能分類與信息抽取系統

查看詳細課程大綱企業級大模型平臺開發項目學習方式:線下面授

主要內容

阿里PAI平臺 | 訊飛星火大模型平臺

可解決的現實問題

1.掌握阿里PAI平臺、百度千帆、訊飛星火等開源大模型平臺使用
2.利用阿里PAI平臺、百度千帆、訊飛星火等開源大模型平臺完成大模型應用與開發

可掌握的核心能力

1.基于阿里PAI平臺的虛擬試衣實戰
2.基于阿里PAI平臺的AI擴圖實戰
3.訊飛星火多風格翻譯機器人實戰
4.基于訊飛大模型定制平臺的金融情感分析項目

查看詳細課程大綱圖像分析基礎學習方式:線下面授

主要內容

機器學習核心算法加強 | 深度學習核心算法加強 | 數據結構與算法 | 圖像與視覺處理介紹 | 目標分類和經典CV網絡 | 目標分割和經典CV網絡

1.掌握數據結構與算法,核心機器學習、深度學習面試題,助力高薪就業
2.掌握計算機視覺基礎算法,諸如CNN、殘差網絡、Yolo及SSD

可掌握的核心能力

1.機器學習與深度學習核心算法,NLP經典算法,數據結構算法、Djkstra算法,動態規劃初步,貪心算法原理,多行業人工智能案例剖析
2.經典卷積網絡:LeNet5、AlexNet、 VGG、 Inception、GoogleNlet、殘差網絡、深度學習優化(RCNN、FastRCNN、FasterRCNN、SSD、YOLOM、 YOLOV2、 YOLOV)

查看詳細課程大綱多模態大模型綜合項目學習方式:線下面授

主要內容

解決方案列表 | 項目架構及數據采集 | 人臉檢測與跟蹤 | 人臉姿態任務 | 人臉多任務 | Stable Diffusion詳解 | Latte視頻生成(Sora對比)

掌握多模態文生圖項目、人臉支付項目或智慧交通項目

可掌握的核心能力

1.人臉檢測與跟蹤解決方案、人臉姿態任務解決方案、人臉多任務解決方案、人臉識別任務解決方案
2.掌握AIGC的原理、Stable Diffusion模型的構成、訓練策略、視頻生成模型Latte

*課程將會持續更新,更新后所有已報名該課程學員均可免費觀看最新課程內容

黑馬程序員大廠項目加持打造你的競爭力
  • 醫療問診
  • 新聞咨詢
  • 新聞咨詢
  • 物流
  • 新零售
  • 泛娛樂
  • 語言服務行業
  • 金融
  • AIGC領域
  • 語音領域

紅蜘蛛圖譜項目

項目亮點

1.通過完善系統的知識圖譜知識體系,涵蓋知識表示、知識抽取、知識存儲、知識補全、知識推理相關內容

2.高效的NER實體抽取解決方案,以及RE關系抽取解決方案,涵蓋模型方法和規則方法,雙渠道保證信息抽取的高效性和完備性

3.基于前綴樹和意圖識別,搭建紅蜘蛛醫療機器人,通過訪問Neo4j圖數據庫達成多輪醫療對話的功能

應用場景

金融關系分析、商品推薦、品牌挖掘、醫療輔助分析

技術架構圖

蜂窩頭條投滿分項目

項目亮點

1.項目背景介紹:投滿分項目在今日頭條中的作用,數據集的樣式等。快速實現基于隨機森林的基線模型1.0,和基于FastText的基線模型2.0

2.遷移學習優化:實現基于BERT的遷移學習模型搭建和訓練,并對比模型關鍵指標的提升

3.模型的量化:實現對大型預訓練模型的量化,并對比原始模型與量化模型的差異

4.模型的剪枝:實現對模型的剪枝的操作,包含主流的對特定網絡模塊的剪枝、多參數模塊的剪枝、全局剪枝、用戶自定義剪枝

5.遷移學習微調:包含BERT模型微調、AlBERT模型、GPT2模型、T5模型、Transformer-XL模型、XLNet模型、Electra模型、Reformer模型的詳細介紹,以及消融實驗的介紹

6.模型的知識蒸餾:詳細解析知識蒸餾的原理和意義,并實現知識蒸餾模型的搭建,對比知識蒸餾后的新模型的優異表現,并做詳細的對比測試

應用場景

金融文本分類、情感分析、醫療報告的自動分類、新聞內容的自動分類

技術架構圖

微博文本信息抽取項目

項目亮點

1.項目介紹:理解信息抽取任務以及文本分類的業務意義及應用場景

2.項目流程介紹:完整的實現整個任務的邏輯框架

3.數據預處理:修改數據格式適配大模型訓練、數據張量的轉換等

4.ChatGLM-6B模型解析,LoRA方法講解、P-Tuning方法解析

5.基于ChatGLM-6B+LoRA方法實現模型的訓練和評估

6.基于ChatGLM-6B+P-Tuning方法實現模型的訓練和評估

7.基于Flask框架開發API接口,實現模型線上應用

應用場景

問答系統、知識圖譜構建、醫療行業信息抽取

技術架構圖

物流信息咨詢智能問答項目

項目亮點

1.項目介紹:理解什么是RAG系統

2.項目流程梳理:從本地知識庫搭建,到知識檢索,模型生成答案等流程介紹

3.數據預處理:本地文檔知識分割、向量、存儲

4.LangChain框架的詳解講解:6大組件應用原理和實現方法

5.基于本地大模型ChatGLM-6B封裝到LangChain框架中

6.實現LangChain+ChatGLM-6B模型的知識問答系統搭建

應用場景

客戶服務、醫療咨、新聞和媒體

技術架構圖

物流信息咨詢智能問答項目

新零售行業評價決策系統

項目亮點

1.項目意義:新零售行業背景和需求

2.BERT模型介紹:架構、預訓練任務、應用場景

3.P-Tuning方法的原理:定義、作用、優點

4.PET方法的原理:定義、作用、優點

5.模型訓練調優:數據清洗、參數選擇、模型訓練

6.模型性能評估:構建評估指標(Precision、Recall)、評估方法(混淆矩陣)

應用場景

金融行業、供應鏈管理、市場營銷、保險航月、電信行業

技術架構圖

大模型AI Agent開發應用

項目亮點

1.大模型Function Call函數調用功能的原理和實現方式

2.開發Function Call實現大模型:實時查詢天氣、訂機票、數據庫查詢等功能

4.解析GPTs和Assistant API的原理及應用方式

5.基于GPTs store和Assistant API開發實用的聊天機器人應用

6.拆解AI Agent的原理及對比與傳統軟件的區別

7.基于CrewAI框架開發自動寫信并發送郵件的AI Agent

應用場景

客戶服務于支持、個人助理、金融服務、制造業、人力資源

技術架構圖

大模型AI Agent開發應用

多風格英譯漢翻譯機項目

項目亮點

1.多風格翻譯機的介紹、應用場景

2.翻譯機前端界面的搭建:stream、streamlit、websocket

3.星火大模型API的調用方式:key、value

4.翻譯風格的設計:提示詞工程的應用

應用場景

電子商務平臺、時尚零售、娛樂行業、社交媒體

技術架構圖

基于訊飛大模型定制平臺的財經新聞項目

項目亮點

1.準備數據集:正負面新聞標題數據集中包含17149條新聞數據,包括input和target兩個字段

2.上傳數據集:大模型定制訓練平臺

3.模型定制:BLOOMZ-7B是一個由BigScience研發并開源的大型語言模型(LLM),參數量為70億。它是在一個包含46種語言和13種編程語言的1.5萬億個tokens上訓練的,可用于多種自然語言處理任務

4.模型訓練:LoRa、學習率、訓練次數

5.效果評測:提升效果(%)=優化后(正確/已選) - 優化前(正確/已選)

6.模型服務:可使用webAPI的方式進行調用,也可在線體驗服務的應用

應用場景

創意產業、文學和出版、新聞和媒體、游戲和應用開發

技術架構圖

基于訊飛大模型定制平臺的財經新聞項目

虛擬試衣項目

項目亮點

1.虛擬試衣簡介:背景、應用場景、優勢、方法

2.阿里PAI平臺介紹:平臺意義、產品結構、PAI的架構、PAI的注冊與開通

3.PAI-DSW環境搭建:DSW介紹、產品特點、環境搭建方法

4.虛擬試衣實踐:Diffusers、加速器accelerate、下載SD模型、LoRa微調、模型部署、推理驗證

應用場景

電子商務平臺、時尚零售、娛樂行業、社交媒體

技術架構圖

星火的語音大模型

項目亮點

1.語音識別的背景、原理、應用場景

2.語音識別的實現流程:數據預處理+特征的提取+模型構建+模型訓練+模型推理

3.大語言模型的介紹及其在多倫對話中的應用

4.超擬人合成的介紹、原理、應用場景

5.超擬人合成的實現流程:文本預處理(情感分析)+模型選擇+模型訓練+模型推理+語音后處理

應用場景

客戶服務、健康醫療、虛擬助手、法律咨詢、語言學習和翻譯

技術架構圖

黑馬程序員AI適合學習人群
Tips : 有一定數學基礎,本科及以上學歷,學習效果更佳

剛畢業、迷茫期

沒有工作經驗,期待學習有前景的AI大模型技術

零基礎、想轉行

零基礎,對AI人工智能或者大模型感興趣,有想法致力于通過AI人工智能或AI大模型解決實際問題

想晉升加薪

具備Java、前端、大數據、運維等開發經驗,面臨職場瓶頸期,期待自我提升

黑馬程序員歡迎你的加入AI學習

* 學員就業信息統計數據為數據庫中實時獲取的真實相關數據,非廣告宣傳 更多學員就業信息

黑馬程序員傳授AI薪技術
黑馬程序員雄厚師資

李老師

碩士,Stable diffusion開發者

  • ·曾就職于多家上市公司,并擔任高級算法工程師、算法專家。研究領域包括NLP、目標檢測、視頻跟蹤、大語言模型、多模態、模型推理加速等;
黑馬程序員雄厚師資

趙老師

人工智能領域技術大佬

  • ·曾任職于美團搜索部,負責NER及Bert搜索排序優化;
  • ·多年模式識別和數據挖掘開發經驗,主導研發多項科研項目;
  • ·曾負責信貸風控模型和智能醫療數據平臺開發,專注ML/DL/PR/KG領域相關算法的應用;
  • ·對Hadoop、SparkTensorflow和Pytorch等大數據、人工智能技術有多年企業實踐經驗。
黑馬程序員雄厚師資

姚老師

哈爾濱工程大學碩士

GIS行業工程實戰大佬

  • ·在圖像分割、檢測、追蹤等方面有多年從業經歷;
  • ·曾參與多項重大項目,具備豐富的工程落地經驗;
  • ·對Tensorflow和Pytorch有豐富的使用經驗,對于二維和三維圖像方面有深入了解。
黑馬程序員雄厚師資

