AI大模型算法&应用路线图
2025-10-21 22:49:39 0 举报AI智能生成
AI大模型算法&应用路线图
作者其他创作
大纲/内容
第一阶段：Python --人工智能语言基础
1、Python入门
Python发展史
Python应用场景
Python开发环境搭建
2、PyCharm
PyCharm的安装、设置字体、设置快捷键
PyCharm常用设置、调试
3、Python基础知识
注释、变量以及数据类型
标识符和关键字
输入函数、输出函数
运算符
程序类型转换
4、分支和循环
if判断语句
if-else语句
while循环
for循环
break、continue
5、字符串和列表
字符串输入、字符串输出、下标和切片、字符串常见函数
列表(list)、列表的循环遍历、列表的增删改查、列表的嵌套、列表的切片
6、字典和元组
字典的增删改查、字典遍历
访问元组、修改元组、集合（set）
7、函数
函数定义、函数的类型、函数参数、函数返回值
函数嵌套
局部变量、全局变量
递归函数
匿名函数
8、文件操作
文件的打开与关闭
文件的读写
文件读写应用
9、面向对象（类和对象）
定义类
类的构成
类的__init__()方法
创建对象
理解self
10、面向对象（封装、继承、多态）
封装
私有方法、私有属性
__del__()方法
继承、多继承
多态
类属性、实例属性
静态方法和类方法
11、面向对象（设计模式）
单例模式
工厂模式
__new__方法
12、综合案例：愤怒的小鸟
13、异常
捕获异常
异常的传递
14、模块
模块中的__all__
模块制作
打包模块
模块安装与使用
15、深拷贝、浅拷贝、私有化
深拷贝案例
浅拷贝案例
进制
位运算
作用域
私有化
属性property
16、生成器、迭代器、闭包、装饰器、元类、垃圾回收、内建函数
17、网络编程
进程池
进程间通信
多线程
进程和线程区别
网络通信
端口
IP地址
socket
UDP、TCP、http
18、网络编程综合案例：企业级web框架starlette介绍及使用
19、正则表达：表示字符、表示数量、原始字符串、表示边界、匹配分组
20、综合案例：客户信息管理系统综合案例
第二阶段：数据结构与算法-- 人工智能的灵魂
什么是数据结构、数据结构分类、什么是算法、算法的分类、时间复杂度、空间复杂度
常用数据结构：数组、链表、栈、队列、哈希表、树、图
常用算法：查找算法、排序算法、分治算法、动态规划算法、回溯算法、贪心算法
力扣刷题
第三阶段：数据分析-- 这是数据驱动的时代
Linux基础&Shell
Linux环境准备：VM 安装、Linux 安装、VI 编辑器、软件包安装
Linux 常用命令：vim、cd、mkdir、chmod、chown、grep、echo、tail、more、touch、sudo、history、yum、systemctl、ln、ifconfig、hostname、ping、netstat、ps等
Shell：变量、运算符、条件判断、流程控制、系统函数&自定义函数、常用工具命令、常用正则表达式
MySQL
MySQL安装和使用、SQL语句、数据库操作、表操作、SQL约束、多表操作、开窗函数、案例
远程连接MySQL、Redis、Hive数据库
Numpy
Anaconda下载、安装、Ubuntu安装Anaconda、conda常用命令
Jupyter本地安装、PyCharm中集成Jupyter、使用远程JupyterServer、Jupyter快捷键
Numpy的属性、创建方式、数据类型、切片和索引、基本函数、统计函数、比较函数、排序函数、基本运算、去重函数、矩阵乘法
Pandas
Pandas数据结构-Series：创建、常用属性、常用方法、布尔索引、运算
