课程试听
阶段一 大模型语言基础
展开第一章 Python基础入门
1-1 Python语言介绍
- 01.Python语言介绍 免费试学
- 02.Python环境搭建 免费试学
- 03.Python入门案例-HelloWorld(重要) 免费试学
1-2 Python基础语法
- 05.Python基础语法-注释 免费试学
- 06.变量-入门 免费试学
- 07.变量-数据类型 免费试学
- 08.标识符和关键字 免费试学
1-3 输入输出
- 09.输出(上) 免费试学
- 10.输出(下) 免费试学
- 11.输入 免费试学
1-4 运算符与类型转换
- 12.运算符详解
- 13.类型转换
1-5 顺序结构与if语句
- 01.顺序结构介绍
- 02.if语句-单分支
1-6 运算符与if语句进阶
- 03.比较运算符和逻辑运算符
- 04.if语句-双分支
- 05.if语句-多分支
- 06.if语句-嵌套
1-7 分支结构应用
- 07.分支结构-猜拳游戏
1-8 循环入门与基础应用
- 08.循环-入门
- 09.循环求和-偶数和
- 10.循环-统计思想
1-9 循环嵌套与for循环
- 11.循环嵌套-打印矩形
- 01.for循环-入门
- 02.for循环-99乘法表
1-10 循环控制与游戏
- 03.循环控制跳转语句-break和continue
- 04.报数字游戏
1-11 字符串基础
- 05.字符串-入门
- 06.字符串-下标
- 07.字符串-切片
- 08.字符串-常用函数-find-index
- 09.字符串-常用函数-replace-split
- 10.字符串案例-打印偶数索引
第二章 Python核心基础
2-1 列表操作
- 01.列表-入门
- 02.列表-遍历
- 03.列表-增
- 04.列表-查
- 05.列表-删
- 07.列表-改
- 08.列表-嵌套
- 09.列表-嵌套案例-随机分配办公室
2-2 元组、字典与集合
- 10.元组-详解
- 11.字典-入门
- 12.字典-增删改
- 13.字典-查询相关
- 14.字典-遍历
- 01.集合-入门
2-3 容器类型公共操作与推导式
- 02.容器类型公共操作-运算符
- 03.容器类型公共操作-函数
- 04.列表推导式详解
- 05.集合和字典推导式详解
2-4 函数基础
- 06.函数-入门
- 07.函数-说明文档
- 08.函数-参数解释
- 09.函数-返回值详解
2-5 函数进阶与应用
- 10.函数-嵌套调用
- 01.函数-同时返回多个值
- 02.函数参数-位置参数
- 03.函数参数-关键字参数
- 04.函数参数-缺省参数
- 05.函数参数-不定长参数
- 06.函数参数-不定长参数-案例
- 07.组包和拆包解释
- 08.交换变量值
2-6 匿名函数
- 09.匿名函数(上)
- 10.匿名函数(下)
2-7 文件操作基础
- 11.文件操作-打开文件
- 12.文件操作-读取数据
- 13.文件操作-读取数据-中文
2-8 文件写操作
- 14.文件操作-写数据
- 15.with-open语句
2-9 异常处理
- 01.异常-演示
- 02.异常-入门
- 03.异常-捕获指定异常
- 04.异常-完整格式
2-10 模块与包
- 05.模块-导入方式详解
- 06.导入-自定义模块
- 07.模块_name属性
- 08.模块_all属性
- 09.包-详解
2-11 Streamlit与LangChain简介
- 01.Streamlit简介
- 02.Streamlit绘制页面_入门
- 03.Streamlit框架_绘制聊天机器人界面(初识)
- 04.LangChain简介及架构介绍(了解)
2-12 LangChain环境搭建与模型申请
- 05.Langchain环境搭建(重要)
- 06.申请模型_获取API KEY(重要)
- 07.配置通义API KEY的环境变量(了解)
2-13 LangChain应用案例
- 08.案例_文本扩写案例
- 09.使用LangChain时可能遇到的问题
- 10.案例_LangChain框架_问答案例
- 11.案例_LangChain案例_代码生成案例
- 12.案例_LangChain案例_自定义翻译器
2-14 聊天机器人搭建
- 13.聊天机器人_utils代码编写(重要)
- 14.聊天机器人_主界面搭建_初版
- 15.聊天机器人_初始化AI提示信息
- 16.聊天机器人_完整版
阶段二 大模型语言进阶
展开第一章 Python面向对象
1-1 阶段学习反馈
- 【大模型语言基础】阶段学习反馈
1-2 面向对象
- 01.面向对象-初识 免费试学
- 02.面向对象-三大特征介绍 免费试学
1-3 类和对象的定义
- 03.定义类和对象 免费试学
- 04.self对象介绍 免费试学
- 05.在类内部调用类的函数 免费试学
- 06.在类外定义和获取属性 免费试学
- 07.在类内获取属性 免费试学
1-4 魔法方法
- 08.魔法方法-init-无参数 免费试学
- 09.魔法方法-init-有参数 免费试学
- 10.魔法方法-str和del 免费试学
1-5 减肥案例实践
- 11.案例-减肥
1-6 类的定义格式与继承
- 01.定义类的格式
- 02.继承-入门
- 03.继承-单继承
- 04.继承-多继承
1-7 方法重写
- 05.继承-方法重写-入门
- 06.继承-子类访问父类成员-方式1
- 07.继承-子类访问父类成员-方式2
- 08.继承-多层继承
1-8 封装
- 09.封装-私有化属性
- 10.封装-私有化方法
1-9 多态
- 11.多态-入门
- 12.多态案例_战斗机
- 13.抽象类详解
1-10 类属性对象属性与类方法
- 14.类属性和对象属性详解
- 15.类方法和静态方法详解
1-11 深浅拷贝
- 01.深浅拷贝-普通赋值
- 02.深浅拷贝-浅拷贝
- 03.深浅拷贝-深拷贝
第二章 Python进阶编程
2-1 函数名作为对象与实参
- 01.函数名-作为对象
- 02.函数名-作为实参传递
2-2 闭包基础
- 03.闭包-入门
- 04.闭包-图解
- 05.闭包-nonlocal关键字
2-3 装饰器基础
- 06.装饰器-入门
- 07.装饰器-无参无返回值
- 08.装饰器-有参无返回值
- 09.装饰器-无参有返回值
- 10.装饰器-有参有返回值
- 11.装饰器-可变参数
2-4 装饰器进阶
- 12.多个装饰器-装饰1个函数
- 13.多个装饰器-执行流程
- 14.带有参数的装饰器(上)
- 15.带有参数的装饰器(下)
2-5 网络编程基础
- 01.网络编程-介绍
- 02.端口号-介绍
- 03.协议-介绍
- 04.网络通信-原理
- 05.socket-入门
2-6 TCP流程与数据转换
- 06.TCP流程分析
- 07.字符串和二进制数据相互转换
2-7 案例实践
- 08.案例-收发1句话-服务器端代码实现
- 09.案例-收发1句话-客户端代码实现
2-8 并行与多任务
- 10.并行和并发介绍
- 11.多任务介绍
- 12.多进程-代码实现
2-9 多进程进阶
- 01.多进程-参数解释
- 02.多进程-获取进程编号
- 03.多进程-进程之间数据相互隔离
- 04.默认-主进程会等待子进程结束再结束
- 05.设置主进程结束-子进程同步结束
2-10 多线程基础
- 06.多线程-基本概述