李老師

北京化工大學工學碩士

算法專家

  • ·北京化工大學工學碩士,多家互聯網公司首席信息官,算法專家,具備多年機器學習,深度學習等人工智能相關算法的研發經驗;
  • · 熟悉Python、Java等常用開發語言,對PyTorch,Tensorflow,PaddlePaddle等深度學習框架熟練使用,在自然語言處理應用方面具備多年的企業實踐經驗
黑馬程序員雄厚師資

魏老師

多年算法工作經驗

  • ·多年數據開發經驗,曾參與過國云數據公司的數據中臺開發,以及甲乙丙丁公司商品推薦系統開發
  • ·精通Python、MySQL編程語言,機器學習以及推薦相關算法,熟練應用Hadoop、Hive離線數倉等相關技術;
  • ·曾擔任過BI數據分析師,數據挖掘,推薦算法工程師,數據倉庫工程師等數據以及算法相關崗位。
黑馬程序員雄厚師資

趙老師

人工智能領域技術大佬

  • ·曾任職于美團搜索部,負責NER及Bert搜索排序優化;
  • ·多年模式識別和數據挖掘開發經驗,主導研發多項科研項目;
  • ·曾負責信貸風控模型和智能醫療數據平臺開發,專注ML/DL/PR/KG領域相關算法的應用;
  • ·對Hadoop、SparkTensorflow和Pytorch等大數據、人工智能技術有多年企業實踐經驗。
黑馬程序員雄厚師資

姚老師

哈爾濱工程大學碩士

GIS行業工程實戰大佬

  • ·在圖像分割、檢測、追蹤等方面有多年從業經歷;
  • ·曾參與多項重大項目,具備豐富的工程落地經驗;
  • ·對Tensorflow和Pytorch有豐富的使用經驗,對于二維和三維圖像方面有深入了解。
黑馬程序員雄厚師資

李老師

北京化工大學工學碩士算法專家

  • ·北京化工大學工學碩士,多家互聯網公司首席信息官,算法專家,具備多年機器學習,深度學習等人工智能相關算法的研發經驗;
  • · 熟悉Python、Java等常用開發語言,對PyTorch,Tensorflow,PaddlePaddle等深度學習框架熟練使用,在自然語言處理應用方面具備多年的企業實踐經驗
黑馬程序員雄厚師資

魏老師

多年算法工作經驗

  • ·多年數據開發經驗,曾參與過國云數據公司的數據中臺開發,以及甲乙丙丁公司商品推薦系統開發
  • ·精通Python、MySQL編程語言,機器學習以及推薦相關算法,熟練應用Hadoop、Hive離線數倉等相關技術;
  • ·曾擔任過BI數據分析師,數據挖掘,推薦算法工程師,數據倉庫工程師等數據以及算法相關崗位。
黑馬程序員雄厚師資

李老師

碩士,Stable diffusion開發者

  • ·曾就職于多家上市公司,并擔任高級算法工程師、算法專家。研究領域包括NLP、目標檢測、視頻跟蹤、大語言模型、多模態、模型推理加速等;
  • 全日制教學管理每天10小時專屬學習計劃
    測試、出勤排名公示
    早課+課堂+輔導+測試+心理疏導

  • 實戰項目貫穿教學一線大廠實戰項目
    實用技術全面覆蓋
    課程直擊企業需求

  • AI教輔保障學習效果水平測評,目標導向學習
    隨堂診斷糾錯,階段測評
    在線題庫,BI報表數據呈現

  • 個性化就業指導就業指導課,精講面試題
    模擬面試,給出就業建議
    試用期輔導,幫助平穩過渡

  • 持續助力職場發展免費享,更新項目和學習資料
    主題講座,獲取行業前沿資訊
    人脈經驗,線下老學員分享會

  • 無憂學就業權益未就業,全額退費
    薪資低于標準,發放補貼
    多一份安心,學習無憂

  • 1教學管理
  • 2項目實戰
  • 3教輔促學
  • 4求職指導
  • 5職后提升
  • 6無憂學

更多>>人工智能學科動態

  • 01新征程,再出發丨傳智教育在深交所成功掛牌上市
  • 02與阿里云達成合作,基于通義靈碼共創AI教育新紀元
  • 03校園招聘!60余家企業組團來黑馬!
  • 05破圈,各種神仙場景下的黑馬程序員
  • 05【官宣】傳智教育使命升級!
  • 06盲注if被過濾怎么繞過?

更多>>人工智能技術資訊

  • 01Python下載和安裝圖文教程[超詳細]
  • 02深度相機常見技術:深度相機的相位求解
  • 03解決類別不平衡數據方法介紹
  • 04Bert算法:語言模型-BERT詳細介紹
  • 05python人工智能之人臉識別綜合應用與實踐
  • 06用人工智能玩轉《絕地求生》

更多>>人工智能常見問題

  • 01學人工智能未來有哪些發展方向?
  • 02為什么好的項目課程要多行業多領域?
  • 03數學基礎不好能學人工智能嗎?
  • 04為什么好的課程要教如何接手老項目?
  • 05為什么好的課程要教學員組件化定制?
  • 06掌握前沿技術解決方案的重要性

課程大綱

  1. 基礎班

    1. 大模型語言基礎

  2. 高手班

    1. 大模型語言進階 2. 數據處理與統計分析 3. 機器學習 4. 深度學習基礎 5. NLP自然語言處理基礎 6. 自然語言處理項目1 7. 自然語言處理項目2 8. 大模型開發基礎與項目 9. 企業級大模型平臺開發 10. 圖像分析基礎 11. 多模態大模型項目

  3. 人工智能開發 V5.0版本

  • 大模型語言基礎基礎班 1

    課時:8天 技術點:60項 測驗:1次 學習方式:線下面授

    學習目標

    1.掌握Python開發環境基本配置| 2.掌握運算符.表達式.流程控制語句.數組等的使用| 3.掌握字符串的基本操作| 4.初步建立面向對象的編程思維| 5.熟悉異常捕獲的基本流程及使用方式, 6.掌握類和對象的基本使用方式

    主講內容

    1. Python基礎語法零基礎學習Python的開始,包含了以下技術點:

    01_變量| 02_標識符和關鍵字| 03_輸入和輸出| 04_數據類型轉換| 05_PEP8編碼規范| 06_比較/關系運算符| 07_if判斷語句語法格式| 08_三目運算符| 09_while語句語法格式| 10_while 循環嵌套| 11_break 和 continue| 12_while 循環案例| 13_for循環

    2. Python數據處理掌握Python的數據類型,并對其進行操作處理,包含了以下技術點:

    01_字符串定義語法格式| 02_字符串遍歷| 03_下標和切片| 04_字符串常見操作| 05_列表語法格式| 06_列表的遍歷| 07_列表常見操作| 08_列表嵌套| 09_列表推導式| 10_元組語法格式| 11_元組操作| 12_字典語法格式| 13_字典常見操作| 14_字典的遍歷

    3. 函數能夠實現Python函數的編寫,包含了以下技術點:

    01_函數概念和作用、函數定義、調用| 02_函數的參數| 03_函數的返回值| 04_函數的注釋| 05_函數的嵌套調用| 06_可變和不可變類型| 07_局部變量| 08_全局變量| 09_組包和拆包、引用

    4. 文件讀寫能夠使用Python對文件進行操作,包含了以下技術點:

    01_文件的打開與關閉、文件的讀寫| 02_文件、目錄操作及案例| 03_os模塊文件與目錄相關操作

    5. 異常處理主要介紹了在Python編程中如何處理異常,包含了以下技術點:

    01_異常概念| 02_異常捕獲| 03_異常的傳遞

    6. 模塊和包主要介紹了Python中的模塊和包的體系,以及如何使用模塊和包,包含了以下技術點:

    01_模塊介紹| 02_模塊的導入| 03_包的概念| 04_包的導入| 05_模塊中的__all__ | 06_模塊中__name__

  • 大模型語言進階高手班 1

    課時:6天 技術點:8項 測驗:1次 學習方式:線下面授

    學習目標

    1、掌握面向對象相關技術| 2、知道網絡編程相關知識| 3、掌握數據結構和排序和查找算法

    主講內容

    1. 面向對象從逐步建立起面向對象編程思想,再到會使用對象,到創建對象,再到真正理解為什么封裝對象,包含了以下技術點:

    01_面向對象介紹| 02_類的定義和對象的創建| 03_添加和獲取對象屬性| 04_self 參數| 05_init方法| 06_繼承| 07_子類方法重寫| 08_類屬性和實例屬性| 09_類方法、實例方法、靜態方法|

    2. 網絡編程主要學習通訊協議,以及Python實現TCP、HTTP通訊,包含了以下技術點:

    01_IP地址的介紹| 02_端口和端口號的介紹| 03_TCP的介紹| 04_Socket的介紹| 05_TCP網絡應用的開發流程| 06_基于TCP通信程序開發|

    3. 多任務編程主要學習Python中多線程、多進程,包含了以下技術點:

    01_多任務介紹| 02_多進程的使用| 03_多線程的使用| 04_線程同步|

    4. 高級語法主要學習Python的高級語法,包含以下技術點:

    01_閉包| 02_裝飾器| 03_正則

    5. Python數據結構主要學習主要查找算法、排序算法、關鍵數據結構

    01_時間復雜度| 02_線性表| 03_鏈表| 04_常用數據結構 05_二分查找| 06_冒泡、選擇、插入、快排

  • 數據處理與統計分析高手班 2

    課時:6天 技術點:105項 測驗:1次 學習方式:線下面授

    學習目標

    1.掌握Linux常用命令,為數據開發后續學習打下的良好基礎| 2.掌握MySQL數據庫的使用| 3.掌握SQL語法| 4.掌握使用Python操作數據庫| 5.掌握Pandas案例| 6.知道繪圖庫使用|7.掌握Pandas數據分析項目流程

    主講內容

    1. Linux掌握Linux操作系統常用命令和權限管理

    01_Linux命令使用| 02_Linux命令選項的使用| 03_遠程登錄| 04_Linux權限管理| 05_vi編輯器使用|

    2. MySQL與SQL零基礎小白通過MySQL數據庫,掌握核心必備SQL,包含了以下技術點:

    01_數據庫概念和作用| 02_MySQL數據類型| 03_數據完整性和約束| 04_數據庫、表基本操作命令| 05_表數據操作命令| 06_where子句| 07_分組聚合| 08_連接查詢| 09_外鍵的使用| 10_PyMySQL

    3. Numpy矩陣運算庫Numpy矩陣運算庫技術,包含以下技術點:

    01_Numpy運算優勢,數組的屬性,數組的形狀| 02_Numpy實現數組基本操| 03_Numpy實現數組運算,矩陣乘法

    4. Pandas數據清洗Pandas數據清洗技術,包含以下技術點:

    1.數據組合:01_Pandas數據組合_concat連接;02_Pandas數據組合_merge數據;03_Pandas數據組合_join| 2.缺失值處理:01_缺失值處理介紹;02_缺失值處理_缺失值數量統計;03_缺失值處理;04_缺失值處理_刪除缺失值;05_缺失值處理_填充缺失值| 3.Pandas數據類型| 4.apply函數:01_Series和DataFrame的apply方法;02_apply使用案例

