2026年第14期咕泡学院人工智能深度学习系统班(原价19800) - 34章完整版 (115GB)

sxmg

第一章 【直播课】直播
1-1节 开班典礼：如何学好人工智能学科
1.开班典礼：如何学好人工智能学科
01月04日 20:00-22:00
1-2节 神经网络
1.神经网络
01月14日 20:00-22:00
1-3节 卷积神经网络
1.卷积神经网络
01月21日 20:00-22:00
1-4节 transformer解读
1.transformer解读
01月28日 20:00-22:00
1-5节 transformer-VIT源码解读
1. transformer-VIT源码解读
09月06日 20:30-22:30
第二章 【基础模块】AI课程所需安装软件教程
2-1节 AI课程所需安装软件教程
1.AI课程所需安装软件教程
2-2节 Python环境安装和搭建
1.Python环境安装和搭建
2-3节 Anaconda / Pycharm介绍与使用教程
1.Anaconda基础讲解和使用的教程
2-4节 PyTorch框架介绍与配置安装
1.PyTorch框架与其他框架区别分析
2.CPU与GPU版本安装方法解读

第三章 【基础模块】深度学习基础与框架
3-1节 神经网络结构
1.神经网络结构
03月11日 20:30-22:30
3-2节 PyTorch框架必备核心模块解读
1.PyTorch实战课程简介
2.PyTorch框架发展趋势简介
3.框架安装方法（CPU与GPU版本）
4.PyTorch基本操作简介
5.自动求导机制
6.线性回归DEMO-数据与参数配置
7.线性回归DEMO-训练回归模型
8.补充：常见tensor格式
9.补充：Hub模块简介

3-3节 神经网络分类任务
1.数据集与任务概述
2.基本模块应用测试
3.网络结构定义方法
4.数据源定义简介
5.损失与训练模块分析
6.训练一个基本的分类模型
7.参数对结果的影响
3-4节 神经网络回归：气温预测
1.神经网络回归任务-气温预测
3-5节 Pycharm环境配置与Debug演示
1.Pycharm环境配置与Debug演示(没用过的同学必看)

第四章 【基础模块】深度学习核心算法与实践
4-1节 卷积神经网络深度解析
1.卷积神经网络
08月16日 20:30-22:30
4-2节 卷积网络参数分析与优化
1.输入特征通道分析
2.卷积网络参数解读
3.卷积网络模型训练
4-3节 ResNet模型及其应用
1.医学疾病数据集介绍
2.Resnet网络架构原理分析
3.dataloader加载数据集
4.Resnet网络前向传播
5.残差网络的shortcut操作
6.特征图升维与降采样操作
7.网络整体流程与训练演示
4-4节 图像识别模型与训练策略（重点）
1.任务分析与图像数据基本处理
2.数据增强模块
3.数据集与模型选择
4.迁移学习方法解读
5.输出层与梯度设置
6.输出类别个数修改
7.优化器与学习率衰减
8.模型训练方法
9.重新训练全部模型
10.测试结果演示分析

4-5节 DataLoader自定义数据集制作
1.Dataloader要完成的任务分析
2.图像数据与标签路径处理
3.Dataloader中需要实现的方法分析
4.实用Dataloader加载数据并训练模型
4-6节 RNN网络架构
1.RNN网络架构
4-7节 LSTM网络架构
1.LSTM网络架构
4-8节 LSTM文本分类
1.数据集与任务目标分析
2.文本数据处理基本流程分析
3.命令行参数与DEBUG
4.训练模型所需基本配置参数分析
5.预料表与字符切分
6.字符预处理转换ID
7.LSTM网络结构基本定义
8.网络模型预测结果输出
9.模型训练任务与总结
4-9节 Transformer基础
1.Transformer
03月25日 20:30-22:30
2.GITHUB开源项目使用方法

第五章 【方向A：CV方向】图像处理基础
5-1节 课程介绍与环境配置
1.课程简介
2.Python与Opencv配置安装
3.Notebook与IDE环境
5-2节 OpenCV图像常⽤处理⽅法实例
1.计算机眼中的图像
2.视频的读取与处理
3.ROI区域
4.边界填充
5.数值计算
6.图像阈值
7.图像平滑处理
8.高斯与中值滤波
9.腐蚀操作
10.膨胀操作
11.开运算与闭运算
12.梯度计算
13.礼帽与黑帽
5-3节 OpenCV梯度计算与边缘检测实例
1.Canny边缘检测流程
2.非极大值抑制
3.边缘检测效果
4.Sobel算子
5.梯度计算方法
6.scharr与lapkacian算子
5-4节 OpenCV轮廓检测与直⽅图
1.图像金字塔定义
2.金字塔制作方法
3.轮廓检测方法
4.轮廓检测结果
5.轮廓特征与近似
6.模板匹配方法
7.匹配效果展示
8.直方图定义
9.均衡化原理
10.均衡化效果
11.傅里叶概述
12.频域变换结果
13.低通与高通滤波
5-5节 OpenCV角点检测
1.角点检测基本原理
2.基本数学原理
3.求解化简
4.特征归属划分
5.opencv角点检测效果
5-6节 OpenCV尺度空间
1.尺度空间定义
2.高斯差分金字塔
3.特征关键点定位
4.生成特征描述
5.特征向量生成
6.opencv中sift函数使用
5-7节 OpenCV高级图像处理技术
1.特征匹配方法
2.RANSAC算法
3.图像拼接方法
4.流程解读
5.背景消除-帧差法
6.混合高斯模型
7.学习步骤
8.背景建模实战
9.基本概念
10.Lucas-Kanade算法
11.推导求解
12.光流估计实战
13.dnn模块
14.模型加载结果输出
5-8节 OpenCV项目实战-信用卡数字识别
1.总体流程与方法讲解
2.环境配置与预处理
3.模板处理方法
4.输入数据处理方法
5.模板匹配得出识别结果
5-9节 OpenCV项目实战-文档扫描OCR识别
1.整体流程演示
2.文档轮廓提取
3.原始与变换坐标计算
4.透视变换结果
5.tesseract-ocr安装配置
6.文档扫描识别效果
5-10节 OpenCV项目实战-停车场车位识别
1.任务整体流程
2.所需数据介绍
3.图像数据预处理
4.车位直线检测
5.按列划分区域
6.车位区域划分
7.识别模型构建
8.基于视频的车位检测
5-11节 OpenCV项目实战-答题卡识别判卷
1.整体流程与效果概述
2.预处理操作
3.填涂轮廓检测
4.选项判断识别
5-12节 OpenCV项目实战-目标追踪
1.目标追踪概述
2.多目标追踪实战
3.深度学习检测框架加载
4.基于dlib与ssd的追踪
5.多进程目标追踪
6.多进程效率提升对比
5-13节 OpenCV项目实战-疲劳检测
1.关键点定位概述
2.获取人脸关键点
3.定位效果演示
4.闭眼检测
5.检测效果

第六章 【方向A：CV方向】目标检测算法
6-1节 物体检测评估指标
1.物体检测评估指标
6-2节 YOLO系列大串讲(可刷这个快速过)
1.YOLO系列大串讲(可刷这个快速过)
6-3节 经典物体检测算法
1.半监督物体检测
2.EfficientNet网络模型
3.EfficientDet检测算法
6-4节 YOLOv1检测算法深度解析
1.YOLO算法整体思路解读
2.检测算法要得到的结果
3.整体网络架构解读
4.位置损失计算
5.置信度误差与优缺点分析
6-5节 YOLOv2检测算法深度解析
1.V2版本细节升级概述
2.网络结构特点
3.架构细节解读
4.基于聚类来选择先验框尺寸
5.偏移量计算方法
6.坐标映射与还原
7.感受野的作用
8.特征融合改进

6-6节 YOLOv3检测算法深度解析
1.V3版本改进概述
2.多scale方法改进与特征融合
3.经典变换方法对比分析
4.残差连接方法解读
5.整体网络模型架构分析
6.先验框设计改进
7.sotfmax层改进
8.数据与环境配置
9.训练参数设置
10.COCO图像数据读取与处理
11.标签文件读取与处理
12.debug模式介绍
13.基于配置文件构建网络模型
14.路由层与shortcut层的作用
15.YOLO层定义解析
16.预测结果计算
17.网格偏移计算
18.模型要计算的损失概述
19.标签值格式修改
20.坐标相对位置计算
21.完成所有损失函数所需计算指标
22.模型训练与总结
23.预测效果展示

6-7节 YOLO模型数据标注与训练
1.Labelme工具安装
2.数据信息标注
3.完成标签制作
4.生成模型所需配置文件
5.json格式转换成yolo-v3所需输入
6.完成输入数据准备工作
7.训练代码与参数配置更改
8.训练模型并测试效果

6-8节 YOLO-V4版本算法解读
1.V4版本整体概述
2.V4版本贡献解读
3.数据增强策略分析
4.DropBlock与标签平滑方法
5.损失函数遇到的问题
6.CIOU损失函数定义
7.NMS细节改进
8.SPP与CSP网络结构
9.SAM注意力机制模块
10.PAN模块解读
11.激活函数与整体架构总结