Pandas数据结构-DataFrame：创建、常用属性、常用方法、布尔索引、运算、更改操作、数据的导入导出
Pandas日期数据处理：to_datetime()、Series.dt、to_period()
DataFrame：加载数据集、查看部分数据、分组聚合计算、基本绘图、常用统计值、常用排序算法；案例实操：员工薪资统计分析
Padas数据组合函数：concat连接、merge合并
Padas的缺失值处理函数：查看缺失值、剔除缺失值、填充缺失值
Padas的apply函数：Series使用apply()、DataFrame使用apply()、向量化函数
Padas的数据聚合、转换、过滤函数；Pandas透视表、案例实操：睡眠质量分析透视表；
Pandas时间序列：Pandas中的日期与时间、使用时间作为索引、生成时间序列
Matplotlib可视化、Pandas可视化、Seaborn可视化
综合案例：房地产市场洞察与价值评估
第四阶段：机器学习-- 智能时代的核心引擎
数学基础
高等数学：基本函数的导数、导数的求导法则、利用导数求极值、二阶导数、偏导数、梯度
线性代数：标量与向量、向量运算、向量范数、矩阵与张量、矩阵乘法、矩阵转置、矩阵的逆
概率论：均匀分布、伯努利分布、二项分布、正态分布、贝叶斯定理、极大似然估计
机器学习概述
机器学习概述：发展历程、应用领域、基本术语、算法分类、建模流程、特征工程
监督学习
KNN：算法思想、分类流程和实现、回归流程和实现、常见距离（欧氏、曼哈顿、切比雪夫、闵可夫斯基距离）度量方法、特征预处理归一化和标准化、API
KNN 案例和参数调优
线性回归：概念和分类、损失函数和求解方法（正规方程法、梯度下降算法）、模型评估（MAE/MSE/RMSE）、API
线性回归案例和正则化
逻辑回归：数学基础、原理、损失函数、混淆矩阵、精确率/召回率/F1-score分类评估、AUC指标、ROC曲线、API
逻辑回归案例
感知机：基本概念、激活函数、具体实现；逻辑电路和感知机的局限
其它监督学习算法：朴素贝叶斯、决策树、SVM、AdaBoost等简介
无监督学习
无监督学习：聚类算法简介、API使用、Kmeans原理、模型评估；SVD、LDA、PCA简介
特征选择和特征降维：基本概念介绍；低方差过滤法、相关过滤法、主成分分析（PCA）法
第五阶段：深度学习-- 让AI像人类一样思考
深度学习简介和Pytorch
什么是深度学习、深度学习应用场景、深度学习优缺点
Pytorch的安装、张量创建方法、张量的类型转换、张量的数值计算、张量运算函数、张量索引操作、张量形状操作、张量拼接操作、自动微分模块
案例：实现线性回归
神经网络
神经网络基础：多层感知机、激活函数、初始化方式、神经网络搭建
神经网络的学习：数据驱动、损失函数、梯度下降法、学习算法的实现
反向传播算法（核心算法）：计算图、链式法则、算法原理、算法实现
学习方法的优化：参数更新、权重初始值、正则化、学习率衰减、梯度消失和梯度爆炸
神经网络案例：房价预测
卷积神经网络
CNN：图像基础、卷积层计算、池化层作用及分类、全连接层、API
CNN案例：服装分类
循环神经网络
RNN：词嵌入层作用及API、循环网络层原理及API
RNN案例：古诗生成
项目一：智图寻宝
1. 掌握卷积神经网络（CNN）进行图片特征提取。
2. 运用迁移学习。
3. 熟悉特征向量检索及相似度计算方法。
4. 能够进行大规模数据处理，如使用索引技术。
5. 熟练使用 PyTorch 框架构建、训练和优化模型。
6. 运用 Torchvision 处理图像相关任务。
7. 进行数据预处理与增强提升模型鲁棒性。
8. 结合工具进行大规模特征向量高效检索。
第六阶段：NLP自然语言处理-- 人工智能皇冠上的明珠
NLP核心
NLP技术演进：规则系统阶段、统计方法阶段、机器学习阶段、深度学习阶段
NLP英文分词：顶级分词、字符级分词、子词级分词