    5. Pandas數據整理Pandas數據處理技術,包含以下技術點:

    1.數據分組: 01_單變量分組聚合; 02_通過調用agg進行聚合; 03_分組后transform; 04_transform練習| 2.Pandas透視表: 01_透視表概述&繪員存量增量分析; 02_繪員增量等級分布; 03_增量等級占比分析&整體等級分布; 04_線上線下增量分析| 3.datetime數據類型: 01_日期時間類型介紹; 02_提取日期分組案例; 03_股票數據處理; 04_datarange函數; 05_綜合案例

    6. Pandas數據可視化Pandas數據可視化技術,包含以下技術點:

    1.Matplotlib可視化| 2.Pandas可視化| 3.Seaborn可視化|

    7. Pandas數據分析項目利用所學的Python Pandas,以及可視化技術,完成數據處理項目實戰

    RFM客戶分群案例: 01_RFM概念介紹| 02_RFM項目_數據加載和數據處理| 03_RFM項目_RFM計算| 04_RFM項目_RFM可視化| 05_RFM項目_業務解讀和小結|

  • 機器學習高手班 3

    課時:5天 技術點:80項 測驗:1次 學習方式:線下面授

    學習目標

    1.掌握機器學習算法基本原理| 2.掌握使用機器學習模型訓練的基本流程| 3.熟練使用機器學習相關算法進行預測分析

    主講內容

    1. 機器學習該部分主要學習機器學習基礎理論,包含以下技術點:

    01_人工智能概述| 02_機器學習開發流程和用到的數據介紹| 03_特征工程介紹和小結| 04_機器學習算法分類| 05_機器學習模型評估| 06_數據分析與機器學習

    2. K近鄰算法該部分主要學習機器學習KNN算法及實戰,包含以下技術點:

    01_K近鄰算法基本原理| 02_K近鄰算法進行分類預測| 03_sklearn實現knn| 04_訓練集測試集劃分| 05_分類算法的評估| 06_歸一化和標準化| 07_超參數搜索| 08_K近鄰算法總結

    3. 線性回歸該部分主要學習機器學習線性回歸算法及實戰,包含以下技術點:

    01_線性回歸簡介| 02_線性回歸API使用初步| 03_導數回顧| 04_線性回歸的損失函數和優化方法| 05_梯度下降推導| 06_波士頓房價預測案例| 07_欠擬合和過擬合| 08_模型的保存和加載| 09_線性回歸應用-回歸分析

    4. 邏輯回歸該部分主要學習機器學習邏輯回歸算法及實戰,包含以下技術點:

    01_邏輯回歸簡介| 02_邏輯回歸API應用案例| 03_分類算法評價方法| 04_邏輯回歸應用_分類分析

    5. 聚類算法該部分主要學習機器學習聚類算法及實戰,包含以下技術點:

    01_聚類算法的概念| 02_聚類算法API的使用| 03_聚類算法實現原理| 04_聚類算法的評估| 05_聚類算法案例

    6. 決策樹該部分主要學習機器學習決策樹算法及實戰,包含以下技術點:

    01_決策樹算法簡介| 02_決策樹分類原理| 03_特征工程-特征提取| 04_決策樹算法api| 05_決策樹案例

    7. 集成學習該部分主要學習機器學習集成算法算法及實戰,包含以下技術點:

    01_集成學習算法簡介| 02_Bagging和隨機森林| 03_隨機森林案例| 04_Boosting介紹| 05_GBDT介紹| 06_XGBOOST介紹|

    8. 數據挖掘案例數據挖掘案例部分,包含以下技術點:

    01_數據探索性分析| 02_特征工程| 03_模型訓練與特征優化| 04_模型部署上線

  • 深度學習基礎高手班 4

    課時:5天 技術點:60項 測驗:1次 學習方式:線下面授

    學習目標

    1.Pytorch工具處理神經網絡涉及的關鍵點|2.掌握神經網絡基礎知識|3.掌握反向傳播原理|3.了解深度學習正則化與算法優化

    主講內容

    1. 神經網絡基礎該部分主要學習神經網絡基礎,包含以下技術點:

    01_神經網絡基礎:神經網絡的構成、激活函數、損失函數、優化方法及正則化|02_反向傳播原理:梯度下降算法、鏈式法則、反向傳播算法、改善反向傳播算法性能的迭代法|03_深度學習正則化與算法優化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam;04_實現多層神經網絡案例|

    2. 深度學習多框架對比該部分主要學習深度學習多框架對比,包含以下技術點:

    01_Pytorch| 02_Tensorflow| 03_MxNet| 04_PaddlePaddle|

    3. Pytorch框架該部分主要學習Pytorch深度學習框架,包含以下技術點:

    01_Pytorch介紹|02_張量概念|03_張量運算|04_反向傳播|05_梯度,自動梯度|06_參數更新|07_數據加載器|08_迭代數據集|

  • NLP自然語言處理基礎高手班 5

    課時:10天 技術點:100項 測驗:1次 學習方式:線下面授

    學習目標

    1.掌握NLP領域前沿的技術解決方案|2.了解NLP應用場景|3.掌握NLP相關知識的原理和實現|4.掌握傳統序列模型的基本原理和使用|5.掌握非序列模型解決文本問題的原理和方案|6.能夠使用Pytorch搭建神經網絡|7.構建基本的文本分類器模型|8.使用fasttext進行快速的文本分類|9.為后續NLP項目學習奠定基礎,能夠勝任多數企業的NLP工程師的職位

    主講內容

    1. NLP入門該部分主要學習NLP基礎,包含以下技術點:

    01_NLP簡介|02_NLU簡介|03_文本生成簡介|04_機器翻譯簡介|05_智能客服介紹|06_機器人寫作介紹|07_作文打分介紹

    2. 文本預處理該部分主要學習文本預處理技術,包含以下技術點:

    01_文本處理的基本方|02_文本張量表示方法|03_文本語料的數據分析,文本特征處理,數據增強方法|04_分詞,詞性標注,命名實體識別|05_one-hot編碼,Word2vec,Word Embedding|06_標簽數量分布,句子長度分布,詞頻統計與關鍵詞詞云

    3. RNN及變體該部分主要學習RNN、LSTM、GRU等技術,包含以下技術點:

    01_傳統RNN,LSTM,Bi-LSTM,GRU,Bi-GRU|02_新聞分類案例,機器翻譯案例|03_seq2seq,遺忘門,輸入門,細胞狀態,輸出門,更新門,重置門

    4. Transformer原理該部分主要學習Transformer技術,包含以下技術點:

    01_輸入部分,輸出部分,編碼器部分,解碼器部分,線性層|02_softmax層,注意力機制,多頭注意力機制|03_前饋全連接層,規范化層,子層連接結構,語言模型|04_wikiText-2數據集,模型超參數|05_模型的訓練,模型驗證

    5. 遷移學習該部分主要學習遷移學習,包含以下技術點:

    01_fasttext工具,進行文本分類|02_CBOW模式,skip-gram模式,預訓練模型|03_微調,微調腳本,訓練詞向量|04_模型調優|05_n-gram特征|06_CoLA 數據集,SST-2 數據集,MRPC 數據集|07_BERT|08_pytorch.hub

  • 自然語言處理項目1高手班 6

    課時:6天技術點:80項測驗:0次學習方式:線下面授

    學習目標

    以投滿分項目為例:1. 基于大規模業務留存數據構建快速文本分類系統|2. 基于推薦系統內部分頻道投遞的需求, 快速搭建短文本精準分類投遞的模型|3. 基于隨機森林和FastText搭建快速基線模型, 驗證業務通道的能力. | 4. 基于BERT的遷移學習優化模型搭建的能力. | 5. 實現神經網絡量化的優化與測試. | 6. 實現神經網絡剪枝的優化與測試. | 7. 實現神經網絡知識蒸餾的優化與測試. | 8. 更多主流預訓練模型的優化與深度模型剖析| 9. BERT模型在生成式任務和工程優化上的深入擴展

    投滿分項目主要解決在海量新聞,咨詢等文本信息的場景下, 需要完成文本類別的快速鑒別與分類, 并完成按頻道的投遞和排隊, 最終推薦給對該類別感興趣的用戶, 從而提升點擊量,閱讀量,付費量等關鍵指標. 該項目結合今日頭條真實場景下的海量數據, 快速搭建隨機森林和FastText的基線模型, 以驗證商業化落地的可行性. 更多聚焦在深度學習的優化方法上, 搭建基于BERT的初版微調模型, 應用量化,剪枝,預訓練模型微調,知識蒸餾等多種手段,反復迭代,反復優化模型的離線效果,在線效果.

    主講解決方案

    1.海量文本快速分類基線模型解決方案| 2.基于預訓練模型優化的解決方案| 3.模型量化優化的解決方案| 4.模型剪枝優化的解決方案| 5.模型知識蒸餾優化的解決方案| 6.主流遷移學習模型微調優化的解決方案

    主講知識點

    1. 項目背景介紹, 項目快速實現基于隨機森林的基線模型1.0, 和基于FastText的基線模型2.0 2. 遷移學習優化, 實現基于BERT的遷移學習模型搭建和訓練, 并對比模型關鍵指標的提升. 3. 模型的量化, 實現對大型預訓練模型的量化, 并對比原始模型與量化模型的差異. 4. 模型的剪枝, 實現對模型的剪枝的操作, 包含主流的對特定網絡模塊的剪枝, 多參數模塊的剪枝, 全局剪枝, 用戶自定義剪枝, 包含處理細節和理論知識. 5. 遷移學習微調, 包含BERT模型微調. 6. 模型的知識蒸餾, 詳細解析知識蒸餾的原理和意義, 并實現知識蒸餾模型的搭建, 對比知識蒸餾后的新模型的優異表現, 并做詳細的對比測試.