6-9节 YOLOv5检测算法深度解析
1.整体项目概述
2.训练自己的数据集方法
3.训练数据参数配置
4.测试DEMO演示
5.数据源DEBUG流程解读
6.图像数据源配置
7.加载标签数据
8.Mosaic数据增强方法
9.数据四合一方法与流程演示
10.getItem构建batch
11.网络架构图可视化工具安装
12.V5网络配置文件解读
13.Focus模块流程分析
14.完成配置文件解析任务
15.前向传播计算
16.BottleneckCSP层计算方法
17.SPP层计算细节分析
18.Head层流程解读
19.上采样与拼接操作
20.输出结果分析
21.超参数解读
22.命令行参数介绍
23.训练流程解读
24.各种训练策略概述
25.模型迭代过程

6-10节 YOLOv7检测算法深度解析
1.YOLO系列（V7）算法解读
2小时
2.命令行参数介绍
3.基本参数作用
4.EMA等训练技巧解读
5.网络结构配置文件解读
6.各模块操作细节分析
7.输出层与配置文件其他模块解读
8.标签分配策略准备操作
9.候选框偏移方法与find3p模块解读
10.得到偏移点所在网格位置
11.完成BuildTargets模块
12.候选框筛选流程分析
13.预测值各项指标获取与调整
14.GT匹配正样本数量计算
15.通过IOU与置信度分配正样本
16.损失函数计算方法
17.辅助头AUX网络结构配置文件解析
18.辅助头损失函数调整
19.BN与卷积权重参数融合方法
20.重参数化多分支合并加速

6-11节 YOLOv8检测算法深度解析
1.YOLOV8

6-12节 YOLOv9检测算法深度解析
1.YOLO V9
03月09日 20:30-22:30
6-13节 YOLO-World 检测算法
1.CVPR2024：YOLO- World
03月23日 20:30-22:30
6-14节 YOLOv12与YOLOv13最新检测算法
1.YOLO系列：YOLOv12与YOLOv13
07月12日 20:30-22:30
第七章 【方向A：CV方向】图像分割算法
7-1节 图像分割与损失函数
1.语义分割与实例分割概述
2.分割任务中的目标函数定义
3.MIOU评估标准

7-2节 Unet系列算法
1.Unet网络编码与解码过程
2.网络计算流程
3.Unet升级版本改进
4.后续升级版本介绍

7-3节 Unet医学细胞分割实战
1.医学细胞数据集介绍与参数配置
2.数据增强工具
3.Debug模式演示网络计算流程
4.特征融合方法演示
5.迭代完成整个模型计算任务
6.模型效果验证

7-4节 U2NET显著性检测实战
1.任务目标与网络整体介绍
2.显著性检测任务与目标概述
3.编码器模块解读
4.解码器输出结果
5.损失函数与应用效果

7-5节 DeepLab 语义分割算法
1.deeplab分割算法概述
2.空洞卷积的作用
3.感受野的意义
4.SPP层的作用
5.ASPP特征融合策略
6.deeplabV3Plus版本网络架构

7-6节 基于deeplabV3+版本进⾏VOC分割实战
1.PascalVoc数据集介绍
2.项目参数与数据集读取
3.网络前向传播流程
4.ASPP层特征融合
5.分割模型训练

7-7节 基于deeplabV3⼼脏视频数据集分割建模实战
1.数据集与任务概述
2.项目基本配置参数
3.任务流程解读
4.文献报告分析
5.补充：视频数据源特征处理方法概述
6.补充：R(2plus1)D处理方法分析

7-8节 Mask R-CNN 实例分割算法
1.Mask-Rcnn开源项目简介
2.开源项目数据集
3.开源项目数据集

7-9节 MaskRcnn网络框架源码详解
1.FPN层特征提取原理解读
2.FPN网络架构实现解读
3.生成框比例设置
4.基于不同尺度特征图生成所有框
5.RPN层的作用与实现解读
6.候选框过滤方法
7.Proposal层实现方法
8.DetectionTarget层的作用
9.正负样本选择与标签定义
10.RoiPooling层的作用与目的
11.RorAlign操作的效果
12.整体框架回顾

7-10节 Mask R-CNN 训练自己的数据与任务
1.Labelme工具安装
2.使用labelme进行数据与标签标注
3.完成训练数据准备工作
4.maskrcnn源码修改方法
5.基于标注数据训练所需任务
6.测试与展示模块

7-11节 SAM 图像分割算法
1.DEMO效果演示
2.论文解读分析
3.完成的任务分析
4.数据闭环方法
5.预训练模型的作用
6.Decoder的作用与项目源码
7.分割任务模块设计
8.实现细节分析
9.总结分析

7-12节 SAM2视频分割
1.SAM2视频分割
08月10日 20:30-22:30
7-13节 EfficientSam分割算法
1.CVPR2024:EfficientSam
03月16日 20:30-22:30
7-14节 遥感图像处理与高光谱图像智能解译
1.遥感图像处理与高光谱图像智能解译
11月15日 20:30-22:30
第八章 【方向A：CV方向】MMLAB框架与数据集制作实战
8-1节 MMCV安装方法
1.MMCV安装方法

8-2节 分类任务操作（分类）
1.MMCLS问题修正
2.准备MMCLS项目
3.基本参数配置解读
4.各模块配置文件组成
5.生成完整配置文件
6.根据文件夹定义数据集
7.构建自己的数据集
8.训练自己的任务

8-3节 训练结果测试与验证（分类）
1.测试DEMO效果
2.测试评估模型效果
3.MMCLS中增加一个新的模块
4.修改配置文件中的参数
5.数据增强流程可视化展示
6.Grad-Cam可视化方法
7.可视化细节与效果分析
8.MMCLS可视化模块应用
9.模型分析脚本使用

8-4节 模型源码调试（分类）
1.VIT任务概述
2.数据增强模块概述分析
3.PatchEmbedding层
4.前向传播基本模块
5.CLS与输出模块

8-5节 分割模块自定义数据集训练（分割）
1.项目配置基本介绍
2.数据集标注与制作方法
3.根据预测类别数修改配置文件
4.加载预训练模型开始训练
5.预测DEMO演示

8-6节 Unet策略修改（分割）
1.配置文件解读
2.编码层模块
3.上采样与输出层
4.辅助层的作用
5.给Unet添加一个neck层
6.如何修改参数适配网络结构
7.将Unet特征提取模块替换成transformer
8.VIT模块源码分析

8-7节 分割任务CVPR最新Backbone设计及其应用（分割）
1.注册自己的Backbone模块
2.配置文件指定
3.DEBUG解读Backbone设计
4.PatchEmbedding的作用与实现
5.卷积位置编码计算方法
6.近似Attention模块实现
7.完成特征提取与融合模块
8.分割输出模块
9.全局特征的作用与实现
10.汇总多层级特征进行输出

8-8节 MMDetection自定义数据训练（检测）
1.数据集标注与标签获取
2.COCO数据标注格式
3.通过脚本生成COCO数据格式
4.配置文件数据增强策略分析
5.训练所需配置说明
6.模型训练与DEMO演示
7.模型测试与可视化分析模块
8.补充：评估指标

8-9节 MMAction自定义数据训练（行为识别）
1.创建自己的行为识别标注数据集

第九章 【方向A：CV方向】Transformer与视觉应用
9-1节 Vision Transformer算法源码解读
1.视觉Transformer及其源码分析
04月01日 20:30-22:30
9-2节 视觉自监督BEIT算法解读
1.建模流程分析与效果展示
2.codebook模块的作用
3.任务总结分析

9-3节 视觉自监督任务BEITv2论文解读
1.BEITV2版本论文出发点解读
2.自监督任务中两大核心任务分析
3.整体网络架构图分析
4.框架实现细节流程分析
5.论文细节模块实现解读

9-4节 视觉自监督任务BEITv2源码解读
1.mmselfup源码实现解读
2.网络结构搭建细节解读
3.源码实现流程总结

9-5节 SwinTransformer算法原理解析
1.swintransformer整体概述
2.要解决的问题及其优势分析
3.一个block要完成的任务
4.获取各窗口输入特征
5.基于窗口的注意力机制解读
6.窗口偏移操作的实现
7.偏移细节分析及其计算量概述
8.整体网络架构整合
9.下采样操作实现方法
10.分层计算方法

9-6节 SwinTransformer算法源码解读
1.数据与环境配置解读
2.图像数据patch编码
3.数据按window进行划分计算
4.基础attention计算模块
5.窗口位移模块细节分析
6.patchmerge下采样操作
7.各block计算方法解读
8.输出层概述

9-7节 DETR目标检测算法解析
1.DETR目标检测基本思想解读
2.整体网络架构分析
3.位置信息初始化query向量
4.注意力机制的作用方法
5.训练过程的策略

9-8节 DETR目标检测源码解读
1.项目环境配置解读
2.数据处理与dataloader
3.位置编码作用分析
4.backbone特征提取模块
5.mask与编码模块
6.编码层作用方法
7.Decoder层操作与计算
8.输出预测结果
9.损失函数与预测输出