- 07.多线程-入门
- 08.多线程-参数解释
- 09.多线程-执行顺序
- 10.多线程-守护线程
2-11 多线程进阶
- 11.多线程-线程间共享数据
- 12.多线程-操作共享变量-出现非法值
- 13.多线程-解决线程安全问题
- 14.多线程和多进程的区别
2-12 生成器与property装饰器
- 01.生成器-推导式写法
- 02.生成器-yield关键字
- 03.property-装饰器用法
- 04.property-修饰类变量
2-13 正则表达式基础
- 05.正则表达式-相关概述
- 06.正则表达式-入门
2-14 正则表达式进阶
- 07.正则表达式-数量词
- 08.正则表达式-替换
- 10.正则表达式-校验多个字符
- 11.正则表达式-校验开头和结尾
阶段三 数据处理与统计分析
展开第一章 Linux操作系统
1-1 阶段学习反馈
- 阶段反馈2-【大模型语言进阶】
1-2 快照与目录基础
- 01.快照相关
- 02.Linux的目录介绍
1-3 Linux命令格式与基础命令
- 03.Linux的命令格式介绍
- 04.Linux基础命令_ls
- 05.Linux基础命令_cd和pwd
- 06.Linux基础命令_mkdir
1-4 文件操作与查看
- 07.Linux基础命令_touch, cat, more
- 08.Linux基础命令_cp,mv,rm
1-5 管道、过滤与输出
- 09.Linux基础命令_管道和过滤命令
- 10.Linux基础命令_echo,重定向, tail
1-6 文本编辑器与用户管理
- 11.Linux基础命令_vi入门
- 12.Linux基础命令_用户初识
1-7 权限控制与快捷键
- 01.修改权限控制_chmod
- 02.Linux_常用快捷键
1-8 软件安装与链接
- 03.Linux_yum方式安装软件
- 04.Linux_软连接介绍
1-9 网络配置与端口管理
- 05.Linux_IP介绍及配置域名映射
- 06.Linux中的端口号相关
1-10 文件传输与压缩
- 07.Linux_上传和下载
- 08.Linux_压缩和解压缩_tarball方式
第二章 MySQL数据库
2-1 数据库概述与连接
- 01.数据库相关概述
- 02.MySQL_命令行登陆和登出
- 03.DataGrip连接Linux虚拟机的MySQL
2-2 SQL语句介绍
- 04.SQL语句分类介绍
- 05.SQL语句特点和常见类型
2-3 DDL语句
- 06.DDL语句_操作数据库
- 07.DDL语句_操作数据表
2-4 DML语句与约束
- 08.DML语句_增
- 09.单表约束介绍
- 10.DML语句_删和改
2-5 单表约束与简单查询
- 01.单表约束_代码演示
- 02.单表查询_简单查询
2-6 条件查询
- 03.单表查询_条件查询_比较运算符
- 04.单表查询_条件查询_逻辑运算符和范围查询
- 05.单表查询_条件查询_模糊查询和非空判断
2-7 排序、聚合与分组查询
- 06.单表查询_排序查询
- 07.单表查询_聚合查询
- 08.单表查询_分组查询
2-8 分页查询与多表查询
- 09.单表查询_分页查询
- 10.多表查询_交叉查询
- 11.多表查询_内连接
- 12.多表查询_外连接
- 13.多表查询_子查询
第三章 Numpy与Pandas
3-1 窗口函数
- 01.窗口函数_分组排名
- 02.窗口函数_分组排名求TopN
3-2 Python数分入门
- 03.Python_数分的优势
- 04.数分_常用的开源库介绍
3-3 Anaconda与Jupyter Notebook
- 05.Anaconda_安装及界面初体验
- 06.Anaconda_常用命令
- 07.Jupyter Notebook_初体验
- 08.Jupyter Notebook_常用快捷键
- 09.Jupyter Notebook_MarkDown模式
3-4 PyCharm与Jupyter的连接
- 10.PyCharm连接Jupyter Notebook
3-5 Numpy入门
- 01.Numpy_属性入门 免费试学
- 02.Numpy_创建数组_array_arange_随机矩阵 免费试学
- 03.Numpy_类型转换 免费试学
- 04.Numpy_等比数列 免费试学
- 05.Numpy_等差数列 免费试学
- 06.Numpy_常用函数_基本函数 免费试学
- 07.Numpy_常用函数_去重和排序 免费试学
- 08.Numpy_矩阵运算 免费试学
3-6 Pandas入门
- 09.Pandas_介绍及安装 免费试学
- 10.Pandas_读取csv文件数据 免费试学
- 11.Pandas_初体验_绘制中国GDP曲线 免费试学
- 12.Pandas_初体验_绘制中美日三国GDP曲线 免费试学
- 13.Pandas_初体验_绘制中美日三国GDP曲线_加入图例 免费试学
- 14.Pandas数据结构初体验 免费试学
- 15.Series对象的创建 免费试学
- 16.Series对象的常用属性 免费试学
- 17.DataFrame对象的创建 免费试学
3-7 DataFrame属性与方法
- 01.DataFrame_常用属性介绍
- 02.DataFrame_常用方法入门
3-8 索引操作与数据类型
- 03.DataFrame_索引操作
- 04.DataFrame_常用数据类型介绍
3-9 基本操作与排序
- 05.Pandas基本操作_根据索引获取数据
- 06.Pandas基本操作_添加和删除列
- 07.DataFrame和Series的排序操作
3-10 基础运算、逻辑运算与统计函数
- 08.Pandas的基础运算
- 09.Pandas的逻辑运算
- 10.Pandas统计函数介绍
- 11.Pandas统计函数_累加和
- 12.Pandas_apply函数讲解
3-11 文件读写
- 13.Pandas读写文件_csv和tsv文件
3-12 DataFrame的增删改查
- 01.DataFrame_增加列
- 02.DataFrame_删除列和去重操作
- 03.DataFrame_修改列
- 04.DataFrame_查看数据
3-13 排序与缺失值处理
- 05.DataFrame_排序函数
- 06.Pandas处理缺失值_删除或者填充
- 07.Pandas处理缺失值_特殊符号
3-14 数据合并
- 08.Pandas数据合并_concat()
3-15 数据分组与聚合
- 01.演示分组函数介绍
- 02.演示分组聚合 + 透视表
3-16 Matplotlib初体验
- 03.Matplotlib_初体验
- 04.Matplotlib_结构介绍
3-17 折线图与刻度设置
- 05.Matplotlib_绘图_折线图
- 06.Matplotlib_绘图_添加刻度
3-18 标题、网格与多图绘制
- 07.Matplotlib_绘图_设置标题_网格
- 08.Matplotlib_绘图_在1个画布中绘制两个图形
3-19 多个坐标系绘图与其他图形
- 09.Matplotlib_绘图_多个坐标系绘图(上)
- 10.Matplotlib_绘图_多个坐标系绘图(下)
- 11.Matplotlib_其它图形介绍
3-20 数据加载与预处理
- 01.RFM案例_数据加载
- 02.RFM案例_数据预处理
3-21 RFM分析核心