  • 自然語言處理項目2高手班 7

    課時:6天技術點:80項測驗:0次學習方式:線下面授

    學習目標

    以泛娛樂關系抽取為主:1、理解關系抽取任務 2、了解實現關系抽取任務的基本方法 3、掌握Casrel模型架構及工作原理 4、掌握關系抽取數據處理方法 5、掌握關系抽取的應用場景

    該項目基于泛娛樂數據場景,依賴NLP技術從文本中提取實體和它們之間的關系,旨在輔助企業構建知識圖譜。關系抽取的實現主要包括3種方法:分別是基于規則、Pipeline流水線、Joint聯合抽取等。其中基于規則的方法由人工設定模版,完成簡單關系的任務抽取;基于Pipeline流水線方法則是在完成實體識別的前提下,利用BILSTM+Attention模型實現關系分類,相比規則,該方法具備關系推理的能力;在Joint聯合抽取方法應用方面,實現了可以解決多元復雜關系抽取問題的Casrel模型搭建。在實現關系抽取的基礎之上,基于Neo4j圖數據庫,應用Cypher語言完成知識的存儲。整個項目全方位為大家展現不同關系抽取方法的優缺點以及應用場景,目地讓學生學會在不同場景下,選擇合適的方法解決對應問題,且最終通過圖譜的形式展示業務的實際應用。

    主講解決方案

    1.文本數據處理解決方案| 2.基于Casrel模型實現關系抽取的解決方案

    主講知識點

    1.項目介紹:理解關系抽取任務以及關系抽取的常見場景 2. 環境構建:項目開發所需搭建的環境 3. 數據集介紹:數據來源、獲取方式以及存儲方式介紹 4. 數據處理:構建DataSet以及Dataloader 5. Casrel模型構建:實現關系抽取

  • 大模型開發基礎與項目高手班 8

    課時:12天技術點:100項測驗:1次學習方式:線下面授

    學習目標

    以物流信息咨詢智能問答項目: 1.掌握LangChain工具的基本使用方法,了解如何通過LangChain構建和管理語言模型應用。 2.熟悉ChatGLM-6B模型的應用,了解如何將大語言模型與本地知識庫結合,實現高效準確的問答功能。 3.理解向量知識庫的基本概念和技術原理,掌握如何構建和使用向量知識庫來存儲和檢索知識信息。 4.掌握知識庫的構建方法,從數據采集、處理到存儲,學習如何將電商物流相關信息整合到知識庫中。 5.理解RAG系統的基本原理和實現方法,學習如何結合檢索和生成技術,提升問答系統的準確性和實用性。 6.從零開始搭建一個問答機器人,掌握整個系統的設計、實現和部署過程。

    項目基于LangChain+ChatGLM-6B實現電商物流 本地知識庫問答機器人搭建,讓模型根據本地信 息進行準確回答,解決大模型的“幻覺”問題, 實現精準問答。通過項目皆在掌握LangChain工 具的基本使用方式,理解向量知識庫以及實現知 識庫的技術原理,快速構建檢索增強生成 (RAG)系統

    主講解決方案

    1.LangChain工具使用介紹解決方案 2.ChatGLM-6B模型集成到問答系統中的解決方案 3.向量知識庫的構建和檢索的解決方案 4.搭建RAG系統的解決方案

    主講知識點

    1.項目介紹:理解什么是RAG系統 2.項目流程梳理(從本地知識庫搭建,到知識檢索,模型生成答案等流程介紹) 3.數據預處理:本地文檔知識分割,向量,存儲 4.LangChain框架的詳解講解:6大組件應用原理和實現方法 5.基于本地大模型ChatGLM-6B封裝到LangChain框架中 6.實現LangChain+ChatGLM-6B模型的知識問答系統搭建

  • 企業級大模型平臺開發高手班 9

    課時:6天技術點:80項測驗:0次學習方式:線下面授

    學習目標

    以基于StableDiffusion的圖像生成項目為例:1.了解虛擬試衣的背景 2.知道阿里PAI平臺的使用方式 3.能夠搭建虛擬試衣的環境 4.能夠完成虛擬試衣的實踐并進行資源清理

    利用計算機視覺技術,上傳照片,選擇不同的服裝進行試穿,使得用戶無需到實體店,就能夠在線上體驗不同的風格,更方便地進行購物決策。該項目利用人體數據、服裝圖像和文本提示,擴 散模型Diffusion Model在人體數據和服裝圖像的控制因子下,分別處理文本提示,最后進行信息的融合,實現逼真的試衣效果。

    主講解決方案

    虛擬試衣的常見解決方案 阿里PAI平臺使用的解決方案 PAI—DSW環境搭建的解決方案 虛擬試衣實踐的解決方案

    主講知識點

    1.虛擬試衣簡介:背景,應用場景,優勢,方法 2.阿里PAI平臺:介紹,平臺意義,產品結構,PAI的架構,PAI的注冊與開通 3.PAI-DSW環境搭建:DSW介紹,產品特點,環境搭建方法 4.虛擬試衣實踐:Diffusers,加速器accelerate,下載SD模型,Lora微調,模型部署,推理驗證

  • 圖像分析基礎高手班 10

    課時:5天 技術點:100項 測驗:1次 學習方式:線下面授

    學習目標

    1.熟悉深度學習主要及前沿網絡模型的架構原理及在實際業務場景中的應用|2.掌握深度學習在計算機視覺中的應用,包括但不限于分割檢測識別等等,3.掌握實際工作中深度學習的具體流程,數據及標注處理,建模訓練,及模型部署應用等。|4.可勝任深度學習算法工程師,圖像與計算機視覺算法工程師等,并持續優化與迭代算法

    主講內容

    1. 圖像與視覺處理介紹該模塊主要介紹計算機視覺的定義,發展歷史及應用場景

    01_計算機視覺定義、計算機視覺發展歷史|02_計算機視覺技術和應用場景、計算機視覺知識樹和幾大任務

    2. 圖像分析該部分主要學習圖像分析的相關內容:

    01_圖像的表示方法;| 02_圖像的幾何變換;| 03_顏色變換;| 04_mixup;| 05_copypaste|

    3. 圖像分類該部分主要學習圖像分類的相關知識:

    01_分類的思想;| 02_經典網絡結構;AlexNet;| 03_InceptionNet;| 04_ResNet;| 05_模型微調策略|

    4. 圖像分割該部分主要介紹圖像分割的內容:

    01_分割思想| 02_Unet;| 03_FCN Net;| 04_MaskRCNN|

  • 多模態大模型項目高手班 11

    課時:6天技術點:40項測驗:0次學習方式:線下面授

    學習目標

    以虛擬試衣項目為例: 1.知道AIGC是什么,理解AIGC的產品形態 2.知道圖像生成的常用方式 3.理解GAN ,VAE,Diffusion的思想 4.掌握Stable Diffusion的網絡結構 5.理解文圖匹配的clip模型 6.理解Unet網絡和采樣算法的作用 7.知道VAE解碼器的作用 8.知道dreambooth和LoRA的模型訓練方式 9.能夠搭建圖像生成的小程序

    基于Stable Diffusion的圖像生成項目是一種基于深度學習的圖像生成方法,旨在生成高質量、逼真的圖像。該項目利用穩定擴散過程,通過逐漸模糊和清晰化圖像來實現圖像生成的過程。這種方法在圖像生成領域具有廣泛的應用,包括藝術創作、虛擬場景生成、數據增強等。

    主講解決方案

    圖像生成的常見解決方案 文圖匹配的解決方案 擴散模型噪聲去除的解決方案 潛在空間擴散模型的解決方案 擴散模型訓練的解決方案 小程序搭建的解決方案

    主講知識點

    1.AIGC的詳解:AIGC簡介,類型,應用場景,產品形態 2.圖像生成算法:GAN; VAE ;Diffusion; DALLe; imagen 3.StableDiffusion的詳解:Diffusion,latent diffusion ;satble diffusion 4.stablediffusion實踐: 模型構建,模型訓練,lora,dreambooth,圖像生成效果 5.圖像生成小程序搭建: 基于stablediffusion構建圖像生成的小程序

  • 人工智能開發 V版本課程說明

    課程名稱:主要針對:主要使用開發工具:

    課程介紹

“周”更新日志
課程大版本更新

課程更新日志按周更新熱點/前沿技術

  • 新增2023-06-29

    · VFL損失函數的介紹· DFL損失的使用· anchor的對齊方式

  • 新增2023-06-21

    · 量化機制的介紹· 圖優化方法的使用

  • 新增2023-06-15

    · yoloV8的架構解析· 雙流FPN結構的設計

  • 新增2023-06-07

    · 正負樣本的分配策略· Batch normalization在預測階段的使用

  • 新增2023-06-02

    · 卷積和池化降維策略的融合· 輔助頭設計方法

  • 新增2023-05-25

    · yoloV7模型的網絡結構· E-ELAN的設計策略

  • 新增2023-05-18

    · Rep-PAN的特征融合方式· EfficientRep結構的使用

  • 新增2023-05-10

    ·REPVgg的思想· 訓練和預測網絡結構分離的策略

  • 新增2023-05-04

    ·SIOU損失的策略

    升級

    ·IOU系列的損失函數

  • 新增2023-04-26

    ·檢測端的解耦結構· anchor-free的檢測方式

  • 新增2023-04-18

    ·yoloV6進行目標檢測的思想· yoloV6的網絡結構

  • 新增2023-04-18

    ·yoloV6進行目標檢測的思想· yoloV6的網絡結構

  • 升級2023-04-12

    ·實現關系抽取API接口搭建· Neo4j圖數據庫介紹與使用· 娛樂數據知識圖譜搭建

  • 升級2023-04-06

    ·Joint聯合方法實現關系抽取· Casrel關系抽取模型架構介紹· Casrel模型實現關系抽取原理

  • 升級2023-03-28

    ·Pipeline方法實現關系抽取· BiLSTM+Attention關系分類模型架構介紹· BiLSTM+Attention模型實現關系分類原理

  • 升級2023-03-23

    ·規則進行關系抽取的概念· 規則進行關系抽取的步驟和原理

  • 升級2023-03-15

    ·關系抽取方法基礎知識介紹· 解析關系抽取的任務特點· 分析關系抽取任務的評價指標· 對比介紹實現關系抽取的常用方法

  • 新增2023-03-07

    ·FastText模型架構原理· 層次softmax以及負采樣優化方法

  • 升級2023-03-01

    ·文本數據增強方式接口更改· 機器翻譯案例代碼錯誤修改

  • 升級2023-02-17

    ·圖像分類的經典網絡· 智慧交通項目目標跟蹤方法

  • 新增2023-02-09

    ·預訓練模型的知識融入技術· 工業界發布模式介紹

  • 新增2023-02-03

    ·BERT模型參數詳解與優化經驗· 基于BERT完成生成式任務的介紹

  • 新增2023-01-28

    ·知識蒸餾原理詳解· 知識蒸餾優化文本多分類

  • 新增2023-01-19

    ·百度ERNIE模型介紹與微調· MENGZI模型介紹與微調· NeZha模型介紹與微調

  • 新增2023-01-13

    ·K-BERT和KG-BERT模型介紹· MASS模型介紹與微調· BART模型介紹與微調

  • 新增2023-01-05

    ·MacBERT模型介紹與微調· SpanBERT模型介紹與微調· FinBERT模型介紹與微調

  • 新增2022-12-29

    ·XLNet模型介紹與微調· Electra模型介紹與微調· RoBERTa模型介紹與微調

  • 新增2022-12-20

    ·AlBERT模型介紹與微調· T5模型介紹與微調· ansformer-XL模型介紹與微調

  • 新增2022-12-14

    ·多參數模塊的剪枝技術· 全局剪枝技術· 用戶自定義剪枝

  • 新增2022-11-30

    ·FastText完成多分類的基線模型· FastText模型優化與部署· 基于BERT的文本多分類遷移學習模型

  • 新增2022-11-22

    ·數據來源解決方案· 隨機森林基線模型

  • 新增2022-11-02

    ·Transformer的并行計算過程· Transformer可以替代Seq2Seq原因· ELMo總體架構· ELMo模型預訓練任務

  • 新增2022-10-27

    ·Transformer模塊的Encode結構和作用· Transformer模塊的Decoder結構和作用· Self attention機制中的歸一化原因

  • 新增2022-10-19

    ·循環神經網絡-案例-網絡搭建· 循環神經網絡-案例-訓練函數· 循環神經網絡-案例-預測函數

  • 新增2022-10-11

    ·循環神經網絡-案例-數據清洗· 循環神經網絡-案例-構建詞典· 循環神經網絡-案例-數據類編寫

  • 新增2022-09-30

    ·循環神經網絡-RNN層理解· 循環神經網絡-RNN層使用

  • 新增2022-09-22

    ·循環神經網絡-RNN算法· 循環神經網絡-Embedding使用· 循環神經網絡-Embeddings小節

  • 新增2022-09-16

    ·卷積神經網絡-案例-圖像分類-CIFAR10數據集· 卷積神經網絡-案例-圖像分類-CNN網絡搭建· 卷積神經網絡-案例-圖像分類-編寫訓練函數· 卷積神經網絡-案例-圖像分類-編寫預測函數· 卷積神經網絡-案例-圖像分類-小節