9-9节 Deformable DETR 检测算法解析
1.DeformableDetr算法解读
07月09日 20:30-22:30
9-10节 Deformable DETR 算法源码解读
1.特征提取与位置编码
2.序列特征展开并叠加
3.得到相对位置点编码
4.准备Encoder编码层所需全部输入
5.编码层中的序列分析
6.偏移量offset计算
7.偏移量对齐操作
8.Encoder层完成特征对齐
9.Decoder要完成的操作
10.分类与回归输出模块
11.预测输出结果与标签匹配模块

9-11节 MedicalTransformer 分割算法解析
1.论文整体分析
2.核心思想分析
3.网络结构计算流程概述
4.论文公式计算分析
5.位置编码的作用与效果
6.拓展应用分析

9-12节 MedicalTransformer 算法源码解读
1.项目环境配置
2.医学数据介绍与分析
3.基本处理操作
4.AxialAttention实现过程
5.位置编码向量解读
6.注意力计算过程与方法
7.局部特征提取与计算

9-13节 Maskformer 分割算法源码解读
1.分割模型Maskformer系列
11月12日 20:30-22:30
9-14节 Mask2former 分割算法码解读
1.Backbone获取多层级特征
2.多层级采样点初始化构建
3.多层级输入特征序列创建方法
4.偏移量与权重计算并转换
5.Encoder特征构建方法实例
6.query要预测的任务解读
7.Decoder中的AttentionMask方法
8.损失模块输入参数分析
9.标签分配策略解读
10.正样本筛选损失计算
11.标签分类匹配结果分析
12.最终损失计算流程
13.汇总所有损失完成迭代

9-15节 BEVFormer 3D检测算法解析
1.BEV特征空间
01月07日 20:30-22:30
9-16节 BEVFormer 算法源码解读
1.环境配置方法解读
2.数据集下载与配置方法
3.特征提取以及BEV空间初始化
4.特征对齐与位置编码初始化
5.Reference初始点构建
6.BEV空间与图像空间位置对应
7.注意力机制模块计算方法
8.BEV空间特征构建
9.Decoder要完成的任务分析
10.获取当前BEV特征
11.Decoder级联校正模块
12.损失函数与预测可视化

9-17节 LoFTR特征匹配算法
1.特征匹配的应用场景
2.特征匹配的基本流程分析
3.整体流程梳理分析
4.CrossAttention的作用与效果
5.transformer构建匹配特征
6.粗粒度匹配过程与作用
7.特征图拆解操作
8.细粒度匹配的作用与方法
9.基于期望预测最终位置
10.总结分析

第一十章 【方向A：CV方向】生成模型与图像生成技术
10-1节 生成对抗网络架构原理
1.对抗生成网络通俗解释
2.GAN网络组成
3.损失函数解释说明
4.数据读取模块
5.生成与判别网络定义

10-2节 基于 GAN 的图像补全实战
1.论文概述
2.网络架构
3.细节设计
4.论文总结
5.数据与项目概述
6.参数基本设计
7.网络结构配置
8.网络迭代训练
9.测试模块

10-3节 基于 SRGAN 图像超分辨率实战
1.论文概述
2.网络架构
3.数据与环境配置
4.数据加载与配置
5.生成模块
6.判别模块
7.VGG特征提取网络
8.损失函数与训练
9.测试模块

10-4节 CycleGAN图像转换技术
1.CycleGan网络所需数据
2.CycleGan整体网络架构
3.PatchGan判别网络原理
4.Cycle开源项目简介
5.数据读取与预处理操作
6.生成网络模块构造
7.判别网络模块构造
8.损失函数：identity loss计算方法
9.生成与判别损失函数指定
10.额外补充：VISDOM可视化配置

10-5节 stargan论文架构解析
1.stargan效果演示分析
2.网络架构整体思路解读
3.建模流程分析
4.V1版本存在的问题及后续改进思路
5.V2版本在整体网络架构
6.编码器训练方法
7.损失函数公式解析
8.训练过程分析

10-6节 stargan项目实战及其源码解读
1.测试模块效果与实验分析
2.项目配置与数据源下载
3.测试效果演示
4.项目参数解析
5.生成器模块源码解读
6.所有网络模块构建实例
7.数据读取模块分析
8.判别器损失计算
9.损失计算详细过程
10.生成模块损失计算

10-7节 StarGANv2变声器论文解析
1.论文整体思路与架构解读
2.VCC2016输入数据
3.语音特征提取
4.生成器模型架构分析
5.InstanceNorm的作用解读
6.AdaIn的目的与效果
7.判别器模块分析

10-8节 starganvc2变声器项目实战
1.数据与项目文件解读
2.环境配置与工具包安装
3.数据预处理与声音特征提取
4.生成器构造模块解读
5.下采样与上采样操作
6.starganvc2版本标签输入分析
7.生成器前向传播维度变化
8.判别器模块解读
9.论文损失函数
10.源码损失计算流程
11.测试模块-生成转换语音

10-9节 StyleGAN2高质量图像生成架构
1.要完成的任务与基本思想概述
2.得到style特征编码
3.特征编码风格拼接
4.基础风格特征卷积模块
5.上采样得到输出结果
6.损失函数概述

10-10节 Diffusion模型架构
1.Diffusion模型解读
2小时
10-11节 DALL-E 2论文解析
1.论文基本思想与核心模块分析
2.不同模块对比分析
3.算法核心流程解读
4.各模块实现细节讲解

10-12节 DALL-E 2源码解读
1.项目整体流程分析
2.源码实现细节分析
3.源码公式对应论文分析
4.Decoder模块实现细节解读
5.源码实现流程总结

10-13节 视频超分辨率重构
1.KIE关键信息抽取与视频超分辨率重构
2小时
第一十一章 【方向A：CV方向】行为识别+姿态估计+目标追踪
11-1节 SlowFast 行为识别算法解析
1.slowfast核心思想解读
2.核心网络结构模块分析
3.数据采样曾的作用
4.模型网络结构设计
5.特征融合模块与总结分析

11-2节 SlowFast 算法环境配置
1.环境基本配置解读
2.目录各文件分析
3.配置文件作用解读
4.测试DEMO演示
5.训练所需标签文件说明
6.训练所需视频数据准备
7.视频数据集切分操作
8.完成视频分帧操作

11-3节 slowfast算法源码详细解读
1.模型所需配置文件参数读取
2.数据处理概述
3.dataloader数据遍历方法
4.数据与标签读取实例
5.图像数据所需预处理方法
6.slow与fast分别执行采样操作
7.分别计算特征图输出结果
8.slow与fast特征图拼接操作
9.resnetBolock操作
10.RoiAlign与输出层

11-4节 3D卷积视频分析
1.3D卷积原理解读
2.UCF101动作识别数据集简介
3.测试效果与项目配置
4.视频数据预处理方法
5.数据Batch制作方法
6.3D卷积网络所涉及模块
7.训练网络模型

11-5节 视频异常检测算法与元学习
1.异常检测要解决的问题与数据集介绍
2.基本思想与流程分析
3.预测与常见问题
4.Meta-Learn要解决的问题
5.学习能力与参数定义
6.如何找到合适的初始化参数
7.MAML算法流程解读

11-6节 CVPR 异常检测算法论文解读
1.论文概述与环境配置
2.数据集配置与读取
3.模型编码与解码结构
4.注意力机制模块打造
5.损失函数的目的
6.特征图生成
7.MetaLearn与输出

11-7节 人体姿态估计OpenPose算法解析
1.姿态估计要解决的问题分析
2.姿态估计应用领域概述
3.传统topdown方法的问题
4.要解决的两个问题分析
5.基于高斯分布预测关键点位置
6.各模块输出特征图解读
7.PAF向量登场
8.PAF标签设计方法
9.预测时PAF积分计算方法
10.匹配方法解读
11.CPM模型特点
12.算法流程与总结

11-8节 OpenPose算法源码解读
1.数据集与路径配置解读
2.读取图像与标注信息
3.关键点与躯干特征图初始化
4.根据关键点位置设计关键点标签
5.准备构建PAF躯干标签
6.各位置点归属判断
7.特征图各点累加向量计算
8.完成PAF特征图制作
9.网络模型一阶段输出
10.多阶段输出与预测

11-9节 deepsort算法知识点解读
1.卡尔曼滤波通俗解释
2.卡尔曼滤波要完成的任务
3.任务本质分析
4.基于观测值进行最优估计
5.预测与更新操作
6.追踪中的状态量
7.匈牙利匹配算法概述
8.匹配小例子分析
9.REID特征的作用
10.sort与deepsort建模流程分析
11.预测与匹配流程解读
12.追踪任务流程拆解

11-10节 deepsort源码解读
1.项目环境配置
2.参数与DEMO演示
3.针对检测结果初始化track
4.对track执行预测操作
5.状态量预测结果
6.IOU代价矩阵计算
7.参数更新操作
8.级联匹配模块
9.ReID特征代价矩阵计算
10.匹配结果与总结

11-11节 多目标追踪算法源码解读
1.获取检测结果与追踪初始化
2.初始时刻追踪器创建
3.追踪器记录信息概述
4.匹配过程细节分析
5.不同帧时刻追踪器状态更新方法
6.追踪器状态更新处理
7.追踪器迭代更新策略

第一十二章 【方向A：CV方向】行人重识别技术
12-1节 行人重识别基础理论
1.行人重识别要解决的问题
2.挑战与困难分析
3.评估标准rank1指标
4.map值计算方法
5.triplet损失计算实例
6.Hard-Negative方法应用