- 03.RFM案例_分组聚合
- 04.RFM案例_划分区间_获得评分
3-22 分析结果获取与导出
- 05.RFM案例_获取最终分析结果
- 06.RFM案例_导出结果到Excel表
- 07.RFM案例_导出数据到MySQL表
3-23 RFM可视化
- 08.RFM_可视化
阶段四 机器学习
展开第一章 机器学习算法基础
1-1 机器学习相关概述
- 01.机器学习基本概念_AI_ML_DL 免费试学
- 02.机器学习基本概念_房价预测(线形图) 免费试学
- 03.机器学习应用领域和发展史 免费试学
- 04.机器学习_常用术语介绍 免费试学
- 05.机器学习_算法分类介绍 免费试学
1-2 机器学习建模流程及环境搭建
- 06.机器学习_建模流程 免费试学
- 07.特征工程_基本概念 免费试学
- 08.机器学习_拟合介绍 免费试学
- 09.机器学习_环境搭建 免费试学
1-3 KNN算法入门
- 10.KNN算法_简介 免费试学
- 11.KNN算法_分类思路 免费试学
- 12.KNN算法_回归思路 免费试学
- 13.常见距离_欧氏距离和曼哈顿距离介绍 免费试学
1-4 KNN算法_鸢尾花案例
- 01.特征预处理_归一化
- 02.特征预处理_标准化
- 03.鸢尾花案例_加载并查看数据集
- 04.鸢尾花案例_可视化数据集
- 05.鸢尾花案例_切分训练集和测试集
- 06.鸢尾花案例_模型预测和评估
1-5 KNN算法_手写数字识别案例
- 07.交叉验证和网格搜索_介绍
- 08.交叉验证和网格搜索_代码实现
- 09.手写数字识别_绘制图片
- 10.手写数字识别_模型训练及保存
- 11.手写数字识别_模型预测
1-6 线性回归算法_初识
- 01.线性回归_介绍
- 02.线性回归_API初识
- 03.损失函数_初识
- 04.损失函数_分类介绍
1-7 高数之导数,矩阵复习
- 05.复习_导数相关
- 06.复习_偏导相关
- 07.复习_矩阵相关
- 08.复习_矩阵相关练习题
- 09.正规方程法_一元线程回归
1-8 线性回归算法_梯度下降法
- 10.梯度下降_单变量
- 11.梯度下降_多变量
- 01.梯度下降_常用分类
- 02.线性回归_模型评估方式
1-9 线性回归_波士顿房价预测案例
- 03.波士顿房价预测_正规方程解法
- 04.波士顿房价预测_梯度下降解法
1-10 拟合问题介绍
- 05.拟合问题_欠拟合
- 06.拟合问题_正好拟合
- 07.拟合问题_过拟合
- 08.拟合问题_L1和L2正则化介绍
1-11 逻辑回归入门案例_癌症预测
- 01.逻辑回归_简介
- 02.逻辑回归_对数介绍
- 03.逻辑回归_概率密度函数介绍
- 04.逻辑回归_损失函数介绍
- 05.逻辑回归API_需求介绍
- 06.逻辑回归API_癌症概率预测
1-12 逻辑回归案例_电信用户流失预测
- 07.混淆矩阵_介绍
- 08.混淆矩阵_代码实现
- 09.逻辑回归评估_精确率_召回率_F1值
- 10.电信用户流失预测案例_数据预处理
- 11.电信用户流失预测案例_可视化
- 12.电信用户流失预测案例_模型训练和评估
第二章 机器学习算法进阶
2-1 ID3决策树
- 01.决策树_介绍
- 02.决策树_计算(信息)熵
- 03.决策树_信息增益介绍
- 04.ID3决策树_搭建
2-2 C4.5决策树和CART决策树
- 05.C4.5决策树_搭建
- 06.CART决策树_原理(上)_分类数据
- 07.CART决策树_原理(下)_线性数据
2-3 决策树_泰坦尼克号案例
- 08.泰坦尼克号案例_数据介绍
- 09.泰坦尼克号案例_代码实现
- 10.Cart回归树介绍
- 11.线性回归和回归决策树对比
- 12.决策树剪枝介绍
2-4 集成学习_随机森林法
- 01.集成学习之Bagging思想介绍
- 02.集成学习之Boosting思想介绍
- 03.随机森林算法_API介绍
- 04.随机森林算法_泰坦尼克号案例
2-5 集成学习_AdaBoost
- 05.AdaBoost算法_介绍
- 06.AdaBoost案例_葡萄酒分类
2-6 集成学习_GBDT
- 07.梯度提升树(GBDT)_流程介绍
- 08.梯度提升树_泰坦尼克号案例
2-7 集成学习_XGBoost
- 01.XGBoost案例_红酒分类_数据预处理
- 02.XGBoost案例_红酒分类_训练模型
- 03.XGBoost案例_红酒分类_模型预测
2-8 KMeans算法_初识
- 01-聚类算法介绍(了解)
- 02-kmeans算法API基本使用(重点)
- 03-kmeans算法原理(理解)
- 04-kmeans算法原理案例(了解)
2-9 KMeans算法_评估及顾客聚类案例
- 05-聚类算法评估指标之sse&肘部法(知道)
- 06-聚类算法评估指标之sc轮廓系数(重点)
- 07-聚类算法评估指标之ch系数(了解)
- 08-顾客数据聚类案例分析(知道)
- 09-顾客数据聚类案例_确定最佳k值(知道)
- 10-顾客数据聚类案例_实现聚类(知道)
- 11-kmeans算法注意点(重点)
2-10 时序预测介绍
- 01数据挖掘案例介绍
- 02时序预测介绍
- 03时序预测任务场景分类
- 04时序预测算法介绍
2-11 数据挖掘案例_项目框架搭建及数据预处理
- 05电力负荷案例介绍
- 06电力负荷案例框架构建
- 07数据预处理
- 08模型训练模块_定义电力负荷模型类
2-12 数据挖掘案例_数据分析
- 09数据分析_电力负荷分布与各小时负荷
- 10数据分析_各月份负荷与工作日周末平均负荷
2-13 数据挖掘案例_特征工程与模型训练
- 11特征工程
- 12模型训练
2-14 数据挖掘案例_模型预测及项目优化方向
- 13模型预测_初始化类
- 14模型预测_结果预测与可视化
- 15项目可扩展的方向
阶段五 深度学习基础
展开第一章 Pytorch与深度学习基础
1-1 阶段学习反馈
- 【数据处理】+【机器学习】阶段学习反馈
1-2 深度学习简介
- 01-什么是深度学习(知道) 免费试学
- 02-深度学习模型和应用场景(了解) 免费试学
- 03-深度学习发展史(了解) 免费试学
1-3 PyTorch框架介绍
- 04-pytorch框架介绍(了解) 免费试学
1-4 张量创建
- 05-什么是张量(知道) 免费试学
- 06-数据形状维度向量表示说明(了解) 免费试学
- 07-张量创建之基本方式(知道) 免费试学
- 08-张量创建之线性和随机张量(知道) 免费试学
- 09-张量创建之0&1&指定值张量(知道) 免费试学
- 10-张量创建之指定元素类型张量(知道) 免费试学
1-5 张量类型创建
- 11-张量和numpy数组互相转换(知道)
- 12-提取单个元素张量的数值(知道)
1-6 张量数值计算
- 13-张量基本运算(知道)
- 14-张量点乘运算(知道)
- 15-张量矩阵乘法运算(重点)
1-7 张量运算函数
- 16-张量运算函数(重点)
1-8 张量索引操作
- 01-张量索引操作(知道)
- 02-索引回顾
1-9 张量形状操作
- 03-张量形状操作分析(知道)
- 04-张量形状操作之reshape(重点)
- 05-张量形状操作之squeeze&unqeeuze(知道)
- 06-张量形状操作之transpose&permute(知道)
- 07-张量形状操作之view&contiugous(知道)