  • 新增2022-09-07

    ·卷積神經網絡-Conv2d使用· 卷積神經網絡-池化計算· 卷積神經網絡-MaxPool2d使用

  • 新增2022-09-01

    ·卷積神經網絡-卷積神經網絡概述· 卷積神經網絡-圖像基礎知識· 卷積神經網絡-卷積簡單計算· 卷積神經網絡-多卷積核計算

  • 新增2022-08-26

    ·神經網絡基礎-價格分類-模型訓練過程· 神經網絡基礎-價格分類-模型評估過程· 神經網絡基礎-價格分類-網絡模型調優· 神經網絡基礎-價格分類-小節

  • 新增2022-08-17

    ·神經網絡基礎-價格分類-案例介紹· 神經網絡基礎-價格分類-構建數據集· 神經網絡基礎-價格分類-網絡模型搭建

  • 新增2022-08-09

    ·神經網絡基礎-dropout對網絡參數的影響· 神經網絡基礎-BN層理解· 神經網絡基礎-價格分類-案例介紹· 神經網絡基礎-價格分類-構建數據集

  • 新增2022-08-02

    ·神經網絡基礎-adagrad優化方法· 神經網絡基礎-rmsprop優化方法· 神經網絡基礎-adam和小節· 神經網絡基礎-dropout原理

  • 新增2022-07-25

    ·神經網絡基礎-反向傳播算法案例講解· 神經網絡基礎-反向傳播算法代碼演示· 神經網絡基礎-指數加權平均· 神經網絡基礎-momentum優化方法

  • 升級2022-07-18

    ·優化PyTorch使用-模型定義方法-實現線性回歸· 優化PyTorch使用-直接序列化模型對象· 優化PyTorch使用-存儲模型參數

  • 新增2022-07-11

    ·神經網絡基礎-激活函數小節· 神經網絡基礎-網絡參數初始化· 神經網絡基礎-梯度下降算法回顧· 神經網絡基礎-正向傳播和鏈式法則

  • 升級2022-07-04

    ·優化PyTorch使用-手動構建線性回歸小節· 優化PyTorch使用-模型定義方法-基本組件的使用· 優化PyTorch使用-模型定義方法-數據加載器

  • 新增2022-06-28

    ·神經網絡基礎-simoid激活函數· 神經網絡基礎-tanh激活函數· 神經網絡基礎-relu激活函數· 神經網絡基礎-softmax激活函數

  • 新增2022-06-21

    ·神經網絡基礎-人工神經網絡概述· 神經網絡基礎-激活函數的作用

    升級

    · 優化PyTorch使用-手動構建線性回歸-訓練函數編寫思路· 優化PyTorch使用-手動構建線性回歸-訓練函數代碼實現

  • 新增2022-06-14

    · Transformers庫管道方式實現基礎NLP任務 · Transformers庫自動模型方式實現基礎NLP任務 · Transformers庫具體模型實現基礎NLP任務· 遷移學習中文分類案例· 遷移學習中文填空案例· 遷移學習句子關系管理· 刪除Transformers發布模型舊的方式

  • 升級2022-06-07

    · 優化seq2seq英譯法案例· 數據處理機制· Python語言操作Flink· 優化Transformer模塊測試案例· 輸入部分· 輸出部分· 編碼器部分· 解碼器部分