12-2节 注意力机制ReID模型
1.论文整体思想及注意力机制的作用解读
2.空间权重值计算流程分析
3.融合空间注意力所需特征
4.基于特征图的注意力计算
5.项目环境与数据集配置
6.参数配置与整体架构分析
7.进入debug模式解读网络计算流程
8.获得空间位置点之间的关系
9.组合关系特征图
10.计算得到位置权重值
11.基于特征图的权重计算
12.损失函数计算实例解读
13.训练与测试模块演示

12-3节 AAAI最新ReID算法
1.论文整体框架概述
2.局部特征与全局关系计算方法
3.特征分组方法
4.GCP模块特征融合方法
5.oneVsReset方法实例
6.损失函数应用位置

12-4节 局部特征融合ReID实战
1.项目配置与数据集介绍
2.数据源构建方法分析
3.dataloader加载顺序解读
4.debug模式解读
5.网络计算整体流程演示
6.特征序列构建
7.GCP全局特征提取
8.局部特征提取实例
9.特征组合汇总
10.得到所有分组特征结果
11.损失函数与训练过程演示
12.测试与验证模块

12-5节 旷视研究院图模型ReID算法
1.关键点位置特征构建
2.图卷积与匹配的作用
3.局部特征热度图计算
4.基于图卷积构建人体拓扑关系
5.图卷积模块实现方法
6.图匹配在行人重识别中的作用
7.整体算法框架分析

12-6节 基于拓扑图的ReID实战
1.数据集与环境配置概述
2.局部特征准备方法
3.得到一阶段热度图结果
4.阶段监督训练
5.初始化图卷积模型
6.mask矩阵的作用
7.邻接矩阵学习与更新
8.基于拓扑结构组合关键点特征
9.图匹配模块计算流程
10.整体项目总结

12-7节 行人搜索源码分析
1.检测与搜索
03月05日 20:30-22:30

2.项目概述
3.配置文件修改方法
4.数据与标签读取模块
5.通过配置文件读取模型位置
6.BackBone位置与流程
7.Neck层操作方法
8.Head层预测模块
9.损失函数计算模块
10.总结概述

第一十三章 【方向A：CV方向】自动化驾驶
13-1节 深度估计算法解析
1.深度估计效果与应用
2.kitti数据集介绍
3.使用backbone获取层级特征
4.差异特征计算边界信息
5.SPP层的作用
6.空洞卷积与ASPP
7.特征拼接方法分析
8.网络coarse-to-fine过程
9.权重参数预处理
10.损失计算

13-2节 深度估计实战
1.项目环境配置解读
2.数据与标签定义方法
3.数据集dataloader制作
4.使用backbone进行特征提取
5.计算差异特征
6.权重参数标准化操作
7.网络结构ASPP层
8.特征拼接方法解读
9.输出深度估计结果
10.损失函数通俗解读
11.模型DEMO输出结果

13-3节 车道线检测算法解析
1.数据标签与任务分析
2.网络整体框架分析
3.输出结果分析
4.损失函数计算方法
5.论文概述分析

13-4节 车道线检测实战
1.车道数据与标签解读
2.项目环境配置演示
3.制作数据集dataloader
4.车道线标签数据处理
5.四条车道线标签位置矩阵
6.grid设置方法
7.完成数据与标签制作
8.算法网络结构解读
9.损失函数计算模块分析
10.车道线规则损失函数限制
11.DEMO制作与配置

13-5节 三维重建与坐标系
1.三维重建概述分析
2.三维重建应用领域概述
3.成像方法概述
4.相机坐标系
5.坐标系转换方法解读
6.相机内外参
7.通过内外参数进行坐标变换
8.相机标定简介

13-6节 三维重建 NeuralRecon算法解析
1.任务流程分析
2.基本框架熟悉
3.特征映射方法解读
4.片段融合思想
5.整体架构重构方法

13-7节 三维重建 NeuralRecon算法环境配置
1.数据集下载与配置方法
2.Scannet数据集内容概述
3.TSDF标签生成方法
4.ISSUE的作用
5.完成依赖环境配置

13-8节 三维重建 NeuralRecon算法源码解读
1.Backbone得到特征图
2.初始化体素位置
3.坐标映射方法实现
4.得到体素所对应特征图
5.插值得到对应特征向量
6.得到一阶段输出结果
7.完成三个阶段预测结果
8.项目总结

13-9节 三维重建 TSDF算法解析
1.TSDF整体概述分析
2.合成过程DEMO演示
3.布局初始化操作
4.TSDF计算基本流程解读
5.坐标转换流程分析
6.输出结果融合更新

13-10节 三维重建 TSDF算法实战
1.环境配置概述
2.初始化与数据读取
3.计算得到TSDF输出

13-11节 轨迹估计VectorNet 算法论文解读
1.数据集与标注信息解读
2.整体三大模块分析
3.特征工程的作用与效果
4.传统方法与现在向量空间对比
5.输入细节分析
6.子图模块构建方法
7.特征融合模块分析
8.VectorNet输出层分析

13-12节 VectorNet 算法实战
1.数据与环境配置
2.训练数据准备
3.Agent特征提取方法
4.DataLoader构建图结构
5.SubGraph与Attention模型流程

13-13节 特斯拉无人驾驶解读
1.特斯拉无人驾驶解读
2小时
第一十四章 【方向A：CV方向】3D点云处理
14-1节 3D点云应用领域介绍
1.点云数据概述
2.点云应用领域与发展分析
3.点云分割任务
4.点云补全任务
5.点云检测与配准任务
6.点云数据特征提取概述与预告

14-2节 3D点云PointNet 算法解析
1.3D数据应用领域与点云介绍
2.点云数据可视化展示
3.点云数据特性和及要解决的问题
4.PointNet算法出发点解读
5.PointNet算法网络架构解读

14-3节 3D点云PointNet++算法解析
1.PointNet升级版算法要解决的问题
2.最远点采样方法
3.分组Group方法原理解读
4.整体流程概述分析
5.分类与分割问题解决方案
6.遇到的问题及改进方法分析

14-4节 Pointnet++项目实战
1.项目文件概述
2.数据读取模块配置
3.DEBUG解读网络模型架构
4.最远点采样介绍
5.采样得到中心点
6.组区域划分方法
7.实现group操作得到各中心簇
8.特征提取模块整体流程
9.预测结果输出模块
10.分类任务总结
11.分割任务数据与配置概述
12.分割需要解决的任务概述
13.上采样完成分割任务

14-5节 点云补全PF-Net 算法解析
1.点云补全要解决的问题
2.基本解决方案概述
3.整体网络概述
4.网络计算流程
5.输入与计算结果

14-6节 PF-Net 算法实战
1.数据与项目配置解读
2.待补全数据准备方法
3.整体框架概述
4.MRE特征提取模块
5.分层预测输出模块
6.补全点云数据
7.判别模块

14-7节 点云配准技术
1.点云配准任务概述
2.配准要完成的目标解读
3.训练数据构建
4.任务基本流程
5.数据源配置方法
6.参数计算模块解读
7.基于模型预测输出参数
8.特征构建方法分析
9.任务总结

第一十五章 【方向A：CV方向】工业与医学视觉应用
15-1节 钢材缺陷检测
1.任务需求与项目概述
2.数据与标签配置方法
3.标签转换格式脚本制作
4.各版本模型介绍分析
5.项目参数配置
6.缺陷检测模型训练
7.输出结果与项目总结

15-2节 半监督布料缺陷检测
1.任务目标与流程概述
2.论文思想与模型分析
3.项目配置解读
4.网络流程分析
5.输出结果展示

15-3节 基于OpenCV的缺陷检测实战
1.任务需求与环境配置
2.数据读取与基本处理
3.缺陷形态学操作
4.整体流程解读
5.缺陷检测效果演示

15-4节 基于OpenCV的视频缺陷检测
1.数据与任务概述
2.视频数据读取与轮廓检测
3.目标质心计算
4.视频数据遍历方法
5.缺陷区域提取
6.不同类型的缺陷检测方法
7.检测效果演示

15-5节 Deeplab铁质材料缺陷检测与开源项⽬应⽤流程
1.数据集与任务概述
2.开源项目应用方法
3.github与kaggle中需要注意的点
4.源码的利用方法
5.数据集制作方法
6.数据路径配置
7.训练模型
8.任务总结

15-6节 医学图像分类
1.医学疾病数据集介绍
2.Resnet网络架构原理分析
3.dataloader加载数据集
4.Resnet网络前向传播
5.残差网络的shortcut操作
6.特征图升维与降采样操作
7.网络整体流程与训练演示

15-7节 医学细胞分割
1.医学细胞数据集介绍与参数配置
2.数据增强工具
3.Debug模式演示网络计算流程
4.特征融合方法演示
5.迭代完成整个模型计算任务
6.模型效果验证

15-8节 医学视频诊断
1.数据集与任务概述
2.项目基本配置参数
3.任务流程解读
4.文献报告分析
5.补充：视频数据源特征处理方法概述
6.补充：R(2plus1)D处理方法分析

