课程试听
阶段一 大模型语言基础
展开第一章 大模型开发入门
1-1 项目引入和需求分析
- 01.今日内容大纲介绍 免费试学
- 02.常见的聊天机器人简介 免费试学
1-2 聊天机器人搭建方式
- 01.聊天机器人项目需求分析 免费试学
- 02.聊天机器人搭建方式_无代码平台 免费试学
- 03.聊天机器人搭建方式_开源框架及大语言模型版 免费试学
- 04.聊天机器人项目架构_设计(大语言模型版) 免费试学
1-3 大模型介绍和核心运行机制
- 05.大模型分类和应用场景 免费试学
- 06.热门大模型初体验 免费试学
- 07.大模型核心运行机制 免费试学
1-4 虚拟化环境和Linux安装
- 08.虚拟化软件介绍
- 09.Vmware软件的下载,安装,卸载(掌握)
- 10.如何安装Linux虚拟机
1-5 虚拟机配置和连接
- 11.挂载我给大家发的虚拟机(掌握)
- 12.Vmware的三种网络模式介绍
- 13.FinalShell连接Linux虚拟机(掌握)
1-6 Linux基础介绍和命令
- 14.Linux简介
- 15.Linux的目录结构介绍
- 16.Linux基础命令_ls_pwd
- 17.Linux基础命令_cd相关
1-7 Linux命令基础
- 01.Linux基础命令_mkdir_touch_rm(掌握)
- 02.如何查看文件内容_cat_more(掌握)
- 03.Linux权限介绍
1-8 Linux命令深入
- 04.Linux权限操作命令_chmod(掌握)
- 05.Linux基础命令_压缩(掌握)
- 06.Linux的基础命令_free_df(掌握)
- 07.Linux的基础命令_cp_mv(掌握)
- 08.Linux基础命令_vim(重点掌握)
1-9 Ollama平台搭建
- 01.私有大模型简介
- 02.Windows, Mac搭建Ollama平台(掌握)
- 03.Linux系统搭建Ollama平台
- 04.如何修改Ollama存储模型的路径
1-10 Ollama对话指令
- 05.Ollama对话指令_bye_show
- 06.Ollama对话指令_set_clear
- 07.Ollama对话指令_save_load
1-11 Ollama客户端和API
- 08.Ollama客户端命令详解(掌握)
- 09.Http相关知识(了解)
- 10.Ollama API_聊天接口测试(掌握)
1-12 ApiFox接口测试
- 01.ApiFox_聊天对话接口_文本形式(掌握)
- 02.ChatBox集成Ollama搭建本地聊天机器人
1-13 Python环境搭建
- 01.计算机简介 免费试学
- 02.Python简介及Anaconda环境搭建 免费试学
- 03.Anaconda环境搭建 免费试学
- 04.PyCharm连接Anaconda环境搭建 免费试学
1-14 Python基础语法入门
- 05.Python基础语法_注释 免费试学
- 06.变量入门 免费试学
1-15 Python数据类型和输入输出
- 07.常用的数据类型介绍 免费试学
- 08.Python基础语法_百分号形式输出 免费试学
- 09.Python基础语法_格式化输出 免费试学
- 10.Python基础语法_转义符输出 免费试学
- 11.Python基础语法_输入 免费试学
1-16 Python运算符和案例
- 12.Python基础语法_类型转换
- 13.Python基础语法_算术运算符
- 14.Python基础语法_赋值运算符
- 15.Python基础语法_比较运算符
- 16.Python基础语法_逻辑运算符
1-17 if语句和案例
- 01.if语句_单分支
- 02.if语句_双分支
- 03.if语句_多分支
- 04.if案例_石头剪刀布(掌握)
1-18 while循环基础
- 05.循环简介
- 06.while循环_入门
- 07.while循环_求和思想
1-19 循环控制语句
- 08.break和continue_入门
- 09.break和continue_案例
1-20 for循环
- 10.for循环_入门
- 11.for循环_案例(猜数字游戏)
- 12.循环_结合else语法使用
1-21 字符串入门
- 13.字符串的定义
- 14.字符串_切片
1-22 字符串操作
- 15.字符串_查找类相关函数
- 16.字符串_修改类相关
第二章 大模型语言基础
2-1 列表基础
- 01.列表入门 免费试学
- 02.列表常见操作_查 免费试学
- 03.列表常见操作_增 免费试学
- 04.列表常见操作_改 免费试学
2-2 列表遍历
- 05.列表常见操作_删 免费试学
- 06.列表常见操作_遍历 免费试学
- 07.列表嵌套_遍历 免费试学
- 08.列表案例_找相邻元素最大值 免费试学
2-3 元组类型
- 09.元组入门 免费试学
- 10.元组案例_获取元组的唯一元素 免费试学
2-4 字典和集合类型
- 11.字典_入门
- 12.字典_增删改查
- 13.字典_遍历