- 08-张量形状操作小结
1-10 张量拼接操作
- 09-张量拼接操作(知道)
1-11 自动微分模块
- 10-梯度回顾(重点)
- 11-梯度计算分析(重点)
- 12-梯度基本计算(重点)
- 13-梯度下降法求最优解(理解)
- 14-自动微分张量注意点(了解)
- 15-自动微分模块应用(理解)
1-12 PyTorch构建线性回归
- 01-pytorch构建回归模型分析(理解)
- 02-pytorch构建回归模型_创建训练数据集(了解)
- 03-pytorch构建回归模型_创建模型训练函数(理解)
- 04-pytorch构建回归模型_创建模型训练函数梳理
- 05-pytorch构建训练模型_绘图分析(了解)
- 06-pytorch构建训练模型_绘图代码实现(了解)
- 07-pytorch框架回顾
1-13 神经网络概念
- 08-人工神经网络介绍(理解)
1-14 激活函数
- 09-激活函数作用(理解)
- 10-激活函数之sigmoid(理解)
- 11-激活函数之sigmoid激活值计算(知道)
- 12-激活函数之tanh(理解)
- 13-激活函数之tanh激活值计算(知道)
- 14-激活函数之relu(重点)
- 15-激活函数之softmax(理解)
- 16-如何选择激活函数(重点)
1-15 参数初始化
- 17-参数初始化作用(理解)
- 18-参数初始化介绍(了解)
- 19-参数初始化代码实现(知道)
1-16 神经网络搭建和参数计算
- 01-构建神经网络模型类(重点)
- 02-模型预测和参数计算(知道)
- 03-构建神经网络模型回顾
1-17 损失函数
- 04-什么是损失函数(知道)
- 05-多分类交叉熵损失函数(理解)
- 06-二分类交叉熵损失函数(理解)
- 07-回归任务MAE损失函数(理解)
- 08-回归任务MSE损失函数(理解)
- 09-回归任务SmoothL1损失函数(理解)
1-18 神经网络优化方法
- 10-梯度下降算法回顾
- 11-反向传播算法(理解)
- 12-为什么进行梯度下降优化(了解)
- 13-指数移动加权平均值(了解)
- 14-梯度下降优化方法之momentum动量法(理解)
- 15-momentum动量法回顾
- 16-梯度下降优化方法之adagrad(理解)
- 17-梯度下降优化方法之rmsprop(理解)
- 18-梯度下降后悔方法之adam(理解)
- 19-如何选择梯度下降优化方法
1-19 学习率衰减优化方法
- 20-为什么进行学习率优化(知道)
- 21-等间隔学习率衰减方法(理解)
- 22-指定间隔学习率衰减方法(理解)
- 23-指数间隔学习率衰减方法(理解)
- 24-学习率衰减小结
1-20 正则化方法
- 01-什么是正则化(知道)
- 02-dropout正则化(重点)
- 03-什么是批量归一正则化(理解)
- 04-BN批量归一化代码实现(知道)
1-21 手机价格分类案例
- 05-手机价格分类案例_需求介绍(了解)
- 06-手机价格分类案例_构建张量数据集对象(知道)
- 07-手机价格分类案例_构建神经网络分类模型(重点)
- 08-手机价格分类案例_模型训练(重点)
- 09-手机价格分类案例_模型评估(重点)
- 10-手机价格分类案例_神经网络模型性能调优(知道)
- 11-人工神经网络回顾
第二章 深度学习核心模型与实战
2-1 图像基础知识
- 12-图像概念(了解)
- 13-计算机中图像展现形式(了解)
2-2 CNN概述
- 14-卷积神经网络介绍(了解)
2-3 卷积层
- 15-卷积层作用(理解)
- 16-卷积计算(知道)
- 17-padding操作(理解)
- 18-stride操作(理解)
- 19-多通道卷积计算(理解)
- 20-多通道多卷积核卷积计算(理解)
- 21-特征图大小计算(了解)
- 22-卷积层api使用(知道)
2-4 池化层
- 23-池化层介绍(理解)
- 24-池化层api使用(知道)
2-5 图像分类案例
- 01-图像分类案例_数据集介绍(了解)
- 02-图像分类案例_加载数据集(了解)
- 03-图像分类案例_搭建卷积神经网络分类模型(重点)
- 04-图像分类案例_模型训练(重点)
- 05-图像分类案例_模型预测(知道)
- 06-图像分类案例_模型优化(知道)
- 07-图像分类案例_总结
2-6 RNN介绍
- 08-循环神经网络RNN介绍(了解)
2-7 词嵌入层
- 09-词嵌入层介绍(了解)
2-8 循环网络层
- 10-RNN层原理(了解)
- 11-RNN层神经元工作机制(了解)
- 12-RNN层介绍(了解)
- 13-RNN层API使用(了解)
2-9 文本生成案例
- 14-文本生成案例_构建词汇表(了解)
- 15-文本生成案例_构建词汇表代码实现(了解)
- 16-文本生成案例_构建数据集(了解)
- 17-文本生成案例_构建数据集小结
- 18-文本生成案例_搭建循环神经网络分类模型(了解)
- 19-文本生成案例_训练模型(了解)
- 20-文本生成案例_模型预测(了解)
阶段六 NLP自然语言处理基础
展开第一章 文本预处理
1-1 NLP入门与文本预处理介绍
- 01-NLP入门
- 02-文本预处理的主要模块
1-2 文本处理的基本方法
- 03-分词方法的介绍
- 04-创建新的NLP环境
- 05-jieba精确模式分词
- 06-jieba全模式和搜索引擎分词
- 07-jieba繁体分词及用户自定义词典
- 08-命名实体识别方法介绍
- 09-词性标注方法介绍
1-3 文本张量表示方法-one-hot
- 10-文本张量的表示方法介绍
- 11-one-hot编码的代码实现
- 12-one-hot编码的使用
1-4 文本张量表示方法-word2vec
- 13-CBOW词向量训练原理
- 14-CBOW图形分析
- 15-skipgram词向量训练方式原理
- 16-word2vec和wordEmbedding区别
- 17-fasttext训练词向量基础
- 18-fasttext训练词向量进阶
1-5 文本张量表示方法-Embedding
- 19-wordEmbedding的思想
- 20-nn.Embedding代码分析
- 21-nn.Embedding的代码实现
- 22-从Embedding中获取某个词的词向量
1-6 文本数据分析
- 23-标签数量分布实现
- 24-句子长度分布实现
- 25-正负样本长度分布散点图实现
- 26-词频统计代码实现
- 27-高频形容词词云展示
1-7 文本特征处理
- 28-N-Gram特征的含义
- 29-句子相似度计算
- 30-添加N-Gram特征代码实现
- 31-句子长度补齐或截断
1-8 文本数据增强
- 32-文本数据增强
- 33-文本数据分析总结
第二章 RNN及其变体
2-1 传统RNN模型
- 01-RNN模型基本介绍
- 02-RNN按输入输出分类
- 03-RNN模型结构第一种理解
- 04-RNN模型结构第二种理解
- 05-RNN基础代码实现
- 06-RNN模型改变输入句子长度
- 07-RNN模型循环机制代码演示
- 08-RNN模型改变隐藏层个数
- 09-RNN模型改变batch_first
- 10-RNN模型总结
2-2 LSTM模型
- 11-LSTM内部结构第一种理解
- 12-LSTM内部结构第二种理解
- 13-Bi-LSTM模型原理