15-9节 医学细胞检测
1.任务与细胞数据集介绍
2.模型与算法配置参数解读
3.网络训练流程演示
4.效果评估与展示
5.细胞检测效果演示

第一十六章 【方向A：CV方向】文字检测与识别
16-1节 DBNET文字检测
1.文字检测数据概述与配置文件
2.配置文件参数设置
3.Neck层特征组合
4.损失函数模块概述
5.损失计算方法

16-2节 ANINET文字识别
1.数据集与环境概述
2.配置文件修改方法
3.Bakbone模块得到特征
4.视觉Transformer模块的作用
5.视觉模型中的编码与解码的效果
6.文本模型中的结构分析
7.迭代修正模块
8.输出层与损失计算

16-3节 OCR算法解读
1.OCR算法解读
2小时
16-4节 项目实战-文档扫描OCR识别
1.整体流程演示
2.文档轮廓提取
3.原始与变换坐标计算
4.透视变换结果
5.tesseract-ocr安装配置
6.文档扫描识别效果

16-5节 项目实战-信用卡数字识别
1.总体流程与方法讲解


2.环境配置与预处理


3.模板处理方法


4.输入数据处理方法


5.模板匹配得出识别结果

第一十七章 【方向B：NLP方向】自然语言处理基础技术
17-1节 NLP常用工具包实战
1.Python字符串处理
2.正则表达式基本语法
3.正则常用符号
4.常用函数介绍
5.NLTK工具包简介
6.停用词过滤
7.词性标注
8.数据清洗实例
9.Spacy工具包
10.名字实体匹配
11.恐怖袭击分析
12.统计分析结果
13.结巴分词器
14.词云展示

17-2节 商品信息可视化与文本分析
1.在线商城商品数据信息概述
2.商品类别划分方式
3.商品类别可视化展示
4.商品描述长度对价格的影响分析
5.关键词的词云可视化展示
6.基于tf-idf提取关键词信息
7.通过降维进行可视化展示
8.聚类分析与主题模型展示

17-3节 贝叶斯算法分析与实战
1.贝叶斯算法概述
2.贝叶斯推导实例
3.贝叶斯拼写纠错实例
4.垃圾邮件过滤实例
5.贝叶斯实现拼写检查器
6.文本分析与关键词提取
7.相似度计算
8.新闻数据与任务简介
9.TF-IDF关键词提取
10.LDA建模
11.基于贝叶斯算法进行新闻分类

17-4节 N-gram 语言模型
1.开篇
2.语言模型
3.N-gram模型
4.词向量
5.神经网络模型
6.Hierarchical Softmax
7.CBOW模型实例
8.CBOW求解目标
9.锑度上升求解
10.负采样模型

17-5节 HMM隐马尔科夫模型
1.马尔科夫模型
2.隐马尔科夫模型基本出发点
3.组成与要解决的问题
4.暴力求解方法
5.复杂度计算
6.前向算法
7.前向算法求解实例
8.Baum-Welch算法
9.参数求解
10.维特比算法
11.hmmlearn工具包
12.工具包使用方法
13.中文分词任务
14.实现中文分词

第一十八章 【方向B：NLP方向】词向量与文本表示学习
18-1节 Word2Vec模型解读与构建
1.词向量模型通俗解释
2.模型整体框架
3.训练数据构建
4.CBOW与Skip-gram模型
5.负采样方案
6.word2vec词向量模型

18-2节 基于word2vec的实战项目
1.数据与任务流程
2.数据清洗
3.batch数据制作
4.网络训练
5.可视化展示
6.RNN网络架构
7.LSTM网络架构
8.案例：使用LSTM进行情感分类
9.情感数据集处理
10.基于word2vec的LSTM模型
11.影评情感分类
12.基于词袋模型训练分类器
13.准备word2vec输入数据
14.使用gensim构建word2vec词向量（新）

18-3节 文本特征方法对比
1.任务概述
2.词袋模型
3.词袋模型分析
4.TFIDF模型
5.word2vec词向量模型
6.深度学习模型

18-4节 文本相似度模型
1.任务概述
2.数据展示
3.正负样本制作
4.数据预处理
5.网络模型定义
6.基于字符的训练
7.基于句子的相似度训练

18-5节 NLP实战项目-机器人写唐诗
1.任务概述与环境配置
2.参数配置
3.数据预处理模块
4.batch数据制作
5.RNN模型定义
6.完成训练模块
7.训练唐诗生成模型
8.测试唐诗生成效果

18-6节 NLP实战项目-对话机器人
1.效果演示
2.参数配置与数据加载
3.数据处理
4.词向量与投影
5.seq网络
6.网络训练

18-7节 NLP实战项目-医学糖尿病数据命名实体识别
1.数据与任务介绍
2.整体模型架构
3.数据-标签-语料库处理
4.训练网络模型
5.医疗数据集（糖尿病）实体识别
6.输入样本填充补齐

第一十九章 【方向B：NLP方向】Transformer与预训练语言模型
19-1节 Huggingface与NLP介绍
1.Huggingface与NLP介绍解读

19-2节 Huggingface数据集制作方法实例
1.数据结构分析
2.Huggingface中的预处理实例
3.数据处理基本流程

19-3节 Transformer工具包实战
1.工具包与任务整体介绍
2.NLP任务常规流程分析
3.文本切分方法实例解读
4.AttentionMask配套使用方法
5.数据集与模型
6.数据Dataloader封装
7.模型训练所需配置参数
8.模型训练DEMO
9.transformer原理解读
2小时
19-4节 预训练语言模型 BERT 原理解析
1.BERT课程简介
2.BERT任务目标概述
3.传统解决方案遇到的问题
4.注意力机制的作用
5.self-attention计算方法
6.特征分配与softmax机制
7.Multi-head的作用
8.位置编码与多层堆叠
9.transformer整体架构梳理
10.BERT模型训练方法
11.训练实例

19-5节 预训练语言模型 BERT 源码解读
1.BERT开源项目简介
2.项目参数配置
3.数据读取模块
4.数据预处理模块
5.tfrecord数据源制作
6.Embedding层的作用
7.加入额外编码特征
8.加入位置编码特征
9.mask机制的作用
10.构建QKV矩阵
11.完成Transformer模块构建
12.训练BERT模型

19-6节 预训练语言模型 BERT 变体原理解析
1.BERT模型训练方法解读
2.ALBERT基本定义
3.ALBERT中的简化方法解读
4.RoBerta模型训练方法解读
5.DistilBert模型解读

19-7节 BERT应用实战-中文情感分析
1.中文分类数据与任务概述
2.读取处理自己的数据集
3.训练BERT中文分类模型

19-8节 BERT应用实战-中文命名实体识别
1.命名实体识别数据分析与任务目标
2.NER标注数据处理与读取
3.构建BERT与CRF模型

19-9节 文本标注与NER
1.文本标注工具Doccano配置方法
2.命名实体识别任务标注方法实例
3.标注导出与BIO处理
4.标签处理并完成对齐操作
5.预训练模型加载与参数配置
6.模型训练与输出结果预测

19-10节 文本预训练构建
1.预训练模型效果分析
2.文本数据截断处理
3.预训练模型自定义训练

19-11节 文本预训练模型构建实例
1.中文商城评价数据处理方法
2.模型训练与测试结果
3.文本摘要数据标注方法
4.训练自己标注的数据并测试

19-12节 知识图谱抽取实战
1.应用场景概述分析
2.数据标注格式样例分析
3.数据处理与读取模块
4.实体抽取模块分析
5.标签与数据结构定义方法
6.模型构建与计算流程
7.网络模型前向计算方法
8.关系抽取模型训练

第二十章 【方向C：LLM方向】方向大模型基础、微调与部署
20-1节 提示词工程与GPTs
1.提示词工程与GPTs
02月27日 20:00-22:00
20-2节 GPT系列算法
1.GPT系列算法概述
2.GPT三代版本分析
3.GPT初代版本要解决的问题
4.GPT第二代版本训练策略
5.采样策略与多样性
6.GPT3的提示与生成方法
7.应用场景CODEX分析
8.DEMO应用演示
9.生成模型可以完成的任务概述
10.数据样本生成方法
11.训练所需参数解读
12.模型训练过程
13.部署与网页预测展示
14.GPT系列
2小时
20-3节 MOE多专家系统
1.MOE概述分析
2.MOE模块实现方法解读
3.效果分析与总结

20-4节 LLM与LORA微调策略解读
1.大模型如何做下游任务
2.LLM落地微调分析
3.LLAMA与LORA介绍
4.LORA微调的核心思想
5.LORA模型实现细节

20-5节 Llama-factory微调框架实例
1.1-环境配置方法
2.2-多模态数据集配置
3.3-微调与量化和推理预测

20-6节 Llama3大语言模型
1.llama3模型下载与配置安装
2.环境相关配置解读
3.工具调用流程拆解
4.功能调用方法实例
5.RAG环境配置搭建
6.LLAMA3应用-RAG搭建方法
7.RAG基本流程分析
8.LORA微调方法
9.指令微调所需数据与模型下载
10.llama3模型微调实例
11.llama3微调后进行量化
12.llama.cpp量化实例
13.部署应用

20-7节 强化学习微调大模型实例解读
1.1. 用强化学习来按照偏好微调大模型
2.2-环境与数据预处理配置.
3.3-奖励定义方法
4.4-优势计算方法与样本构建
5.5-PPO迭代方法
6.6-基本训练逻辑解读