- 14.集合入门
2-5 函数基础
- 01.函数_入门
- 02.函数_返回值和说明文档详解
- 03.函数嵌套详解
- 04.有返回值的函数_内存图解
- 05.函数案例_求列表奇偶数和
2-6 函数参数与作用域
- 06.变量的作用域
- 07.global关键字详解
- 08.函数参数之位置参数和关键字参数解释
- 09.函数参数之缺省(默认)参数
- 10.函数参数之不定长参数
- 11.函数参数案例_求n个整数和
2-7 变量类型与元组拆包
- 12.变量的地址值问题_可变和不可变类型划分
- 13.形参是可变或者不可变类型_对实参的影响
- 14.元组_拆包详解
2-8 Lambda表达式
- 15.Lambda表达式_入门
- 16.列表自定义排序_sort()函数详解
- 17.lambda表达式案例_模拟计算器
2-9 文件操作基础
- 01.文件简介
- 02.文件操作入门_写
- 03.文件操作_读_详解
- 04.文件操作_文件备份
2-10 文件高级操作
- 05.os模块常用函数介绍
- 06.with open语句详解
2-11 异常处理
- 07.异常入门
- 08.异常案例_猜数字游戏优化
2-12 模块
- 09.导入模块的方式详解
- 10.计算某段代码的执行时间
- 11.自定义模块详解
2-13 Ollama入门
- 01.黑马智聊机器人_初体验
- 02.Ollama API_相关参数回顾
- 03.安装本地依赖包
- 04.Ollama案例_故事续写
- 07.扩展_如何安装第三方包
- 08.Ollama案例_文本问答
2-14 Streamlit基础和组件
- 05.Streamlit_初体验
- 06.Streamlit基础语法_标题,段落,图片
- 09.Streamlit基础语法_聊天信息框和消息容器
2-15 聊天机器人项目
- 10.聊天机器人_后端功能实现
- 11.聊天机器人_前端界面搭建(上)
- 12.聊天机器人_前端界面搭建(下)
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_相关概述目录介绍 免费试学
- 02.机器学习_AI_ML_DL介绍 免费试学
- 03.机器学习_基于规则和模型的介绍 免费试学
- 04.机器学习_应用领域和发展史介绍 免费试学
- 05.机器学习_名词介绍 免费试学
- 06.机器学习_算法分类 免费试学
1-2 机器学习建模流程及环境搭建
- 07.机器学习_建模流程 免费试学
- 08.机器学习_特征工程介绍 免费试学
- 09.机器学习_模型拟合问题 免费试学
- 10.机器学习_环境搭建 免费试学
1-3 KNN算法入门
- 11.KNN算法_简介 免费试学
- 12.KNN算法_思路分析 免费试学
- 13.KNN算法_分类思想代码实现 免费试学
- 14.KNN算法_回归思想代码实现 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_查看数据集
- 04.鸢尾花案例_数据集可视化
- 05.鸢尾花案例_切分训练集和测试集
- 06.鸢尾花案例_模型的评估和预测
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_数据集介绍
- 10.手写数字识别_绘制数字
- 11.手写数字识别_训练和保存模型
- 12.手写数字识别_加载和使用模型
- 13.解决预测错误的Bug
1-6 线性回归算法_初识
- 01.线性回归简介
- 02.线性回归API_入门
- 03.损失函数介绍
1-7 高数之导数,矩阵复习
- 04.一元线性回归_正规方程法
1-8 线性回归算法_梯度下降法及案例
- 01.单变量_梯度下降法
- 02.多变量_梯度下降法
- 03.银行信贷案例_梯度下降法
- 04.梯度下降算法分类
- 05.回归模型_评估方法
- 06.正规方程_线性回归对象API介绍
- 07.梯度下降_线性回归对象API介绍
1-9 拟合问题介绍
- 08.代码演示_欠拟合
- 09.代码演示_正好拟合
- 10.代码演示_过拟合
- 11.L1和L2正则化解释
1-10 逻辑回归入门案例_癌症预测
- 01.逻辑回归_简介
- 02.逻辑回归_概率相关知识回顾
- 03.逻辑回归_原理介绍
- 04.逻辑回归案例_癌症预测
1-11 逻辑回归案例_电信用户流失预测
- 05.混淆矩阵及精确率, 召回率, F1值介绍
- 06.混淆矩阵_精确率_召回率_F1值_代码演示
- 07.混淆矩阵_总结
- 08.逻辑回归_电信用户流失预测_数据预处理
- 09.逻辑回归_电信用户流失预测_数据可视化
- 10.逻辑回归_电信用户流失预测_模型训练预测评估
第二章 机器学习算法进阶
2-1 ID3决策树
- 01.决策树_简介 免费试学
- 02.决策树_信息熵简介 免费试学
- 03.决策树_信息增益计算 免费试学
- 04.ID3决策树_搭建 免费试学
2-2 C4.5决策树和CART决策树
- 05.C4.5树_信息增益率 免费试学