- 14-LSTM模型代码的实现
- 15-LSTM模型总结
2-3 GRU模型
- 16-GRU模型架构图
- 17-GRU模型内部计算解释
- 18-GRU代码的实现
2-4 RNN案例 人名分类器-数据预处理
- 19-人名分类案例的基本介绍
- 20-人名分类案例的分析
- 21-获取常用的字符数量
- 22-将数据读取到内存
- 23-Dataset代码思路分析
- 24-自定义Dataset类代码实现
- 25-Dataloader类代码的实现
2-5 RNN案例 人名分类器-模型构建
- 26-RNN模型init方法实现
- 27-RNN模型完整实现和测试
- 28-RNN模型测试输入值解释
- 29-LSTM模型代码实现和测试
- 30-GRU模型代码的实现和测试
2-6 RNN案例 人名分类器-模型训练和预测
- 31-rnn训练代码前半部分
- 32-rnn训练代码后半部分
- 33-lstm训练代码实现
- 34-gru训练代码实现
- 35-训练数据的保存
- 36-绘制损失函数曲线图
- 37-绘制时间和准确率图像
- 38-预测函数准备工作
- 39-rnn预测函数的实现
- 40-lstm+gru预测函数的实现
- 41-人名分类案例总结
2-7 注意力机制介绍1
- 42-seq2seq中译英基本过程
- 43-注意力机制的由来
- 44-注意力机制的定义
- 45-注意力机制的主要类别
- 46-普通Encoder-Decoder框架
- 47-加Attention的Encoder-Decoder框架
- 48-注意力权重值计算方式1
- 49-注意力权重值计算方式2
- 50-深度学习注意力实现方式
- 51-hardAttention和selfAttention的介绍
2-8 注意力机制介绍2
- 52-tensorflow注意力计算过程
- 53-pytorch注意力计算过程
- 54-Q-K-V的基本解释
- 55-注意力计算规则
- 56-注意力的作用和计算步骤
- 57-注意力机制代码实现分析
- 58-注意力机制代码的实现
- 59-注意力机制实现扩展
2-9 RNN案例 seq2seq英译法-数据预处理
- 60-英译法案例基本分析
- 61-第三方库工具和常用变量解析
- 62-导入必备工具包和定义变量
- 63-定义文本清洗函数
- 64-获取my_pairs数据对
- 65-构建英文和法文字典
- 66-构建数据源对象Dataset
- 67-构建数据迭代器dataloader
2-10 RNN案例 seq2seq英译法-模型构建
- 68-基于GRU的编码器代码实现
- 69-无attention解码器模型的实现
- 70-无attention解码器模型的测试
- 71-带attention解码器的结构图分析
- 72-带attention解码器的代码实现和测试
2-11 RNN案例 seq2seq英译法-模型训练
- 73-模型训练代码的分析
- 74-模型训练函数前半部分
- 75-模型内部训练函数前半部分
- 76-模型内部训练函数后半部分
- 77-模型训练函数后半部分
2-12 RNN案例 seq2seq英译法-模型测试
- 78-模型测试函数代码实现前半部分
- 79-模型测试函数代码实现后半部分
- 80-Attention图形绘制
- 81-英译法案例总结
第三章 Transformer
3-1 Transformer介绍
- 01-transformer的背景介绍
- 02-transformer模型的作用
- 03-transformer整体架构介绍
- 04-transformer每个部分构成
3-2 输入部分实现
- 05-输入部分词嵌入代码分析
- 06-输入部分Embedding代码的实现
- 07-三角函数位置编码的原理
- 08-位置编码代码分析
- 09-位置编码的代码实现
- 10-绘图展示位置编码信息
3-3 编码器部分实现1
- 11-掩码张量的解释
- 12-生成下三角矩阵
- 13-注意力机制代码的分析
- 14-mask机制的讲解
- 15-注意力机制运算代码分析
3-4 编码器部分实现2
- 16-多头注意力的思想
- 17-多头注意力实现的基本过程
- 18-多头注意力实现二次分析
- 19-多头注意力类init方法的实现
- 20-多头注意力forward方法的实现
- 21-多头注意力代码的实现
3-5 编码器部分实现3
- 22-前馈全连接层代码的实现
- 23-规范化层的代码分析
- 24-规范化层代码的实现和测试
- 25-layerNorm和BatchNorm的区别
- 26-子层连接结构实现代码分析
- 27-子层连接结构的代码实现
- 28-编码器层的代码分析
- 29-编码器层代码实现和测试
- 30-编码器代码的实现
3-6 解码器部分实现
- 31-解码器层代码分析
- 32-解码器层代码实现和测试
- 33-解码器代码实现和测试
3-7 输出部分实现
- 34-输出部分代码实现和测试
3-8 模型构建
- 35-EncoderDecoder代码分析
- 36-EncoderDecoder代码实现
- 37-transformer模型实现和测试
第四章 迁移学习与BERT模型
4-1 fasttext工具介绍
- 01-fasttext工具的介绍
- 02-什么是哈夫曼树
- 03-哈夫曼编码
- 04-层次softmax讲解
- 05-负采样优化方法讲解
4-2 fasttext文本分类
- 02-文本分类概念和类别介绍
- 03-获取数据并且进行划分
- 04-fasttext初步文本分类训练
- 05-fasttext清洗数据后训练
- 06-fasttext增加epoch后训练
- 07-fasttext修改学习率+添加ngram+损失方式训练
- 08-fasttext修改损失方式+保存+加载
4-3 迁移学习介绍
- 09-词向量迁移介绍
- 10-迁移学习的概念
- 11-NLP中常用预训练模型
4-4 Transformers库使用1
- 12-transformers库的基本介绍
- 13-pipeline方式实现文本分类
- 14-pipeline方式实现特征抽取
- 15-pipeline方式实现完形填空
- 16-pipeline方式实现阅读理解
- 17-pipeline方式实现文本摘要
- 18-pipeline方式实现NER
4-5 Transformers库使用2
- 19-AutoModel方式实现文本分类
- 20-AutoModel方式实现特征抽取
- 21-AutoModel方式实现完形填空
- 22-AutoModel实现阅读理解任务
- 23-AutoModel实现文本摘要任务
- 24-AutoModel方式实现NER
- 25-具体模型方式实现完形填空
4-6 迁移学习实践1
- 26-文本分类数据介绍
- 27-自定义函数的解释
- 28-自定义函数的完整实现
- 29-模型搭建和测试
- 30-模型训练的代码分析
- 31-模型训练代码的实现
- 32-分类模型预测代码的实现
4-7 迁移学习实践2
- 33-完形填空自定义函数实现
- 34-完形填空模型实现
- 35-完形填空模型训练
- 36-完形填空模型预测
4-8 迁移学习实践3
- 37-中文句子关系任务介绍
- 38-微调中文分类自定义Dataset类代码实现
- 39-微调中文分类自定义函数代码实现
- 40-微调中文分类模型训练代码的实现
- 41-微调中文分类模型测试代码的实现