  • 新增2022-05-31

    · NLP基礎課程新增 詞向量檢索基礎知識

    升級

    · 詞嵌入層可視化顯示實驗· RNNAPI編程案例· RNN人名分類器案例· 數據處理機制· 模型訓練方法

  • 新增2022-05-24

    · 如何構建特征,如何評估特征 · 從原始數據構造出新特征的方法 · 新增特征變換的方法· 新增缺失值處理的方法

  • 新增2022-05-17

    · 信貸審批業務的基本流程 · 新增ABC評分卡 · 新增風控建模的基本流程· 新增評分卡模型正負樣本定義方法

  • 新增2022-05-10

    · 增加SQL進行風控報表開發 · 增加信貸審批業務的基本流程 · 增加風控建模的基本流程· 機器學習風控模型的優勢

  • 新增2022-05-03

    · 增加LR理論推導 · 增加樸素貝葉斯推導 · 增加用戶畫像案例· 增加金融風控項目

  • 新增2022-04-26

    · 增加Python進行RFM分群 · 增加使用Pyecharts繪制3D圖形 · 增加SVM理論推導· 增加GBDT理論推導

  • 新增2022-04-19

    · ViBert · 圖像分析方法 · 標簽數據統計及應用· 梯度剪裁方法

  • 升級2022-04-12

    · 優化Numpy基礎矩陣預算 · 應用Pandas進行簡單排序、分組、聚合等計算 · 優化Pandas處理方法

  • 新增2022-04-05

    · MOE方法 · 級聯MOE Model · GAP評估方法· NextVLad視頻聚合

  • 新增2022-03-29

    · 模型剪枝 · RoBerta新模型 · Transformer-XL新模型· 多分類知識蒸餾

  • 新增2022-03-22

    · Vggish · PCA方法 · SE Context模型融合· Logistics模型分類

  • 新增2022-03-15

    · 增加MySQL的Datagrip工具連接數據庫 · 增加SQL的窗口函數用法 · 增加Pandas的透視表用法

  • 新增2022-03-08

    · pad的增強方式 · 分布式訓練 · 視頻標簽任務· MFCC

  • 新增2022-03-01

    · 增加Pyecharts實現各種圖形繪制 · 刪除Ununtu系統 · 增加Linux中Shell的基本操作

    升級

    · 升級優化為CentOs系統

  • 新增2022-02-22

    · 模型量化方法 · 模型剪枝方法 · 模型蒸餾方法· tf-serving模型部署

  • 新增2022-02-15

    · Python進階中增加數據爬蟲案例

    升級

    · 升級閉包裝飾器內容 · 優化升級深拷貝和淺拷貝的

  • 新增2022-02-08

    · 年齡檢測方法 · NAS神經網絡搜索 · NAS-FPN網絡· 人臉矯正對齊

  • 新增2022-01-25

    · yolo-tiny模型 · 多任務模型介紹 · mish激活函數· mmdetection目標檢測框架

  • 新增2022-01-18

    · Python基礎案例增加學生管理系統 · Python進階中增加多任務編程 · Python進階增加FastAPI搭建服務器

  • 新增2022-01-11

    · wing損失函數 · 人臉關鍵點檢測 · 關鍵點描述方法· SEnet注意力模型

  • 新增2022-01-04

    · BERT+CRF · TENER · nested NER優化

  • 新增2021-12-28

    · 人臉性別檢測 · 人臉年齡檢測 · 人臉對比· arcface損失函數

  • 新增2021-12-14

    · 人臉模糊判斷 · 人臉相似度檢測 · 度量學習模型· 孿生模型

  • 新增2021-11-30

    · 人臉檢測 · 人臉跟蹤 · 人臉三維角度檢測· 人臉明暗檢測

  • 新增2021-11-16

    · 后處理方法GreedyNMS · Swish激活函數 · SENET注意力機制· Focal loss

  • 新增2021-11-09

    · 文本摘要項目部署 · textcnn模型原理 · textcnn模型實現· textcnn模型優化

  • 新增2021-11-02

    · hue增強方法 · 多張圖增強 · LRRelu激活函數· 噪聲增強方式

  • 新增2021-10-26

    · CPU優化 · Flask框架的介紹 · Django框架的介紹· API接口封裝

  • 新增2021-10-19

    · 內容理解 · 內容生成 · 內容安全治理的主要技術· 內容安全要解決的核心問題

  • 新增2021-10-12

    · 半監督數據增強 · Scheduled sampling優化策略 · Weight tying優化策略· CPU優化

  • 新增2021-10-05

    · 圖像文本掩碼 · 視覺文本匹配 · 掩碼視覺區域· 序列到序列目標損失

  • 新增2021-09-28

    · gensim實現TF-IDF算法 · 純Python代碼實現純TF-IDF算法 · TF-IDF模型· 回譯數據

  • 新增2021-09-21

    · 多模態的語言表征 · 基于自編碼自回歸架構的模型 · 單流結構· 雙流結構

  • 新增2021-09-14

    · viterbi Decode · Beam-serch Decode · Beam-serch優化模型· 單詞替換數據增強

  • 新增2021-09-07

    · 新型網絡 · 仇恨言論檢測 · 職責界定· 多模態核心任務

  • 新增2021-08-31

    · coverage數學原理 · PGN + coverage網絡優化 · Beam-search算法· Greedy Decode

  • 新增2021-08-24

    · 跳層連接skip layers · 模型感受野RFB · 注意力機制Point-wise attention· DIOU網絡預測

  • 新增2021-08-17

    · BLEU算法解析 · ROUGE評估 · ROUGE算法解析· ROUGE算法實現

  • 新增2021-08-10

    · ASFF特征融合 · mish激活函數 · DIOUNMS抑制方法· 特征融合SFAM

  • 新增2021-08-03

    · PGN模型的數據迭代器 · PGN模型實現 · PGN模型網絡訓練· BLEU評估

  • 新增2021-07-27

    · 對比度調整 · SPP結構 · sam注意力機制· 空間注意力

  • 新增2021-07-20

    · 內容張量context vector計算 · 單詞分布張量P_vocab計算 · 分布張量P_w計算· PNG網絡數據清洗

  • 新增2021-07-13

    · 知識蒸餾方法 · 模型剪枝方法 · Dropblock正則化· Hide and seek圖像增強

  • 新增2021-07-07

    · Transformer問答試題 · Elmo模型講解 · yoloV4模型· Siamese系列網絡詳解

  • 新增2021-06-30

    · 模型的整體實現 · 數據清洗 · gensim訓練詞向量· 詞向量優化模型

  • 新增2021-06-22

    · 模型的整體實現 · 數據清洗 · gensim訓練詞向量· 詞向量優化模型

  • 新增2021-06-15

    · SAT自對抗訓練進行數據增強 · 數據增強意義 · CSP模塊介紹· SPP結構

  • 新增2021-06-08

    · 多核并行處理數據優化 · 參數配置及數據優化 · 模型數據的優化· 模型子層的實現

  • 新增2021-06-01

    · 小目標檢測技巧 · 損失函數設計 · CIOU損失

  • 新增2021-05-25

    · 基于jieba的TextRank · 基于TextRank算法模型構建 · 文本摘要數據集優化· seq2seq架構實現文本摘要架構

  • 新增2021-05-18

    · 馬賽克增強 · gridmask · Cutmix· 填充

  • 新增2021-05-11

    · TextRank算法實現 · 關鍵詞抽取 · 關鍵短語抽取· 關鍵句抽取

  • 新增2021-05-04

    · 數據增強 · mixup · cutout· 隨機擦除

  • 新增2021-04-27

    · 抽取式摘要 · 生成式摘要 · 文本摘要項目數據集型· TextRank算法原理

  • 升級2021-04-20

    · tfrecord文件介紹 · 圖像數據feature構建 · Example的構建· writer_to_tfrecord的使用

  • 新增2021-04-13

    · 靜態量化和動態量化對比 · prune技術介紹 · 持久化修剪后的模型· 模型推斷加速

  • 升級2021-04-06

    · yoloV3的損失計算 · yoloV4模型介紹 · 正負樣本的設計· 多任務損失

  • 升級2021-03-30

    · 標簽平滑技術優化 · badcase分析案例演示 · badcase優化總結· 模型熱更新講解優化

  • 新增2021-03-23

    · ORB特征的方向設計 · 目標的外接矩形 · ROIAlign算法· 全卷積網絡

  • 升級2021-03-16

    · GLUE標準數據集介紹 · run_glue腳本講解方式調整 · gpu服務器驗證優化介紹· weight_decay演示調優

  • 新增2021-03-09

    · 大津法 · 輪廓檢測 · 矩特征· 目標的質心計算

  • 升級2021-03-02

    · bert模型調整 · 考試數據集實例演示· 考試數據清洗代碼精煉· bert-Multilingual進行微調優化

  • 升級2021-02-23

    · FPN進行特征融合 · 候選框的多尺度映射方法· 候選框的選擇方法· 檢測框篩選的方法

  • 新增2021-02-16

    · 上線模型優化 · 模型量化壓縮技術· ONNX-Runtime推斷加速· 對比混合精度馴良

  • 升級2021-02-09

    · 選擇性搜索(SS) · 目標框位置回歸的意義· 候選區域映射的方法· ROIPooling的思想

  • 升級2021-02-02

    · Django中views文件講解順序 · 多線程實現舉例· fasttext模型原生代碼pytorch實現· fasttext模型baseline訓練

  • 新增2021-01-26

    · 目標檢測評價指標MAP · softNMS方法· overfeat方法· RPN網絡詳解

  • 新增2021-01-19

    · 從SQL中獲取數據演示 · 意向校區識別代碼邏輯 · "手機號","微信號","QQ號"識別規則細化· 與后端交互數據舉例

  • 新增2021-01-12

    · IOU在目標跟蹤中的使用 · 相機外參的計算方法 · 圖像畸變產生的原因· 圖像去畸變的方法

  • 新增2021-01-05

    · 信息中心需求分析細化 · 產品設計邏輯修改 · 原始數據分析思路· fasttext講解案例

  • 新增2020-12-29

    · 分水嶺算法介紹 · 市場中主流AI平臺演示 · 邊緣檢測計算復雜度介紹· 傳智大腦整體架構介紹

  • 升級2020-12-21

    · flask框架整體介紹 · 市場中主流AI平臺演示 · 邊緣檢測計算復雜度介紹· 傳智大腦整體架構介紹

  • 新增2020-12-14

    · VGG模型實現 · Inception系列模型對比 · 邊緣檢測計算復雜度介紹· 傅里葉變換在圖像處理中的應用

  • 升級2020-12-07

    · series和dataframe介紹 · 非正常卷積網絡結構解析 · 多尺度網絡與非正常卷積初步· 車輛偏離車道中心距離優化

  • 新增2020-11-30

    · lightGBM推導 · 優化實體提取模型 · 多尺度網絡與非正常卷積初步· 車道線檢測laneNet實現

  • 升級2020-11-23

    · 樸素貝葉斯常見面試題講解 · 修改部分項目bug · 多精度多分辨率通道分組網絡總結· sort算法進行多目標跟蹤優化

  • 新增2020-11-16

    · 機器學習中svr的介紹 · 積分梯度解析 · 嘴唇分割模型訓練· 多目標跟蹤deepsort算法的實現

  • 升級2020-11-09

    · 機器學習svm部分面試題 · bert源碼解析 · 嘴唇分割模型訓練· fasterRCNN目標檢測優化

  • 新增2020-11-02

    · 相對路徑和絕對路徑的使用場景描述 · LIT實驗 · 用于圖像分割的實時分組網絡· 模型微調方法簡介

  • 升級2020-10-26

    · 優化tree命令的安裝及使用 · Reformer實驗 · 多分辨率卷積核通道分組網絡· yoloV3進行目標檢測案例

  • 新增2020-10-19

    · 操作系統的簡介內容 · Captum實驗 · 多通道補償技術· 圖像增強方法實現

  • 升級2020-10-13

    · 優化面向對象的介紹 · 可解釋性工具 · 多分支網絡結構設計· 使用tf.keras完成網絡模型的搭建

  • 新增2020-10-08

    · 文件操作案例 · 網絡瓶頸結構探索· GoogLeNet的網絡構建

  • 升級2020-09-28

    · vim的常用操作命令 · 數據增強方法 · MobileNet網絡深度對實驗的影響· tensorflow入門升級

  • 新增2020-09-08

    · 增加break關鍵字的使用場景案例 · 模型蒸餾 · Neocognitron網絡· k-means算法推導過程舉例

  • 升級2020-09-01

    · 邏輯運算符的演示案例 · 模型剪枝 · 加深網絡,提升模型性能· 樸素貝葉斯案例修改

  • 新增2020-08-25

    · 增加變量的演示案例 · ALBERT解析 · 輕量級人臉表情和年齡識別· 對多態的描述舉例

  • 升級2020-08-18

    · 優化對集合的性質的描述 · 模型量化 · 三維人臉庫的使用與重建· 優化對私有屬性的使用場景的描述

  • 新增2020-08-11

    · 字典性質的描述舉例 · 多線程優化 · 人臉三維重建· 異常的使用場景舉例

  • 升級2020-08-04

    · 優化對Python語言性質的描述 · BART實驗解決NER · 人臉美顏與遷移學習· 優化Python2和Python3的對比

  • 升級2020-07-28

    · 場景識別案例優化模型方法 · 圖像與視覺處理專業課優化方案啟動 · 自然語言處理PyTorch工具講解調優

  • 升級2020-07-21

    · pytorch講義 ·  CV基礎考試題   · RCNN系列目標檢測模型 · 人臉檢測案例

  • 新增2020-07-14

    · 典型的NLP算法 · SIamRPN++網絡講解 · DeepLab系列介紹

  • 升級2020-07-10

    · KNN算法導入案例 ·  線性回歸正規方程推導過程 · 線性回歸案例迭代 · 虛擬環境安裝詳解

  • 新增2020-07-07

    · Transformer問答試題 · Elmo模型講解 · yoloV4模型 · Siamese系列網絡詳解

  • 升級2020-06-30

    · 升級集成學習知識框架 · 細化集成學習算法推導過程 · stacking算法優化 · 北京市租房房價預測

  • 新增2020-06-23

    · 基于seq2seq的機器翻譯任務 · 莎士比亞風格的文本生成任務 · ResNet模型在GPU上的并行實踐任務 · 自然語言處理:NLP案例庫(6個案例)

  • 新增2020-06-16

    · 圖像與視覺處理:計算機視覺面試題(80道) · 圖像與視覺處理:算法強化課程8天 · 計算機視覺面試題視頻(80道) · 圖像與視覺處理:計算機視覺案例庫

  • 新增2020-06-09

    · 基礎NLP試題 · AI醫生項目試題 · 文本標簽項目試題, 和泛娛樂項目試題 · 自然語言處理:NLP題庫(135道)

  • 新增2020-06-02

    · 車道檢測 · 車輛技術 · 車輛跟蹤 · 圖像與視覺處理:智慧交通項目

  • 升級2020-05-26

    · 決策樹案例 · 調整預剪枝、后剪枝知識點講解 · 決策回歸樹講解 · 基尼指數優化

  • 新增2020-05-19

    · 口罩識別 · 活體檢測 · 人臉屬性識別 · 圖像與視覺處理:人臉識別項目

  • 升級2020-05-12

    · SVM算法推導過程講解 · 樸素貝葉斯前面增加概率知識介紹 · HMM模型推導過程 · HMM案例優化

  • 新增2020-05-05

    · 形態學定義、連通性 · 二值操作、平滑、梯度 · 紋理分割及OpenCV實踐 · 圖像與視覺處理:形態學專題

  • 新增2020-04-28

    · 幾何變換專題 · 翻轉、剪裁、遮擋、圖像算數 · 圖像金字塔、OpenCV幾何變換操作 · 翻轉、剪裁、遮擋、OpenCV幾何變換操作

  • 升級2020-04-21

    · gbdt案例優化 · xgboost算法推導過程講解 · lightGBM算法 · pubg案例優化

  • 新增2020-04-14

    · 圖像矩特征點度量特征、全局直方圖 · 局部區域直方圖、散點圖和3D直方圖 · OpenCV實踐 · 圖像與視覺處理:直方圖處理專題

  • 新增2020-04-07

    · 命名實體識別模型BiLSTM + CRF · 句子對主題相關模型BERT · 在線部分關于neo4j數據庫、redis的實時存取 · 自然語言處理:AI在線醫生項目

  • 升級2020-03-31

    · xgboost算法介紹 · OTTO案例 · xgboost和gbdt對比 · bgdt推導過程優化

  • 新增2020-03-24

    · fasttext工具介紹 · fasttext訓練詞向量, 并完成詞向量遷移 · fasttext工具實現文本分類的代碼案例 · 自然語言處理:fasttext訓練詞向量、文本分類,詞向量遷移

  • 新增2020-03-17

    · 灰度直方圖、灰度的線性變換 · 灰度對數變換、伽瑪變換 · 灰度閾值變換、分段線性變換 · 圖像與視覺處理:基本的灰度變換函數專

  • 新增2020-03-10

    · EM算法 · 極大釋然估計講解 · HMM模型 · HMM案例搭建

  • 新增2020-03-03

    · 基本的OpenCV代碼 · Image數據結構、讀寫圖像 · OpenCV基礎專題函數與API講解

  • 升級2020-02-25

    · 線性回歸知識點講 · xgboost講解案例 · 邏輯回歸多分類問題評估 · RNN+Attention實現英譯法任務

  • 新增2019-12-27

    · Transformer架構圖的詳解 · 四大組成模塊的分塊代碼詳解和示例 · copy小案例 · 自然語言處理:Transformer的原理和架構

  • 新增2019-12-20

    · 數據分析實戰,北京市租房數據統計分析 · NBA球員數據分析 · 電影數據分析案例 · pandas讀取Excel、sql

  • 新增2019-12-13

    · Dilated Convolutions:聚合多尺度的信息 · PSPNet:金字塔池化模塊 · Mask-RCNN:端到端聯合訓練目標分割實戰案例 · 圖像與視覺處理:圖像分割專題