20-8节 大模型微调与应用
1.大模型微调与应用
08月17日 20:30-22:30
20-9节 大模型微调与应用和科研思路
1.大模型微调与应用和科研思路
11月08日 20:30-22:30
第二十一章 【方向C：LLM方向】RAG检索增强与开发框架
21-1节 RAG检索架构分析与应用
1.RAG要完成的任务解读
2.RAG整体流程解读
3.召回优化策略分析
4.召回改进方案解读
5.评估工具RAGAS
6.外接本地数据库工具

21-2节 企业级RAG系统构建
1.企业知识智能检索系统——从构建 到优化的RAG增强实践
10月26日 20:30-22:30
2.企业知识智能检索系统——从构建 到优化的RAG增强实践 第二课
11月01日 20:30-22:30
21-3节 RAGFLOW本地化知识库
1.RAGFLOW介绍和特点
2.RAGFLOW接入本地模型
3.Chat与Embedding模型接入
4.知识库构建实例
5.封装成API调用

21-4节 RAGFLOW与Function Calling
1.RAGFLOW和function calling
09月07日 20:30-22:30
21-5节 LangChain助攻RAG
1.langchain助攻RAG
05月17日 20:30-22:30
21-6节 LLM下游任务训练自己模型实战（LangChain实现AI大模型应用）
1.提示工程的作用
2.基本API调用方法
3.数据文档切分操作
4.样本索引与向量构建
5.数据切块方法

第二十二章 【方向C：LLM方向】智能体架构与多Agent协作
22-1节 智能体解析与实战
1.智能体
02月24日 20:30-22:00
2.Agent应用实战
03月02日 20:30-22:30
22-2节 Langraph建立旅游资讯agent
1.langraph建立旅游资讯agent
06月21日 20:30-22:30
22-3节 斯坦福AI小镇项目解读
1.整体故事解读
2.要解决的问题和整体框架分析
3.论文基本框架分析
4.Agent的记忆信息
5.感知与反思模块构建流程
6.计划模块实现细节
7.整体流程框架图
8.感知模块解读
9.思考模块解读
10.项目环境配置方法解读

22-4节 AutoGen框架实战
1.Python环境说明
2.AutoGenStudio框架安装与介绍
3.动作API配置方法
4.国内常用API配置方法
5.API接口在线测试
6.工作流配置
7.执行流程与结果

22-5节 AutoGen部署与进阶应用
1.API生成方法
2.GroupChat模块
3.执行流程分析
4.外接本地支持库配置方法
5.加入RAG技能
6.LMStudio本地下载部署模型.
7.调用本地模型方法与配置.
8.AutogenStudio本地化部署流程
9.本地化部署接入应用实例
10.调用SD-API完成设计
11.0llama环境配置与安装.
12.autogen接入本地模型

22-6节 MetaGPT框架深度解读
1.论文概述分析
2.整体框架逻辑介绍
3.项目环境配置
4.基础解读-动作定义方式
5.基础解读-角色定义
6.单动作智能体实现方法
7.多动作配置方法.
8.定时器任务环境配置
9.定时器任务流程解读分析

22-7节 MetaGPT应用实战：网上调研资料
1.基本Agent的组成
2.Agent要完成的任务和业务逻辑定义
3.问题拆解与执行流程
4.检索得到重要的URL
5.子问题生成总结结果
6.总结与结果输出

22-8节 结合GPT打造自己领域专属客服
1.DEMO演示与整体架构分析
2.后端GPT项目部署启动
3.前端助手API与流程图配置
4.接入外部API的方法与流程
5.引入API方法解读
6.指令提示构建

第二十三章 【方向C：LLM方向】COZE智能体搭建实战
23-1节 COZE智能体搭建框架基本使用
1.COZE的基本使用解读与说明


2.工作流中大模型的使用方法.

23-2节 COZE资料搜集与报告整理智能体
1.数据查找配置


2.读取新闻内容并整理报告


3.循环的配置与中间变量的作用


4.循环体注意事项更新

23-3节 COZE与飞书表格集成办公
1.DEMO演示与基本流程分析
2.表格填入模块解读
3.表格的输入与输出
4.查找与匹配的方法
5.全局变量设置方法
6.内容补充
7.智能体测试应用

23-4节 COZE中配置自己的插件
1.插件的基本配置方法
2.输入输出参数配置方法
3.在工作流中配置自己的插件并使用

23-5节 初识COZE打造自己的第一个工作流：新闻搜索与总结
1.工作流要完成的任务与节点定义
2.插件配置方法与参数
3.大模型节点配置方法
4.结束节点配置
5.智能体配置方法

23-6节 新闻稿创作工作流(循环使用方法)
1.循环节点方法解读
2.循环中参数的定义方法
3.续写新闻稿件方法(循环中间变量使用)
4.智能体测试与输出节点
5.批处理的作用与效果

23-7节 历史人物视频素材生成
1.做视频素材业务逻辑分析
2.做剧本节点系统提示词方法
3.完成剧本节点输出
4.画面描述与图像生成节点构建
5.图像违规词限制与运镜节点
6.视频节点构建与错误分析
7.图像生成节点错误调试并保险
8.视频生成节点容易违规的解决方法
9.选修（当作拓展知识）：配置外部视频软件成为插件
10.选修：自定义插件配置方法实例
11.选修：工作流中添加视频插件

23-8节 历史人物自动化剪辑实例
1.时间线定义方法
2.剪映插件介绍
3.时间线和素材绑定方法
4.剪映草稿添加素材方法
5.得到合成后的视频

23-9节 智能客服工作流
1.对话流配置与创建
2.选择器的使用方法
3.数据库与大模型的匹配方法
4.知识库构建与匹配方法
5.汇总输出与测试.

23-10节 数据分析工作流
1.效果演示与数据读取
2.数据清洗与处理
3.结合DeepSeek构建代码节点
4.结合DeepSeek进行数据分析
5.配置插件把分析结果存在excel里
6.数据可视化配置方法与节点调试分析
7.不同可视化图表配置方法
8.输出与展示配置

23-11节 影刀RPA自动化
1.影刀RPA分析
2.影刀安装方法
3.影刀流程配置方法实例
4.执行循环操作
5.完成文案采集的全部功能

23-12节 COZE小红书文案生成智能体
1.提示词与工作流配置
2.插件配置方法与输出

23-13节 COZE发票助手智能体
1.发票助手插件接入
2.数据表创建方法
3.识别工作流配置与测试
4.调用模块工作流配置
5.知识库配置

23-14节 COZE邮件助手智能体
1.自定义插件创建方法与流程.
2.插件输出配置与循环体
3.知识库配置与结果输出

第二十四章 【方向C：LLM方向】多模态与大模型技术
24-1节 对比学习与多模态基础
1.对比学习算法与实例
2小时
2.CLIP系列
2小时
24-2节 Diffusion扩散模型原理
1.扩散模型概述与GAN遇到的问题
2.要完成的任务分析
3.公式原理推导解读
4.分布相关计算操作
5.算法实现细节推导
6.公式推导结果分析
7.细节实现总结
8.论文流程图解读
9.案例流程分析
10.基本建模训练效果

24-3节 DALL-E 2图像生成模型
1.论文基本思想与核心模块分析
2.不同模块对比分析
3.算法核心流程解读
4.各模块实现细节讲解
5.项目整体流程分析
6.源码实现细节分析
7.源码公式对应论文分析
8.Decoder模块实现细节解读
9.源码实现流程总结

24-4节 多模态3D目标检测
1.环境配置与数据集概述
2.数据与标注文件介绍
3.基本流程梳理并进入debug模式
4.数据与图像特征提取模块
5.体素索引位置获取
6.体素特征提取方法解读
7.体素特征计算方法分析
8.全局体素特征提取
9.多模态特征融合
10.3D卷积特征融合
11.输出层预测结果

24-5节 多模态文字识别
1.多模态文字识别
2小时
24-6节 时间序列大模型应用
1.基于图模型的时间序列预测
2小时
24-7节 多模态大模型综合应用
1.多模态大模型
06月28日 20:30-22:30
2.多模态大模型2
07月05日 20:30-22:30
3.多模态大模型3
07月26日 16:00-18:00
24-8节 大模型结构化推理理论
1.大模型结构化推理理论及实战
09月25日 16:05-17:05
2.大模型结构化推理理论及实战-第二课
10月12日 20:30-22:30
24-9节 视觉问答算法与论文解读
1.视觉QA要解决的问题
2.论文概述分析
3.实现流程路线图
4.答案关注区域分析
5.VQA任务总结

24-10节 Llava与YOLO11多模态视觉理解与检测
1.Llava与YOLO11
10月12日 20:30-22:30
24-11节 从LLM到DeepSeek原理解析
1. 从LLM到DeepSeek原理解析
09月20日 20:30-22:30
24-12节 InternVL 2.5 论文解读
1.InternVL 2.5 论文解读
2小时
第二十五章 【方向D：时序与GNN方向】时间序列预测算法与实战
25-1节 RNN网络架构
1.RNN网络架构