NLP中文分词：字符级分词、词级分词、子词级分词、 jieba分词器工具
词表示：One-hot编码、语义化词向量、 Word2Vec原理、Word2Vec案例实操
RNN：基础结构、多层结构、双向结构、多层+双向结构、API使用；案例实操：智能输入法；RNN存在问题；
LSTM：基础结构、多层结构、双向结构、多层+双向结构、API使用；案例实操：AI智评1.0；LSTM存在问题；
GRU：基础结构、多层结构、双向结构、多层+双向结构、API使用；案例实操：AI智评2.0；GRU存在问题；
Seq2Seq模型：编码器、解码器、模型训练、模型推理；案例实操：中英翻译1.0；Seq2Seq存在问题
Attention工作原理：相关性计算、注意力权重计算、上下文向量计算、解码信息融合
Attention注意力评分函数：点积评分、通用点积评分、拼接评分；案例实操：中英翻译2.0；Attention存在问题
Transformer模型结构详解：核心思想、整体结构、编码器、解码器
Transformer模型：模型训练、模型推理、API使用；案例实操：中英翻译3.0
预训练模型GPT：模型结构、预训练方式、微调方式
预训练模型BERT：模型结构、预训练方式、微调方式
预训练模型案例实操：AI智评3.0
项目二：智能发布
1. 熟悉 Transformer、BERT 等深度学习技术。
2. 掌握数据收集、清洗、标注及预处理方法。
3. 能使用 PyTorch 框架搭建、训练和微调模型。
4. 了解在线推理服务部署及批量数据处理。
5. 使用TensorBoard 可视化工具展示训练过程
6. 具备持续迭代和优化模型的能力。
项目三：项目实战之智选新闻
1. 掌握 Transformer 模型与 BERT 预训练模型应用。
2. 运用 PyTorch 框架构建、训练及部署模型。
3. 进行新闻数据收集、清洗、分词与编码。
4. 实现新闻分类、新闻摘要的模型微调。
5. 运用相应评估指标评估各任务模型性能。
6. 利用TensorBoard可视化模型训练及性能情况。
7. 封装模型为 API 服务并优化推理速度。
8. 展示分类新闻和新闻摘要内容。
项目四：智荐图谱
1. 掌握深度学习框架 PyTorch。
2. 熟悉 UIE模型。
3. 运用自然语言处理技术进行分词、命名实体识别等。
4. 了解多种数据库存储知识图谱及结构化数据。
5. 使用Neo4j存储图数据
6. 掌握协同过滤算法和深度学习推荐模型。
7. 能够进行数据采集、清洗和特征工程。
8. 构建知识图谱的实体识别、关系抽取和三元组生成。
9. 实现模型部署和提供推理服务。
项目五：项目实战之智医助手
1. 掌握 Transformer 和 BERT 等自然语言处理技术。
2. 运用 PyTorch 框架构建、训练及部署模型。
3. 进行医疗对话数据收集、清洗、标注与文本处理。
4. 实现意图识别、实体抽取、对话生成的模型微调。
5. 开发 API 接口并集成前后端应用。
6. 利用 TensorBoard 进行数据可视化与分析。
7. 构建医疗知识图谱与常见问题答疑库。
8. 确保数据安全与隐私保护。
9. 按阶段推进项目实施与持续维护更新。
项目六：项目实战之AI智教
1. 掌握 Transformer 和 BERT 模型应用。
2. 运用 PyTorch 框架构建、训练及部署模型。
3. 利用 Pandas、NumPy 进行数据处理与分析。
4. 进行多源学习数据收集、清洗、特征工程与编码。
5. 实现学习情况预测、情感分析等模型训练及优化。
6. 部署模型并提供稳定 API 接口与实时分析反馈。
7. 运用 TensorBoard 等工具生成可视化报告。
8. 遵循数据隐私法规处理敏感信息。
9. 按阶段推进项目实施及功能迭代。