  • 新增2019-12-06

    · RNN構造人名分類器的案例 · RNN實現英譯法的seq2seq架構代碼 · 在seq2seq架構基礎上添加Attention的架構方案代碼 · 自然語言處理:RNN構造人名分類器

  • 新增2019-11-29

    · 目標檢測專題RCNN,FastRCNN · FasterRCNN· 先驗框、細粒度與多尺度特征· 圖像與視覺處理:目標檢測專題

  • 新增2019-11-22

    · 數據可視化庫seborn · 箱線圖知識點 · 增加小提琴圖知識點· 單變量、多變量分析

  • 新增2019-11-15

    · RNN、LSTM、 GRU基本結構和原理介紹 · Attention機制原理 · 代碼示例和圖解注意力機制· 自然語言處理:RNN、 LSTM、 GRU、 Attention等

  • 新增2019-11-08

    · 經典卷積網絡:LeNet5、AlexNet、VGG、Inception、GoogleNet · 殘差網絡、深度學習優化 · 遷移學習:TensorFlow HUB;模型壓縮· 圖像與視覺處理:經典卷積網絡

  • 新增2019-11-01

    · 項目實訓-“吃雞”玩家排名預測 · 決策樹算法案例 · 邏輯回歸案例· 樸素貝葉斯案例

  • 新增2019-10-20

    · hanlp命名實體識別工具 · word2vector原理到應用,文本的預處理前數據分析,添加ngram特征 · 文本數據增強, 回譯數據增強法· 自然語言處理:文本分詞,命名實體識別,Word2Vector,文本數據分析

  • 新增2019-10-10

    · 機器學習經典算法樸素貝葉斯 · 機器學習經典算法支持向 · 聚類算法推導過程· SVM手寫數字識別案例

  • 新增2019-10-08

    · 神經網絡基礎與Tensorflow框架 · 圖、會話、張量、OPTensorflow高級API,訓練tf.MirroedStrategy · 導出tf.SavedModel等· 神經網絡基礎與Tensorflow框架

  • 新增2019-08-20

    · 原始文本預處理, word2vec · fasttext多分類的應用 · 并升級工程整合和實時服務· 自然語言處理:中文標簽化系統項目

  • 新增2019-06-30

    · 召回策略算法代碼更新 · 排序策略算法代碼更新 · neo4j數據庫的應用· 自然語言處理:泛娛樂推薦系統項目

prev next
點擊加載更多>>
2024.06.06 升級版本5.0

課程名稱

人工智能AI進階班/AI大模型開發

課程推出時間

2024.06.06

課程版本號

5.0

主要使用開發工具

PyCharm、DataGrip、Jupyter NoteBook

課程介紹

人工智能開發V5.0課程體系升級以企業需求為導向,專為培養和打造高級人工智能工程師、高含金量課程重磅推出,以業務為核心驅動項目開發,課程包括機器學習和深度學習框架Scikit-Learn和Pytorch,能夠解決企業級數據挖掘、NLP自然語言處理、大模型開發與CV計算機視覺實際問題,通過理論和真實項目相結合,讓學生能夠掌握人工智能核心技術和應用場景。并推出「六項目制」項目教學,通過六個不同類型和開發深度的項目,使學員能夠全面面對大部分企業人工智能應用場景。大型項目庫,多行業多領域人工智能項目課程,主流行業全覆蓋,其中項目課程包括了多行業13個場景的項目課程,讓學生達到大廠的項目經驗要求。課程消化吸收方面:V5.0在V4.0版本基礎上迭代更新,加大了大模型開發比例,同時注重專業課的消化吸收,降低學習難度,提升就業質量。

全新升級四大課程優勢,助力IT職業教育行業變革:

優勢1:熱門崗位全覆蓋,匹配企業崗位需求,拓寬職業選擇,實現階段目標;優勢2:與大廠合作,共建大模型課程,助力掌握前沿技術,增強就業競爭力;優勢3:定制垂直領域大模型,專項領域賦能,打造就業薪資高,就業速度快的AI大模型人才;優勢4:覆蓋NLP,CV完整解決方案和技術棧,解決多業務場景問題。

1

更新Pytorch2.3.0

1

新增星火語音大模型

1

新增基于訊飛大模型定制平臺的財經新聞情感分析項目

1

新增多風格英譯漢翻譯機項目

1

新增虛擬試衣項目

1

新增基于StableDiffusion的圖像生成項目

1

新增大模型AI Agent開發應用

1

新增新零售行業評價決策系統

1

新增大模型搭建醫療問診機器人

1

新增物流信息咨詢智能問答項目

1

新增微博文本信息抽取項目

1

新增泛娛數據關系抽取項目

1

新增多模態技術及項目

1

友情提示更多學習視頻+資料+源碼,請加QQ:2632311208。

2023.02.24 升級版本4.0

課程名稱

人工智能AI進階班

課程推出時間

2023.02.24

課程版本號

4.0

主要使用開發工具

Linux+PyCharm+Scikit-Learn+Pytorch+Neo4j+Docker

主要培養目標

以數據挖掘和NLP自然語言處理為核心方向,培養企業應用型高精尖AI人才

課程介紹

人工智能開發V4.0課程體系升級以企業需求為導向,專為培養和打造高級人工智能工程師、高含金量課程重磅推出,以業務為核心驅動項目開發,課程包括機器學習和深度學習框架Scikit-Learn和Pytorch,能夠解決企業級數據挖掘、NLP自然語言處理與CV計算機視覺實際問題,通過理論和真實項目相結合,讓學生能夠掌握人工智能核心技術和應用場景。并推出「六項目制」項目教學,通過六個不同類型和開發深度的項目,使學員能夠全面面對大部分企業人工智能應用場景。大型項目庫,多行業多領域人工智能項目課程,主流行業全覆蓋,其中項目課程包括了多行業13個場景的項目課程,讓學生達到大廠的項目經驗要求。課程消化吸收方面:V4.0在V3.0版本基礎上迭代更新,注重專業課的消化吸收,降低學習難度,提升就業質量。

1

優化Python系統編程,針對人工智能必須的Python高階知識體系重構課程,增加基礎數據結構內容

1

新增機器學習部分[數據挖掘項目實戰],以多場景業務為背景,通過SQL和Pandas完成數據處理與統計分析,夯實使用機器學習解決數據挖掘問題能力。

1

新增NLP方向[知識圖譜項目],基于知識圖譜的多功能問答機器人項目, 主要解決當前NLP領域中大規模知識圖譜構建的問題和圖譜落地的問題.知識圖譜的構建主要分為知識構建和知識存儲兩大子系統. 包括知識構建, 知識存儲, 知識表達, 路由分發, 結果融合等實現.最終呈現一個基于知識圖譜的問答機器人。
新增[知識抽取項目],該項目針對于泛娛樂場景下復雜業務關系進行實體抽取,幫助企業構建知識圖譜。

1

優化NLP方向[NLP基礎課程]:修改文本數據增強方法,解決原始谷歌接口被限制調用的問題;優化Seq2Seq英譯法案例,修改原始代碼bug,提升模型的準確率;新增FastText模型架構介紹;加深FastText模型處理分類的問題的原理理解;新增Word2Vec訓練兩種優化策略,加速模型快速收斂。

1

優化計算機視覺CV基礎:圖像分類的經典網絡,開山之作ALexNet,VGGNet,GoogLenNet,ResNeT,ResNetV2,VGGRep,SeNet,輕量型網絡:mobileNet,shuffleNet,EfficientNet,模型微調,數據增強,cutmix,copypaste,mosaic,目標檢測任務,IOU,Map,正負樣本設計,smoothL1損失,RCNN系列網絡架構:RCNN,FastRCNN,FasterRCNN,MaskRCNN,FPN結構,ROIpooling設計,anchor思想,RoiAlign設計,訓練策略;yolo系列網絡V1-V8:DarkNet,yolo-FPN特征融合,passthrough融合方法,多尺度訓練,IOU系列損失,DIOU,CIOU,SIOU等,輸出端的解耦,REP-PAN結構,E-ELAN結構,預測階段的BN設計,SPP和SPPF結構

1

優化智慧交通項目:目標跟蹤方法,運動模型的設計,DBT和DFT初始化方法,JIT的加速方法,yoloV7目標檢測,REP的使用,檢測輔助端的使用,E-ELAN的使用,backbone的實現,head結構的實現,數據分析,數據預處理,數據增強,模型訓練,預測與評估,車輛檢測,kalman的使用,預測和更新階段,KM算法的匹配,匈牙利算法,IOU匹配,級聯匹配,ReId特征提取,歐式距離,余弦距離,馬氏距離計算,目標狀態更新,Deepsort算法目標跟蹤,代價矩陣的設計,虛擬線圈的設計,線圈位置的獲取,雙線圈檢測車流量支持mac電腦的m1芯片和m2芯片的學習

2022.01.20 升級版本3.0

課程名稱

人工智能AI進階班

課程推出時間

2022.01.20

課程版本號

3.0

主要培養目標

以機器學習和深度學習技術,培養企業應用型高精尖AI人才

主要使用開發工具

Linux+PyCharm+DataSpell+Pytorch+Tensorflow+Neo4j+Docer+k8s

課程介紹

人工智能V3.0課程體系升級以企業需求為導向,專為培養和打造高級人工智能工程師、高含金量課程重磅推出,以業務為核心驅動項目開發,課程包括機器學習和深度學習框架Pytorch和TensorFlow,能夠解決企業級數據挖掘、NLP自然語言處理與CV計算機視覺實際問題,通過理論和真實項目相結合,讓學生能夠掌握人工智能核心技術和應用場景。并推出「六項目制」項目教學,通過六個不同類型和開發深度的項目,使學員能夠全面面對大部分企業人工智能應用場景。大型項目庫,多行業多領域人工智能項目課程,主流行業全覆蓋,其中項目課程天數占比為100天,包括了多行業13個場景的項目課程,讓學生達到大廠的項目經驗要求。課程消化吸收方面:V3.0在V2.0版本基礎上迭代更新,注重專業課的消化吸收,降低學習難度,提升就業質量。

1

優化優化Python系統編程,針對人工智能必須的Python高階知識體系重構課程

1

新增[數據處理與統計分析階段],以Linux為基礎,通過SQL和Pandas完成數據處理與統計分析,為人工智能數據處理奠定技術基礎。

1

優化優化機器學習算法,每個算法都兼具使用場景,數學推導過程及參數調優

1

新增[機器學習與多場景],增加多場景案例實戰,包括用戶畫像,電商運營建模等多場景案例實戰

1

新增數據挖掘方向[百京金融風控]項目,從反欺詐、信用風險策略、評分卡模型構建等熱點知識,使得學員具備中高級金融風控分析師能力。

1

新增數據挖掘方向[萬米推薦系統]項目,從多數據源采集、多路召回、基于機器學習算法粗排算法與基于深度學習精排,解決了在大數據場景下如何實現完整推薦系統,使得學員可以具備企業級推薦項目開發能力。