25-2节 LSTM网络架构
1.LSTM网络架构

25-3节 Informer算法
1.时间序列预测要完成的任务
2.常用模块分析
3.论文要解决的问题分析
4.Query采样方法解读
5.probAttention计算流程
6.编码器全部计算流程
7.解码器流程分析

25-4节 Informer源码
1.项目使用说明
2.数据集解读
3.模型训练所需参数解读
4.数据集构建与读取方式
5.数据处理相关模块
6.时间相关特征提取方法
7.dataloader构建实例
8.整体架构分析
9.编码器模块实现
10.核心采样计算方法
11.完成注意力机制计算模块
12.平均向量的作用
13.解码器预测输出

25-5节 TimesNet时序预测
1.时序预测故事背景
2.论文核心思想解读
3.时序特征周期拆解
4.计算公式流程拆解
5.全部计算流程解读
6.周期间特征分析
7.源码流程解读
8.傅里叶变换流程
9.整体计算流程

25-6节 基于图模型的时间序列预测
1.基于图模型的时间序列预测
2小时
25-7节 time-llm大模型多模态预测任务
1.time-llm大模型多模态预测任务
04月13日 20:30-22:30
第二十六章 【方向D：时序与GNN方向】图神经网络实战
26-1节 图神经网络基础
1.图神经网络应用领域分析
2.图基本模块定义
3.邻接矩阵的定义
4.GNN中常见任务
5.消息传递计算方法
6.多层GCN的作用

26-2节 图卷积（GCN）模型
1.GCN基本模型概述
2.图卷积的基本计算方法
3.邻接的矩阵的变换
4.GCN变换原理解读

26-3节 PyTorch Geometric配置与实战
1.PyTorch Geometric工具包安装与配置方法
2.数据集与邻接矩阵格式
3.模型定义与训练方法
4.文献引用数据集分类案例实战
5.构建数据集基本方法
6.数据集与任务背景概述
7.数据集基本预处理
8.用户行为图结构创建
9.数据集创建函数介绍
10.网络结构定义模块
11.TopkPooling进行下采样任务
12.获取全局特征
13.模型训练与总结

26-4节 图注意力与序列模型
1.图注意力机制的作用与方法
2.邻接矩阵计算图Attention
3.序列图神经网络TGCN应用
4.序列图神经网络细节

26-5节 图相似度论文分析
1.要完成的任务分析
2.基本方法概述解读
3.图模型提取全局与局部特征
4.NTN模块的作用与效果
5.点之间的对应关系计算
6.结果输出与总结
7.数据集与任务概述
8.图卷积特征提取模块
9.分别计算不同Batch点的分布
10.获得直方图特征结果
11.图的全局特征构建
12.NTN图相似特征提取
13.预测得到相似度结果

26-6节 图模型轨迹估计
1.数据集与标注信息解读
2.整体三大模块分析
3.特征工程的作用与效果
4.传统方法与现在向量空间对比
5.输入细节分析
6.子图模块构建方法
7.特征融合模块分析
8.VectorNet输出层分析
9.数据与环境配置
10.训练数据准备
11.Agent特征提取方法
12.DataLoader构建图结构
13.SubGraph与Attention模型流程

26-7节 异构图神经网络
1.异构图神经网络
2小时
26-8节 KIE关键信息抽取
1.配置文件以及要完成的任务解读
2.KIE数据集格式调整方法
3.配置文件与标签要进行处理操作
4.边框要计算的特征分析
5.标签数据处理与关系特征提取
6.特征合并处理
7.准备拼接边与点特征
8.整合得到图模型输入特征

第二十七章 【方向E：强化学习】强化学习基础算法与实战
27-1节 强化学习简介及其应用
1.一张图通俗解释强化学习
2.强化学习的指导依据
3.强化学习AI游戏DEMO
4.应用领域简介
5.强化学习工作流程
6.计算机眼中的状态与行为

27-2节 PPO算法与公式推导
1.基本情况介绍
2.与环境交互得到所需数据
3.要完成的目标分析
4.策略梯度推导
5.baseline方法
6.OnPolicy与OffPolicy策略
7.importance sampling的作用
8.PPO算法整体思路解析

27-3节 PPO实战-月球登陆器训练实例
1.Critic的作用与效果
2.PPO2版本公式解读
3.参数与网络结构定义
4.得到动作结果
5.奖励获得与计算
6.参数迭代与更新

27-4节 Q-learning与DQN算法
1.整体任务流程演示
2.探索与action获取
3.计算target值
4.训练与更新
5.算法原理通俗解读
6.目标函数与公式解析
7.Qlearning算法实例解读
8.Q值迭代求解
9.DQN简介

27-5节 DQN改进与应用技巧
1.DoubleDqn要解决的问题
2.DuelingDqn改进方法
3.Dueling整体网络架构分析
4.MultiSetp策略
5.连续动作处理方法

27-6节 Actor-Critic算法分析（A3C）
1.AC算法回顾与知识点总结
2.优势函数解读与分析
3.计算流程实例
4.A3C整体架构分析
5.损失函数整理

27-7节 用A3C玩转超级马里奥
1.整体流程与环境配置
2.启动游戏环境
3.要计算的指标回顾
4.初始化局部模型并加载参数
5.与环境交互得到训练数据
6.训练网络模型

27-8节 强化学习-拓展
1.强化学习的基础原理与应用等
10月26日 20:30-22:30
第二十八章 【方向E：强化学习】人形机器人高级学习与控制方法
28-1节 基于分层强化学习的机器人路径规划方法
1.基于分层强化学习的机器人路径规划方法
02月15日 20:30-22:30
28-2节 融合大语言模型的人形机器人强化学习训练范式
1.融合大语言模型的人形机器人强化学习训练范式
03月22日 20:30-22:30
28-3节 融合具身智能的机器人学习范式
1.融合具身智能的机器人学习范式
03月29日 20:30-22:30
28-4节 人形机器人模仿学习范式
1.人形机器人模仿学习范式
06月07日 20:30-22:30
28-5节 人形机器人模仿学习复现与实操
1.人形机器人模仿学习复现与实操
06月14日 20:30-22:30
第二十九章 【方向F：智能应用】知识图谱技术与构建
29-1节 知识图谱分析与应用
1.知识图谱通俗解读
2.知识图谱在搜索引擎中的应用
3.知识图谱在医疗领域应用实例
4.金融与推荐领域的应用
5.数据获取分析
6.数据关系抽取分析
7.常用NLP技术点分析
8.graph-embedding的作用与效果
9.金融领域图编码实例
10.视觉领域图编码实例
11.图谱知识融合与总结分析

29-2节 Neo4j图数据库实战
1.Neo4j图数据库介绍
2.Neo4j数据库安装流程演示
3.可视化例子演示
4.创建与删除操作演示
5.数据库更改查询操作演示
6.使用Py2neo建立连接
7.提取所需的指标信息
8.在图中创建实体
9.根据给定实体创建关系

29-3节 基于知识图谱的医药问答系统实战
1.项目概述与整体架构分析
2.医疗数据介绍及其各字段含义
3.任务流程概述
4.环境配置与所需工具包安装
5.提取数据中的关键字段信息
6.创建关系边
7.打造医疗知识图谱模型
8.加载所有实体数据
9.实体关键词字典制作
10.完成对话系统构建

29-4节 文本关系抽取实践
1.关系抽取要完成的任务演示与分析
2.LTP工具包概述介绍
3.pyltp安装与流程演示
4.得到分词与词性标注结果
5.依存句法概述
6.句法分析结果整理
7.语义角色构建与分析
8.设计规则完成关系抽取

29-5节 金融平台风控模型实践
1.竞赛任务目标
2.图模型信息提取
3.节点权重特征提取(PageRank)
4.deepwalk构建图顶点特征
5.各项统计特征
6.app安装特征
7.图中联系人特征

29-6节 医学糖尿病数据命名实体识别
1.数据与任务介绍
2.整体模型架构
3.数据-标签-语料库处理
4.输入样本填充补齐
5.训练网络模型
6.医疗数据集（糖尿病）实体识别

第三十章 【方向F：智能应用】语音识别
30-1节 seq2seq序列网络模型
1.序列网络模型概述分析
2.工作原理概述
3.注意力机制的作用
4.加入attention的序列模型整体架构
5.TeacherForcing的作用与训练策略
6.额外补充-RNN网络模型解读

30-2节 LAS模型语音识别实战
1.数据源与环境配置
2.语料表制作方法
3.制作json标注数据
4.声音数据处理模块解读
5.Pack与Pad操作解析
6.编码器模块整体流程
7.加入注意力机制
8.计算得到每个输出的attention得分
9.解码器与训练过程演示

30-3节 starganvc2变声器论文原理解读
1.论文整体思路与架构解读
2.VCC2016输入数据
3.语音特征提取
4.生成器模型架构分析
5.InstanceNorm的作用解读
6.AdaIn的目的与效果
7.判别器模块分析

30-4节 staeganvc2变声器源码实战
1.数据与项目文件解读
2.环境配置与工具包安装
3.数据预处理与声音特征提取
4.生成器构造模块解读
5.下采样与上采样操作
6.starganvc2版本标签输入分析
7.生成器前向传播维度变化
8.判别器模块解读
9.论文损失函数
10.源码损失计算流程
11.测试模块-生成转换语音