4-9 BERT模型介绍
- 42-BERT模型模型架构
- 43-BERT模型的两大预训练任务
- 44-BERT模型的特点
4-10 BERT系列模型介绍
- 45-AlBERT模型的介绍
- 46-Robeta模型介绍
- 47-Macbert模型介绍
- 48-Spanbert模型介绍
4-11 BERT GPT ELMo模型的对比
- 49-ELMO模型介绍
- 50-GPT模型介绍
- 51-BERT-GPT-ELMO模型对比
阶段七 自然语言处理项目1
展开第一章 模型开发
1-1 阶段学习反馈
- 【深度学习】+【NLP自然语言处理】阶段学习反馈
1-2 项目数据处理
- 01-数据背景+情况
- 03-数据分析-分类数量统计
- 04-数据分析-样本分布
- 05-数据分析-样本分词
- 06-总结+jieba分词
1-3 实现基于随机森林的基线模型1.0
- 07-项目逻辑梳理
- 08-随机森林-数据读取+TF-IDF
- 09-TF-IDF代码实现
- 10-随机森林模型训练-预测评估
1-4 实现基于FastText的基线模型2.0
- 11-fasttext原理+数据处理思路
- 12-fastText数据处理
- 13-FastText训练+fasttext优化1
- 14-FastText优化2
- 15-FastText模型部署
1-5 Flask项目封装
- 16-Flask服务化-HelloWorld
- 17-Flask服务化-表单编写及处理
- 18-总结+Json交付
- 19-项目封装
1-6 Bert模型数据处理
- 20-Bert训练结构-预训练模型文件介绍
- 21-Bert-build_dataset
- 22-Bert-dataset_iter
- 23-Bert-get_time
1-7 Bert分类模型搭建与训练
- 24-Bert-模型构建config-Model
- 25-Bert-train
- 26-Bert-验证
- 27-Bert-test
- 28-Bert训练Run
- 29-模型训练-项目调优
1-8 Bert分类模型预测与部署
- 30-模型推理函数
- 31-模型预测
- 32-模型部署+总结
第二章 模型压缩
2-1 模型量化
- 01-模型压缩-量化
2-2 知识蒸馏
- 02-模型蒸馏
- 03-build_vocab
- 04-build_dataset_CNN
- 05-TextCNN原理
- 06-TextCNN-Config
- 07-TextCNN-Model
- 08-TextCNN-训练评估
- 09-TextCNN-蒸馏训练函数
- 10-TextCNN-训练主函数
- 11-模型蒸馏总结
- 12-TextCNN-Model
2-3 模型剪枝
- 13-模型剪枝-特定层剪枝
- 14-模型剪枝-L1非结构化剪枝
- 15-模型剪枝-序列化剪枝-remove
- 16-多参数模块剪枝
- 17-自定义剪枝
2-4 项目串讲
- 18-项目串讲-随机森林+FastText
- 19-项目串讲-Bert+模型部署
- 20-项目串讲-模型压缩+Flask
2-5 面试指导
- 21-面试指导
阶段八 自然语言处理项目2
展开第一章 项目简介与知识图谱介绍
1-1 知识图谱项目简介与技术概括
- 01-知识图谱项目简介
- 02-知识图谱的概念介绍
- 03-知识图谱应用场景
- 04-强调知识图谱概念
- 05-知识图谱schema解释
- 06-知识图谱-数据获取+信息抽取
- 07-知识图谱-知识融合和加工
- 08-知识图谱应用范围
1-2 项目工具介绍
- 09-项目应用工具的介绍
- 10-doccano工具安装使用
- 11-doccano启动和创建项目
- 12-doccano实现数据标注过程
- 13-数据查询语言介绍
第二章 实体抽取
2-1 NER介绍
- 01-NER的基础知识
- 02-doccano标注NER任务
- 03-NER任务实现方法介绍
- 04-NER的评价指标和常见问题
- 05-基于规则实现NER
2-2 BiLSTM+CRF模型架构
- 06-BiLSTM+CRF模型架构前半部分
- 07-BiLSTM+CRF模型架构后半部分
2-3 CRF原理
- 08-线性CRF的定义
- 09-发射分数的原理
- 10-转移分数的原理
- 11-CRF损失函数的原理
- 12-单条路径计算分数
- 13-所有路径计算分数
- 14-重要内容回顾
- 15-维特比算法的原理
- 16-前向算法的原理
2-4 实体抽取数据预处理（上）
- 17-BiLSTM+CRF整体代码架构图
- 18-认识项目中的数据
- 19-数据转换类init方法实现
- 20-数据转换类的完整实现
- 21-BiLSTM+CRF项目Config类搭建
- 22-config文件导包
2-5 实体抽取数据预处理（下）
- 23-构造样本对以及整理词表
- 24-自定义Dataset类
- 25-获取数据迭代器
2-6 编写模型类
- 26-BiLSTM模型init方法的实现
- 27-BiLSTM模型forward方法的实现
- 28-BiLSTM模型部分参数说明
- 29-BiLSTM+CRF模型init方法的实现
- 30-BiLSTM+CRF模型代码完整实现
2-7 编写训练函数(上)
- 31-训练函数的准备工作
- 32-BiLSTM模型训练代码前半部分
- 33-模型验证函数前半部分（针对BiLSTM模型）
2-8 编写训练函数(下)
- 34-BiLSTM模型训练代码后半部分
- 35-模型验证函数后半部分（针对BiLSTM模型）
- 36-BiLSTM+CRF模型训练和验证
2-9 编写模型预测函数与项目总结
- 37-模型测试导入必备的工具包
- 38-模型预测函数实现
- 39-NER任务的总结
第三章 关系抽取
3-1 关系抽取介绍与基于规则实现关系抽取
- 01-关系抽取任务的介绍
- 02-doccano标注关系抽取任务
- 03-基于规则实现关系抽取任务
3-2 pipline方法与BiLSTM+Attention架构介绍
- 04-pipeline方法的定义
- 05-BiLSTM+Attention模型架构解析
3-3 Pipline方法关系抽取数据预处理
- 06-数据介绍及config文件配置
- 07-relation2id字典的实现
- 08-get_txt_data函数的实现
- 09-get_word_id函数的实现
- 10-自定义Dataset类
- 11-自定义函数collate_fn前半部分
- 12-自定义函数collate_fn后半部分
3-4 BiLSTM+Attention模型搭建
- 13-pipeline任务内容回顾
- 14-BiLSTM+Atten模型init方法
- 15-BiLSTM+Atten模型forward方法
- 16-BiLSTM+Atten模型代码完整实现
- 17-BiLSTM+Atten模型训练函数实现
- 18-BiLSTM+Atten模型预测函数实现
- 19-Pipeline方法的优缺点
3-5 Joint方法与Casrel模型介绍
- 20-Joint方法的介绍
- 21-Casrel模型基本介绍
- 22-规则和pipeline方法内容总结
- 23-Casrel模型实现的细节
- 24-Casrel模型的原理
3-6 Joint方法关系抽取数据预处理（上）
- 25-数据集的基本介绍
- 26-json文件的数据分析