第七阶段：大模型&多模态-- 国产大模型落地标配
大模型微调核心
GPT 系列模型核心原理讲解
LLaMA 系列模型核心原理详解
Qwen 系列模型核心原理讲解
大模型微调概述、核心要素、数据收集
大模型微调数据集处理、alpaca指令跟随格式、shareGPT多轮对话格式
大模型微调技术PEFT概述、promp-tuning介绍、p-tuning介绍、zero-shot、few-shot
大模型量化算法、LoRA微调、QLoRA微调
大模型全参数微调技术详解、DeepSpeed分布式训练
大模型训练环境搭建、微调代码详解、微调参数详解
大模型合并、打包，vllm高性能部署
大模型评估方法与评估指标分析
项目七：文本摘要
1、数据增强：结合合成数据生成与主动学习，用GPT生成大量带噪样本，提升模型对长文本、低资源语言的鲁棒性。
2、长文本优化：采用滑动窗口分块策略，结合Key-Value Memory缓存机制，实现超长文本网页摘要
3、生成控制：注入Prompt模板（如“重点总结优缺点”）与温度参数调节，精准控制摘要长度（50-200字）与信息密度
4、模型微调：使用LoRA微调，适配专业术语
5、实时推理：基于vLLM引擎部署，支持高并发，端到端低延迟
项目八：RAG项目
1. 环境搭建：配置多GPU服务器及安装必要的软件和驱动。
2. 数据处理：收集并清洗大规模语料，设计多样化的指令模板。
3. 检索模块：实现高效文本检索算法，设计上下文感知的检索策略
4. 模型微调：开发支持多模型和框架的微调代码，采用LoRA或全参数微调Qwen2.5。
5. RAG集成：将检索模块与生成模块集成，实现端到端的问答系统。
6. 性能评估：建立包含自动和人工评价的全面评估体系。
7. 部署与接口：将模型封装为服务，并设计安全的RESTful API接口。
8. 前端开发：使用主流前端框架构建用户交互界面，实现对话和配置功能。
项目九：智服在线
1. 环境搭建：配置多GPU服务器及安装必要的软件和驱动。
2. 数据处理：收集并清洗大规模语料，设计多样化的指令模板。
3. 模型微调：开发支持多模型和框架的微调代码，采用LoRA或全参数微调Qwen2.5。
4. 性能评估：建立包含自动和人工评价的全面评估体系。
5. 部署与接口：将模型封装为服务，并设计安全的RESTful API接口。
6. 前端开发：使用主流前端框架构建用户交互界面，实现对话和配置功能。
项目十：项目实战之保险反诈（三选一
1. 掌握大模型训练技术
2. 运用 PyTorch 框架构建和训练模型。
3. 进行数据采集、清洗和预处理。
4. 实施特征工程与降维。
5. 实现模型融合提升预测性能。
6. 部署模型为微服务提供 API。
7. 利用 Matplotlib 进行数据可视化。
8. 构建告警系统处理高风险请求。
项目十：项目实战之AI学情（三选一）
1. 掌握大模型训练技术
2. 运用 PyTorch 框架构建和训练模型。
3. 进行数据收集、清洗、预处理和特征工程。
4. 实现模型融合与优化。
5. 部署模型提供 API 接口进行实时预测。
6. 利用 TensorBoard 进行数据可视化展示。
7. 生成学习情况报告和个性化学习建议。
项目十：项目实战之智荐广告（三选一）
1. 掌握大模型训练技术
2. 运用 PyTorch 框架构建和训练模型。
3. 进行数据收集、清洗、预处理及特征工程。
4. 实现模型融合与优化。
5. 部署模型提供实时预测服务。
6. 利用 TensorBoard 进行数据可视化。
7. 展示个性化广告并生成报告。
多模态核心原理
多模态技术概述
Vit模型核心原理详解
CLIP模型核心原理详解
ALBEF模型核心原理详解
BLIP/BLIP-2模型核心原理详解
LLaVA模型核心原理详解
Qwen-VL模型核心原理详解
项目十一：多模图题