1

優化深度學習基礎課由TensorFlow切換為Pytorch,面向零基礎同學更加友好

1

優化NLP基礎課程Transform基礎和Attention注意力機制在原理之后增加英譯漢的案例,加強學生對基礎算法原理的理解

1

優化NLP基礎課程遷移學習API版本變化問題,優化傳統序列模型算法原理

1

新增NLP方向[蜂窩頭條文本分類優化]項目,增強學生NLP算法優化方面技能

1

新增NLP方向[知識圖譜]項目,通過本體建模,知識抽取,知識融合,知識推理,知識存儲與知識應用方面,學生可以掌握完整知識圖譜構建流程。

1

新增[面試加強課]通過鞏固機器學習與深度學習基礎算法,加強核心算法掌握,增加數據結構基礎算法、動態規劃算法、貪心算法等面試高頻算法題,加強多行業人工智能案例理解與剖析

1

刪除Ubuntu環境搭建開發環境

2021.02.01 升級版本2.0

課程名稱

人工智能AI進階班

課程推出時間

2021.02.01

課程版本號

2.0

主要針對

python3 & python2

主要使用開發工具

linux+PyCharm+Pytorch+Tensorflow+OpenCV+neo4j+Docer+k8s

課程介紹

AI理論方面: 通過新的開發的文本摘要項目、傳智大腦項目, 提升學員復雜模型訓練和優化的能力。
AI工程化方面: 新增的算法工程化講座, 直接面向一線公司實際開發場景和需求, 比如服務日志, A/B測試, Git提交, Docker, K8S部署等, 讓學員親臨公司場景, 求職后更好的無縫銜接進企業級開發。
AI新熱點和趨勢: 通過增加量化、剪枝、知識蒸餾、遷移學習等一線優化技術, 讓學生有更多處理問題的武器和思路;增加知識圖譜熱點、mmlab框架熱點、YOLO1~5算法系列,能更好的匹配業界需求。
課程消化吸收方面:V2.0在V.1.x版本基礎上迭代更新,注重專業課的消化吸收,降低學習難度,提升就業速度、就業質量。

1

新增NLP方向【文本摘要項目】:自動完成文本信息的主題提取,中心思想提取,可以類比京東,當當網的商品自動宣傳文案;快速的將主要信息展示給用戶, 廣泛應用于財經, 體育, 電商, 醫療, 法律等領域。基于seq2seq + attention的優化模型,基于PGN + attention + coverage的優化模型,基于PGN + beam-search的優化模型,文本的ROUGE評估方案和代碼實現:weight-tying的優化策略、scheduled sampling的優化策略。

1

新增AI基礎設置類項目【傳智大腦】,目前提供AI前端功能展示、AI后端模型部署、AI在線服務、AI模型訓練功能等系統功能。AI開發服務提供了信息中心網咨輔助系統,文本分類系統、考試中心試卷自動批閱系統、CV統計全國開班人數等系統;綜合NLP、CV和未來技術熱點。

1

新增CV方向【人流量統計項目】:以特定商場、客服場景對人流量進行分析和統計。掌握mmlab框架、核心模塊MMDetection;resnet骨架網絡特征提取,SSD網絡和Cascade R-CNN網絡目標檢測;利用剪枝,壓縮和蒸餾等方法減小模型規模;完成前后端部署(Flask + Gunicorn)、模型部署(ONNX-runtime技術)。

1

優化NLP方向【AI在線醫生項目】: 兩個離線模型 (命名實體審核模型, 命名實體識別模型)的優化,提升準確率, 召回率,F1的效果。 一個在線模型 (句子主題相關模型)的優化, 重在量化, 壓縮, 知識蒸餾, 提升處理速度并展示對比測試實驗。

1

新增知識圖譜熱點案例:知識圖譜編程、深化neo4j中的cypher代碼, 相關案例。

1

新增計算機視覺目標檢測熱點算法YoLov1~v5 V1~V5模型的網絡架構、輸入輸出、訓練樣本構建,損失函數設計;模型間的改進方法;多尺度檢測方法、先驗框設計;數據增強方法、多種網絡架構及設計不同模型的方法。

1

優化計算機視覺專業課:RCNN系列網絡進階課程:FasterRCNN目標檢測的思想,anchor(錨框)設計與實現,掌握RPN網絡是如何進行候選區域的生成的,掌握ROIPooling的使用方法掌握fasterRCNN的訓練方法,掌握RCNN網絡的預測方法。

1

新增AI算法工程化專題:10個子案例展示算法工程化中的實際工程問題, 企業真實開發中的問題和解決方案。研發, 測試環境的異同, 服務日志的介紹和實現, A/B測試,模型服務風險監控,在線服務重要指標,Git提交與代碼規范化,正式環境部署(Docker, K8S),,數據分析與反饋。

2020.6.1 升級版本 1.5

課程名稱

人工智能AI進階班

課程推出時間

2020.6.1

課程版本號

1.5

主要針對版本

python3 & python2

主要使用開發工具

linux+PyCharm+Pytorch+Tensorflow

課程介紹

以周為單位迭代更新課程,包括機器學習、自然語言處理NLP、計算機視覺、AI算法強化等課程。同時為了更好的滿足人工智能學員更快速的適應市場要求,推出了自然語言處理NLP案例庫、計算機視覺CV案例庫、面試強化題等等。同時也增加職業拓展課,學生學習完AI課程以后,可在職學習:推薦系統、爬蟲、泛人工智能數據分析。

1

新增計算機視覺CV案例庫

1

新增自然語言處理案例庫

1

新增AI企業面試題

1

新增算法強化課程

1

新增計算機視覺強化課

2019.12.21 升級版本 1.0

課程名稱

人工智能AI進階班

課程推出時間

2019.12.21

課程版本號

1.0

主要針對版本

Python3 & Python2

主要使用開發工具

linux+PyCharm+Pytorch+Tensorflow

課程介紹

人工智能賦能實體產業的規模以每年40%的速度遞增,人工智能人才在計算機視覺CV、自然語言處理NLP、數據科學的推薦廣告搜索的需求越來越明確。傳智教育研究院經過2年潛心研發,萃取百余位同行經驗,推出全新的人工智能1.0課程。全新的人工智能課程體系具有以下優勢:
1)六個月高級軟件工程師培訓課程。精準定位、因材施教,人工智能和Python開發分成兩個不同的班型進行授課。
2)理論+實踐培養AI專精型人才。如何培養人才達到企業的用人標準?傳智教育提出了課程研發標準:1、AI理論方面,培養學員AI算法研究能力:AI算法實用性、先進性、可拓展性;2、AI實踐方面,培養學員利用AI理論解決企業業務流的能力。
3)多領域多行業項目,全生態任性就業。設計多領域多行業項目有:智能交通項目(CV)、 實時人臉檢測項目(CV)、在線AI醫生項目(NLP)、智能文本分類項目(NLP)、泛娛樂推薦項目(CV+推薦)、CT圖像肺結節自動檢測項目(CV)、小智同學-聊天機器人(NLP)、場景識別項目(CV)、在線圖片識別-商品檢測項目(CV)、黑馬頭條推薦系統(推薦+數據科學)。
4)AI職業全技能(NLP、CV、數據科學-推薦廣告搜索),涵蓋8大主流就業崗位。視覺處理工程師(CV)、自然語言處理工程師(NLP)、推薦系統工程師、機器學習工程師、深度學習工程師、數據分析工程師、數據挖掘工程師、知識圖譜工程師。
5)課程設置科學合理,適合AI技術初學者。
6)技術大牛傾力研發,專職沉淀AI新技術。

1

新增機器學習進階課程

1

新增計算機視覺項目:實時人臉檢測項目、智能交通項目

1

新增自然語言處理NLP項目:在線AI醫生項目、智能文本分類項目

1

新增算法強化課程:進化學習、分布式機器學習、數據結構強化

授課經驗豐富的人工智能開發講師團隊

教師錄取率<3%,從源頭把控師資,帶你過關斬將掌握每一個知識點< /p>

貫穿學習全程、保障學習效果的AI教輔系統

用數據驅動教學,貫通教/學/練/測/評,為每一位學員私人定制學習計劃和就業服務

  1. 學前入學多維測評

  2. 學前目標導向式學習

  3. 學中隨堂診斷糾錯

  4. 學中階段效果測評

  5. 學后在線作業試題庫

  6. 學后問答社區查漏補缺

  7. 保障BI報表數據呈現

  8. 就業面試指導就業分析

更多Tlias就業服務

就業流程
全信息化處理

學員能力
雷達圖分析

定制個性化
就業服務

技術面試題
講解

就業指導課
面試項目分析

HR面試攻略

模擬企業
真實面試

專業簡歷指導

面試復盤輔導

風險預警
企業黑名單提醒

打造學員職業生態圈

老學員畢業后即可加入傳智匯精英社區,持續助力學員職場發展

傳智教育旗下IT互聯網精英社區,以匯聚互聯網前沿技術為核心,以傳遞、分享為己任,聯合經緯創投、創新工場、京東人工智能、華為等眾多關注互聯網的知名機構及企業、行業大咖,共同研究中國互聯網深度融合、跨界滲透、整合匯聚、相互促進的信息化資源共享平臺。

  • 行業沙龍

  • 高端人脈

  • 職場資源

  • 技術研習

人工智能開發全國就業薪資情況

查看其他班級

9970元/月平均薪資

15900元/月最高薪資

100%就業率

58月薪過萬

  • 姓名
  • 性別
  • 就業時間
  • 就職城市
  • 就職企業
  • 薪資
  • 福利待遇
  • 姓名
  • 培訓前崗位
  • 培訓前薪資
  • 培訓后薪資
  • 入職時間
  • 入職公司
  • 就職城市

*學員就業信息統計數據為數據庫中實時調取的真實相關數據,非廣告宣傳

和我們在線交談!

社旗县 个旧市 福安市 新余市 亚东县 吴江市
绥德县 中阳县 南靖县 泽普县 富阳市 若尔盖县
自贡市 晴隆县 威宁 阿瓦提县 龙胜 江达县
泛站蜘蛛池模板: 来安县| 长葛市| 丹巴县| 二连浩特市| 白山市| 左云县| 黔江区| 萍乡市| 永年县| 澄城县| 南陵县| 乌拉特前旗| 略阳县| 重庆市| 贡山| 望谟县| 阳信县| 屏东市| 青田县| 乐陵市| 湟中县| 抚顺县| 德安县| 武鸣县| 疏附县| 屏东市| 宝兴县| 南郑县| 青川县| 隆子县| 开远市| 丹凤县| 富民县| 沙雅县| 新昌县| 和顺县| 伽师县| 广安市| 武陟县| 肇东市| 永济市|