- 27-Config文件的配置
- 28-数据预处理函数的基本介绍
- 29-自定义Dataset代码实现
3-7 Joint方法关系抽取数据预处理（下）
- 30-自定义函数collate_fn前半部分
- 31-create_label函数的前半部分
- 32-create_label函数的中间部分
- 33-create_label函数的后半部分
- 34-自定义函数collate_fn后半部分
3-8 编写Casrel模型类
- 35-Casrel模型的init方法实现
- 36-Casrel模型编码和主实体识别函数实现
- 37-Casrel模型客实体和关系识别函数实现
- 38-Casrel模型损失计算及加载
3-9 编写Casrel模型训练函数
- 39-model2train函数的实现
- 40-train_epoch函数前半部分实现
- 41-model2dev函数前半部分实现
- 42-model2dev中抽取sub函数的代码实现
- 43-model2dev中抽取obj及关系函数的实现
- 44-model2dev函数后半部分实现
- 45-trian_epoch函数后半部分实现
3-10 编写Casrel模型预测函数
- 46-加载训练好的Casrel模型
- 47-model2predict函数前半部分
- 48-get_inputs获取模型的输入
- 49-model2predict函数后半部分
- 50-Casrel模型总结
第四章 图谱搭建
4-1 知识融合基本知识
- 01-知识融合基础知识
- 02-tf-idf的使用方式原理
4-2 实体消歧任务
- 03-实体消歧任务代码前半部分
- 04-实体消歧任务代码后半部分
4-3 Neo4j图数据库与Cypher语句
- 05-Neo4j图数据库的介绍
- 06-Cypher语句创建和匹配节点命令
- 07-Cypher语句创建关系及删除等命令
- 08-Cypher语句字符串的函数命令
- 09-Cypher语句聚合函数和索引命令
4-4 医疗知识图谱的搭建
- 10-图谱搭建的基本步骤
- 11-medical.json数据的基本展示
- 12-medical.json每行样本解释
- 13-MedicalExtractor类初始化方法实现
- 14-三元组抽取方法的实现
- 15-实体插入Neo4j数据库
- 16-关系插入Neo4j数据库
第五章 图谱应用
5-1 问答系统基础知识与关键技术
- 01-问答系统的基本介绍
- 02-NLU意图识别的定义
- 03-NLU槽位填充的理解
- 04-NLU语义槽的设计
- 05-意图识别的实现方法
- 06-槽位填充的实现方法
5-2 医疗KBQA系统架构
- 07-医疗KBQA的流程框架
- 08-医疗KBQA问答系统流程梳理
- 09-医疗KBQA问答系统实现步骤
5-3 是否闲聊意图识别
- 10-集成学习知识的介绍
- 11-GBDT模型的原理介绍
- 12-意图实体闲聊模型load_data函数的解析
- 13-run函数前半部分实现
- 14-run函数中间部分实现
- 15-run函数后半部分实现
- 16-意图识别闲聊模型重加载利用
5-4 医疗意图识别与问答槽位模板设计
- 17-医疗意图识别模型讲解
- 18-医疗意图识别模型实现预测
- 19-医疗意图识别模型API接口的封装
- 20-问答槽位模版的设计
5-5 对话主逻辑
- 21-moduls模块前半部分
- 22-查询neo4j函数的实现
- 23-整理对话逻辑代码梳理
- 24-对话主逻辑代码再次分析
5-6 qa系统上线与知识图谱项目总结
- 25-qa系统上线应用
- 26-知识图谱项目总结
阶段九 大模型开发基础与项目
展开第一章 大模型介绍
1-1 阶段学习反馈
- 【自然语言处理项目】阶段学习反馈
1-2 LLM基础知识
- 01-大模型课程大纲
- 02-LLM概念的介绍
- 03-语言模型的介绍
- 04-N-Gram语言模型的介绍
- 05-N-Gram语言模型的特点
- 06-语言模型的不同类型对比
- 07-语言模型的指标接受
- 08-BlEU指标的实现
- 09-ROUGE指标的实现
- 10-PPL指标的实现
1-3 LLM主要架构介绍
- 11-大模型主要类别架构
- 12-自编码模型AE介绍
- 13-自回归模型AR介绍
- 14-seq2seq模型架构介绍
- 15-主流框架Decoder-Only的原因
1-4 ChatGPT模型原理介绍
- 16-GPT-1模型的介绍
- 17-GPT-2模型的介绍
- 18-GPT-3模型的架构介绍
- 19-GPT-3模型的Few-shot思想介绍
- 20-ChatGPT的基本介绍
- 21-强化学习的思想介绍
- 22-ChatGPT的基本原理
1-5 LLM主流开源大模型介绍
- 23-ChatGLM模型预训练的思想
- 24-ChatGLM模型的改动点
- 25-ChatGLM模型的特点
- 26-LLama模型的特点
- 27-BLOOM模型的介绍
- 28-BaiChuan模型的介绍
- 29-Qwen模型的介绍
第二章 大模型微调与提示词工程
2-1 大模型prompt-Tuning方法入门
- 01-NLP任务四范式
- 02-Fine-Tuning思想的回顾
- 03-Prompt-Tuning实现的基本原理
- 04-Prompt-Tuning的发展历程
- 05-PET模型的介绍
- 06-Soft-Prompt方法的介绍
- 07-T5-prompt_tuning方法的思想
- 08-P-Tuning方法的思想
2-2 大模型prompt-Tuning方法进阶
- 09-情景学习和Instrunction方法的思想
- 10-COT方法的思想
- 11-PEFT方法的思想
- 12-Prefix-Tuning方法的思想
- 13-Adapter-Tuning方法的思想
- 14-LoRA方法的思想
2-3 金融行业动态方向评估项目
- 15-金融动态方向评估介绍
- 16-金融领域任务分析
- 17-Zero-Shot思想的回顾
- 18-任务环境的基本配置
- 19-ollama模型的python调用
- 20-基于ollama实现模型多轮对话
2-4 LLM实现金融文本分类
- 21-金融文本分类业务分析
- 22-文本分类init-prompt代码的原理讲解
- 23-文本分类inference代码的原理讲解
2-5 LLM实现金融信息抽取
- 24-金融文本信息抽取业务分析
- 25-金融文本信息抽取代码变量定义
- 26-正则表达式回顾
- 27-文本信息抽取init-prompt代码的原理讲解
- 28-文本信息抽取inference代码的原理讲解
2-6 LLM实现金融信息匹配
- 29-金融文本匹配业务分析
- 30-文本匹配init-prompt代码的原理讲解
- 31-文本匹配inference代码的原理讲解
第三章 大模型项目实战
3-1 LangChain基础知识入门1
- 01-LangChain的基本介绍
- 02-LLMs的实现
- 03-ChatModels的实现
- 04-EmbeddingModel的实现
- 05-LangChain官网使用介绍
- 06-Zero-Shot模版的原理解析
- 07-Few-Shot模版的原理解析
- 08-单一Chains的基本使用
- 09-复合Chains的基本使用
3-2 LangChain基础知识入门2
- 10-Agent组件的基本使用