1. 掌握 Transformer 模型处理文本数据的应用。
2. 运用 Stable Diffusion 第三方 API 处理图像数据。
3. 利用 PyTorch 构建和训练模型。
4. 进行文本和图像数据的收集、清洗及预处理。
5. 实现文本与图像特征的提取及多模态融合。
6. 部署模型并提供 API 接口用于实时监控。
7. 运用 TensorBoard 进行数据可视化。
第八阶段：强化学习-- AI 决策优化的智慧钥匙
强化学习
强化学习基础理论：老虎机问题、马尔可夫决策过程、贝尔曼方程、动态规划法、蒙特卡罗方法、TD方法
深度强化学习：神经网络和Q学习、DQN、策略梯度法
基于强化学习微调大模型：A2C算法、PPO（近端策略优化）、RLHF（基于人类反馈的强化学习）
DeepSeek
DeepSeek理论：MLA、MoE、MTP、GRPO、奖励模型、CoT、模型蒸馏、训练过程
DeepSeek企业应用：本地部署、多卡联合部署、vLLM多卡推理、微调案例
思维链：如何从零复刻一个deepseek-r1模型
第九阶段：大模型应用 —— 智能时代的场景重构引擎
提示词工程
1、Prompt 在大模型应用中的重要性
2、Prompt设计的基本原则
3、指令模型 vs 推理模型的prompt的不同设计
4、复杂任务的多步骤Prompt设计
5、案例：爆款文案生成、简历指导、模拟面试
Agent 智能体与MCP
1、智能体的发展阶段、智能体的核心要素
2、个人知识库搭建
3、低阶智能体与高阶智能体的搭建（案例：个人生活助理、智能秘书等）
4、DeepResearch的应用 与 Manus的使用
5、MCP的C/S架构、Cursor中使用MCP、手动开发MCP、常用的十大MCP servers
项目十二：基于Coze构建智能Agent
案例1：复刻爆款视频
案例2：一键生成行业调研PPT
案例3：根据官方模版复刻应用
项目十三：Dify+Ollama +LLMs智能应用开发实战
1、云平台部署Docker、部署Dify、部署模型管理平台Ollama、Xinference
2、Dify部署企业级LLM、嵌入模型、重排序模型
3、Dify构建企业级Agent、RAG、Workflow
4、案例：智能对话机器人、智能面试官、智能旅游系统、智能客服
LangChain框架
1、LangChain框架概述、LangChain的安装与调用
2、Model I/O：Message、Prompt Template、Output Parsers、FunctionCaling
3、Chains：Chains的设计理念、SequentialChain、RouterChain
4、Memory：Memory模块的设计理念、如何自定义Memory模块、内置的Memory模块
5、Agents：基于LangChain的Agent抽象、自定义基于ReAct范式的Agents、使用LangChain定义的ReAct策略
6、Retrieval：Source 与 data loaders、Text Splitters、Text embedding models、vector store
项目十四：LangChain+LLM+Chroma+Gradio构建文档问答助手
1、项目介绍与核心流程
2、加载文档、切分文档、生成文本向量、向量数据库存储、问答链构建
项目十五：LangChain+DeepSeek构建对话机器人
1、项目介绍与核心流程
2、基础对话开发、记忆功能、工具调用、部署应用、性能调优
第十阶段：就业冲刺--大牛引路，冲击大厂，把握超级风口
就业面试题讲解
1、串讲所学的所有技术点。
2、串讲所有学过的项目。
3、对所有串讲的过的面试题和项目进行考试。
就业简历指导
1、简历指导、职业规划。
2、简历书写（Word、网上）
3、模拟面试。
0 条评论
下一页