30-5节 语音分离ConvTasnet模型
1.语音分离任务分析
2.经典语音分离模型概述
3.DeepClustering论文解读
4.TasNet编码器结构分析
5.DW卷积的作用与效果
6.基于Mask得到分离结果

30-6节 ConvTasnet语音分离实战
1.数据准备与环境配置
2.训练任务所需参数介绍
3.DataLoader定义
4.采样数据特征编码
5.编码器特征提取
6.构建更大的感受区域
7.解码得到分离后的语音
8.测试模块所需参数

30-7节 语音合成tacotron最新版实战
1.语音合成项目所需环境配置
2.所需数据集介绍
3.路径配置与整体流程解读
4.Dataloader构建数据与标签
5.编码层要完成的任务
6.得到编码特征向量
7.解码器输入准备
8.解码器流程梳理
9.注意力机制应用方法
10.得到加权的编码向量
11.模型输出结果
12.损失函数与预测

第三十一章 【方向F：智能应用】现代推荐系统与实战
31-1节 协同过滤与矩阵分解
1.1-协同过滤与矩阵分解简介
2.2-基于用户与商品的协同过滤
3.3-相似度计算与推荐实例
4.4-矩阵分解的目的与效果
5.5-矩阵分解中的隐向量
6.6-目标函数简介
7.7-隐式情况分析
8.8-Embedding的作用

31-2节 推荐系统介绍及其应用
1.1-推荐系统通俗解读
2.2-推荐系统发展简介
3.3-应用领域与多方位评估指标
4.4-任务流程与挑战概述
5.5-常用技术点分析
6.6-与深度学习的结合

31-3节 音乐推荐系统实战
1.1-音乐推荐任务概述
2.2-数据集整合
3.3-基于物品的协同过滤
4.4-物品相似度计算与推荐
5.5-SVD矩阵分解
6.6-基于矩阵分解的音乐推荐

31-4节 知识图谱与Neo4j数据库实例
1.1-知识图谱通俗解读
2.2-知识图谱在搜索引擎中的应用
3.3-知识图谱在医疗领域应用实例
4.4-金融与推荐领域的应用
5.5-数据获取分析
6.1-Neo4j图数据库介绍
7.2-Neo4j数据库安装流程演示
8.3-可视化例子演示
9.4-创建与删除操作演示
10.5-数据库更改查询操作演示

31-5节 基于知识图谱的电影推荐实战
1.1-知识图谱推荐系统效果演示
2.2-kaggle电影数据集下载与配置
3.3-图谱需求与任务流程解读
4.4-项目所需环境配置安装
5.5-构建用户电影知识图谱
6.6-图谱查询与匹配操作
7.7-相似度计算与推荐引擎构建

31-6节 DeepFM算法解析与实战
1.1-CTR估计及其经典方法概述
2.2-高维特征带来的问题
3.3-二项式特征的作用与挑战
4.4-二阶公式推导与化简
5.5-FM算法解析
6.6-DeepFm整体架构解读
7.7-输入层所需数据样例
8.8-Embedding层的作用与总结
9.1-数据集介绍与环境配置
10.2-广告点击数据预处理实例
11.3-数据处理模块Embedding层
12.4-Index与Value数据制作
13.5-一阶权重参数设计
14.6-二阶特征构建方法
15.7-特征组合方法实例分析
16.8-完成FM模块计算
17.9-DNN模块与训练过程

31-7节 推荐系统常用工具包演示
1.1-环境配置与数据集介绍
2.2-电影数据集预处理分析
3.3-surprise工具包基本使用
4.4-模型测试集结果
5.5-评估指标概述

31-8节 基于文本数据的推荐实例
1.1-数据与环境配置介绍
2.2-数据科学相关数据介绍
3.3-文本数据预处理
4.4-TFIDF构建特征矩阵
5.5-矩阵分解演示
6.6-LDA主题模型效果演示
7.7-推荐结果分析

31-9节 基本统计分析的电影推荐
1.1-电影数据与环境配置
2.2-数据与关键词信息展示
3.3-关键词云与直方图展示
4.4-特征可视化
5.5-数据清洗概述
6.6-缺失值填充方法
7.7-推荐引擎构造
8.8-数据特征构造
9.9-得出推荐结果

31-10节 基于相似度的酒店推荐系统
1.1-酒店数据与任务介绍
2.2-文本词频统计
3.3-ngram结果可视化展示
4.4-文本清洗
5.5-相似度计算
6.6-得出推荐结果

第三十二章 【进阶模块】深度学习模型部署与实战
32-1节 PyTorch Flask部署示例
1.基本结构与训练好的模型加载
2.服务端处理与预测函数
3.基于Flask测试模型预测结果

32-2节 PyTorch Docker部署示例
1.docker简介
2.docker安装与配置
3.阿里云镜像配置
4.基于docker配置pytorch环境
5.安装演示环境所需依赖
6.复制所需配置到容器中
7.上传与下载配置好的项目

32-3节 使用Docker实现TensorFlow-Serving部署实战
1.tf-serving项目获取与配置
2.加载并启动模型服务
3.测试模型部署效果
4.fashion数据集获取
5.加载fashion模型启动服务

32-4节 AIoT与Jetson Nano
1. jetson nano 硬件介绍
2.jetson nano 刷机
3. jetson nano 系统安装过程
4.感受nano的GPU算力
5.安装使用摄像头csi usb

32-5节 AIoT实战应用
1. jetson-inference 入门
2.docker 的安装使用
3.docker中运行分类模型
4.训练自己的目标检测模型准备
5. 训练出自己目标识别模型a
6.训练出自己目标识别模型b
7.转换出onnx模型，并使用

32-6节 NVIDIA TAO训练工具
1.NVIDIA TAO介绍和安装
2.NVIDIA TAO数据准备和环境设置
3.NVIDIA TAO数据转换
4.NVIDIA TAO预训练模型和训练a
5.NVIDIA TAO预训练模型和训练b
6.NVIDIA TAO预训练模型和训练c.
7.TAO 剪枝在训练推理验证

32-7节 DeepStream应用
1.deepstream 介绍安装
2.deepstream HelloWorld
3.GStreamer RTP和RTSP1
4.GStreamer RTP和RTSP2
5.python实现RTP和RTSP
6.deepstream推理
7.deepstream集成yolov4

第三十三章 【进阶模块】深度学习模型优化与创新
33-1节 通用创新点
1.ACMIX（卷积与注意力融合）
2.GCnet(全局特征融合)
3.Coordinate_attention
4.SPD（可替换下采样）
5.SPP改进
6.mobileOne(加速)
7.Deformable(替换selfAttention)
8.ProbAttention(采样策略)
9.CrossAttention融合特征
10.Attention额外加入先验知识
11.结合GNN构建局部特征
12.损失函数约束项
13.自适应可学习参数
14.Coarse2Fine大框架
15.只能机器学习模型时凑工作量（特征工程）
16.自己数据集如何发的好(要开源)
17.可变形卷积加入方法
18.在源码中加入各种注意力机制方法

33-2节 模型剪枝-Network Slimming算法分析
1.论文算法核心框架概述
2.BatchNorm要解决的问题
3.BN的本质作用
4.额外的训练参数解读
5.稀疏化原理与效果

33-3节 模型剪枝-Network Slimming实战解读
1.整体案例流程解读
2.加入L1正则化来进行更新
3.剪枝模块介绍
4.筛选需要的特征图
5.剪枝后模型参数赋值
6.微调完成剪枝模型

33-4节 Mobilenet三代网络模型架构
1.模型剪枝分析
2.常见剪枝方法介绍
3.mobilenet简介
4.经典卷积计算量与参数量分析
5.深度可分离卷积的作用与效果
6.参数与计算量的比较
7.V1版本效果分析
8.V2版本改进以及Relu激活函数的问题
9.倒残差结构的作用
10.V2整体架构与效果分析
11.V3版本网络架构分析
12.SE模块作用与效果解读
13.代码实现mobilenetV3网络架构
33-5节 知识蒸馏
1.知识蒸馏与简历相关
33-6节 拓展-模型部署与优化
1.模型部署

第三十四章 【进阶模块】科研与职业发展
34-1节 论文写作与科研方法论
1.从0-1：论文写作
2.论文要完成的核心架构分析
3.网络模型基本组件分析
4.流程概述分析
5.实验结果分析
6.源码实现细节解读
7.源码结果总结
34-2节 Deepseek辅助科研技能学习和科研探索
1.Deepseek辅助科研技能学习和科研探索--
34-3节 AI时代职业规划
1.AI浪潮之下的职业新机遇：如何武装自己，拿下未来岗位？
2小时
34-4节 就业简历指导
1.就业简历

游客,本付费内容需要支付 20Z币 才能浏览支付

七岁大胖猫

为啥方向C缺了呀

sxmg

正需要，支持楼主大人了！

fozi

啥也不说了，感谢楼主分享哇！

七岁大胖猫

啥也不说了，感谢楼主分享哇！

七岁大胖猫

网站Z币付不了了

zhu7727926

啥也不说了，感谢楼主分享哇！

zhu7727926

点击支付支付不了哦

dudu

感谢分享，学习一下。

dudu

感谢分享，学习一下。