- 11-Memory组件的基本使用
- 12-Memory长期记忆的使用方式
- 13-Indexes--数据加载实现方式
- 14-Indexes--文本分割实现方式
- 15-Indexes--向量数据库的应用实现
- 16-Indexes--检索器的应用实现
3-3 物流行业信息咨询RAG系统
- 17-物流行业RAG系统背景介绍
- 18-RAG原理的基本解析
- 19-RAG工作流程图的梳理
- 20-RAG检索系统工作流程
- 21-物流行业信息RAG系统功能演示
- 22-本地数据库的构建
- 23-基于本地知识库实现RAG的问答
- 24-对话链的封装实现
- 25-RAG的web界面封装应用
3-4 项目简介与数据处理
- 26-基于GPT2搭建问答机器人介绍
- 27-张量切片的操作回顾
- 28-数据预处理BertTokenizer的使用
- 29-数据预处理完整过程代码实现
- 30-项目config配置文件的实现
- 31-python自定义第三方库导入回顾
- 32-自定义Dataset类的实现
- 33-Dataloader类的实现
3-5 模型训练和验证
- 34-GPT2模型的讲解
- 35-main主函数中模型的加载
- 36-train训练函数中学习率预热的设置
- 37-train_epoch内部迭代函数损失计算的实现
- 38-工具类函数计算预测正确的个数方法的实现
- 39-train_epoch内部迭代函数参数更新的实现
- 40-train_epoch内部迭代函数日志和模型保存的实现
- 41-train函数的完整实现
3-6 模型预测（人机交互）
- 42-模型预测函数的准备工作
- 43-模型预测函数的主逻辑代码前半部分
- 44-模型预测函数的主逻辑代码后半部分
- 45-基于Flask实现web界面的开发
3-7 基于BERT+PET方式文本分类介绍
- 46-新零售行业评价决策系统介绍
- 47-BERT-PET方法文本分类的介绍
3-8 基于BERT+PET方式数据预处理介绍
- 48-BERT-PET数据的基本介绍
- 49-HardTemplate类初始化方法实现
- 50-HardTemplate模版分析方法实现
- 51-HardTemplate的Call方法前半部分实现
- 52-HardTemplate的Call方法后半部分实现
- 53-ConvertExample方法的前半部分实现
- 54-ConvertExample方法的后半部分实现
- 55-DataLoader实例化对象的实现
3-9 基于BERT+PET方式的模型搭建
- 56-Verbalizer类init方法的实现
- 57-Verbalizer类label_dict的实现
- 58-Verbalizer类find_sub_labels的实现
- 59-Verbalizer类batch_find_sub_labels的实现
- 60-寻找最大公共子串的方法
- 61-Verbalizer类find_main_label的实现
- 62-Verbalizer类batch_find_main_label的实现
- 63-不同参数影响下的精确率指标
3-10 基于BERT+PET方式的模型评价
- 64-ClassEvaluator类init和add_batch方法的实现
- 65-ClassEvaluator类compute的方法实现
3-11 基于BERT+PET方式的模型训练与模型预测
- 66-model2train方法的前半部分实现
- 67-model2train方法中模型计算损失的参数准备
- 68-model2train方法中损失计算方法的实现
- 69-model2train方法中验证函数参数的准备工作
- 70-model2trian方法中验证函数实现
- 71-BERT+PET方法实现模型的预测
3-12 基于BERT+P-Tuning方式数据预处理介绍
- 72-Bert+P-Tuning的项目梳理
- 73-Config类的代码实现
- 74-Convert_example方法获得输入
- 75-Convert_example方法获取input_ids
- 76-Convert_example方法获取最终output
- 77-get_dataloader方法的实现
- 78-deepseed及vllm等简单扩展
3-13 基于BERT+P-Tuning模型训练和预测
- 79-Bert-P-tuning模型的训练和预测
3-14 新媒体行业评论智能分类与信息抽取系统-数据预处理
- 80-大模型联合抽取任务基本简介
- 81-项目背景介绍
- 82-ChatGLM-6B和LoRA的回顾
- 83-项目架构介绍
- 84-项目数据的介绍
- 85-项目config文件类的代码实现
- 86-Convert_example方法实现输入和输出的id表示
- 87-Convert_example方法得到模型input_ids和labels
- 88-统计样本的句子长度
- 89-获取Dataloader方法的实现
3-15 新媒体行业评论智能分类与信息抽取系统-模型训练微调
- 90-model2train方法中加载模型
- 91-mode2train方法中梯度检查点技术
- 92-model2train方法中lora的配置实现
- 93-model2trian方法的训练实现
- 94-趋动云实现项目的创建
- 95-ChatGLM微调训练过程的实现
- 96-ChatGLM微调后预测代码的实现
第四章 大模型知识扩展
4-1 大模型扩展知识
- 01-大模型扩展知识1
- 02-大模型扩展知识2
- 03-新增课外知识1
4-2 大模型Function Call工具应用
- 04-大模型Function Call工作原理的介绍
- 05-定义外部函数的代码实现
- 06-定义外部函数功能描述的实现
- 07-大模型实现Function Call的调用
- 08-大模型Function Call意图澄清
- 09-大模型多函数Function Call调用
- 10-大模型Function Call实现数据库的查询
- 11-Mysql数据库的基本操作
4-3 AI Agents开发应用
- 12-AI Agent的原理介绍
- 13-AI Agent开发框架或产品的介绍
- 14-开发AI Agent实现邮件自动发送
4-4 RAG系统与Milvus向量数据库
- 15-RAG系统介绍（扩展知识）
- 16-Milvus向量数据库关键概念介绍
- 17-Milvus向量数据库的Collection创建
- 18-Milvus向量数据库的增删改查
- 19-RAG的优化和评估
4-5 Flash Attention与BM25介绍
- 20-Flash Attention的知识扩展
- 21-BM25等扩展知识
4-6 DeepSeek模型介绍
- 22-DeepSeek V1模型讲解
- 23-DeepSeel Math模型讲解
- 24-MLA注意力机制实现的思想
- 25-MOE混合专家模型实现的思想
- 26-DeepSeek V3模型讲解
- 27-DeepSeek R1模型讲解
阶段十 就业指导
展开第一章 工作篇
1-1 工作篇
- 工作篇
第二章 求职篇
2-1 求职篇
- 求职篇1简历制作
- 求职篇2简历投递技巧
- 应聘渠道使用技巧
第三章 面试篇
3-1 面试篇
- 面试篇1
- 面试篇2
第四章 试用期篇
4-1 试用期
- 试用期篇1
- 试用期篇2