- 06.Cart树原理介绍 免费试学
- 07.三种决策树总结 免费试学
2-3 决策树_泰坦尼克号案例
- 09泰坦尼克号案例_数据集介绍
- 10.泰坦尼克号案例_代码演示
- 11.CART决策树_回归用法
- 01.回归决策树和线性回归对比
- 02.决策树_剪枝介绍
2-4 集成学习_随机森林法
- 03.集成学习_大纲介绍
- 04.集成学习_简介
- 05.集成学习_Bagging和Boosting思想介绍
- 06.Bagging思想_随机森林算法介绍
- 07.随机森林API_泰坦尼克号案例
2-5 集成学习_AdaBoost
- 08.Boosting思想_AdaBoost自适应提升树介绍
- 09.AdaBoost算法_葡萄酒案例
2-6 集成学习_GBDT
- 10.GBDT算法_梯度提升树介绍
- 11.GBDT算法_推导过程
- 12.GBDT算法_泰坦尼克号案例
2-7 集成学习_XGBBOOST原理推导
- 01.XGBoost极限梯度提升树_简介
- 02.XGBoost API介绍
2-8 集成学习_XGBoost
- 03.XGBoost案例_红酒品质分类_数据预处理
- 04.XGBoost案例_红酒品质分类_模型训练
- 05.XGBoost案例_红酒品质分类_模型评测
2-9 KMeans算法_评估及顾客聚类案例
- 06.聚类算法_简介
- 07.聚类算法_API初识
- 08.聚类算法_推导流程
- 01.聚类算法评估指标_SSE介绍
- 02.聚类算法评估指标_SSE代码实现
- 03.聚类算法评估指标_sc, ch轮廓系数介绍
- 04.sc, ch轮廓系数_代码演示
2-10 用户分群案例
- 05.用户分群_求解最优K值
- 06.用户分群_代码实现
2-11 时序预测介绍
- 07.时序数据介绍
- 08.时序数据分类介绍
- 09.时序预测_算法介绍
2-12 数据挖掘案例_项目框架搭建及数据预处理
- 10.电力负荷预测案例_背景介绍
- 11.电力负荷预测案例_项目搭建
- 12.电力负荷预测案例_日志功能介绍
- 13.电力负荷预测案例_数据预处理
- 14.电力负荷预测案例_定义电力负荷模型类
2-13 数据挖掘案例_数据分析
- 15.电力负荷预测案例_查看数据整体和各小时负荷分布
2-14 数据挖掘案例_特征工程与模型训练
- 01.电力负荷案例_按照月份_假日可视化数据
- 02.电力负荷案例_特征工程_添加小时和月份字段
- 03.电力负荷案例_特征工程_添加上n小时(窗口字段)
- 04.电力负荷案例_特征工程_昨日同时刻负荷
- 05.电力负荷案例_模型训练_评估_保存
2-15 数据挖掘案例_模型预测及项目优化方向
- 06.电力负荷案例_预测类代码实现
- 07.电力负荷案例_解析预测特征(上)
- 08.电力负荷案例_解析预测特征(下)
- 09.电力负荷案例_结果展示
- 10.电力负荷案例_扩展思路
阶段五 深度学习基础
展开第一章 Pytorch与深度学习基础
1-1 深度学习简介
- 01.深度学习_知识框架介绍 免费试学
- 02.深度学习_简介 免费试学
- 03.深度学习_特点 免费试学
- 04.深度学习_常用模型介绍 免费试学
- 05.深度学习_应用场景介绍 免费试学
- 06.深度学习_发展史介绍 免费试学
1-2 PyTorch框架快速入门
- 07.PyTorch框架简介 免费试学
- 08.PyTorch_张量基本创建方式 免费试学
- 09.PyTorch_创建全0_1_指定值张量 免费试学
- 10.PyTorch_创建线性和随机张量 免费试学
- 11.PyTorch_元素类型转换 免费试学
- 12.PyTorch_创建张量方式总结 免费试学
1-3 张量的基本运用
- 01.张量和Numpy之间相互转换 免费试学
- 02.张量的基本运算 免费试学
- 03.张量点乘和矩阵乘法 免费试学
- 04.张量的常用运算函数 免费试学
- 05.张量的索引操作(上) 免费试学
- 06.张量的索引操作(下) 免费试学
1-4 张量的形状操作
- 07.张量的形状操作_reshape函数
- 08.张量的形状操作_unsqueeze和squeeze函数
- 09.张量的形状操作_transpose和permute函数
- 10.张量的形状操作_view和contiguous函数
- 11.张量的拼接操作
1-5 自动微分模块及案例
- 12.自动微分模块_介绍
- 13.自动微分模块案例_更新一次参数
- 14.自动微分模块案例_循环更新参数
- 01.自动微分小问题_detach函数
- 02.自动微分真实应用场景
1-6 PyTorch模拟线性回归
- 03.PyTorch模拟线性回归_准备数据集
- 04.PyTorch模拟线性回归_模型训练
- 05.PyTorch模拟线性回归_可视化操作
1-7 神经网络概念和激活函数
- 06.如何构建神经网络(neural network)
- 07.神经网络_文字介绍
- 08.激活函数介绍
- 09.Sigmoid激活函数介绍
- 10.Tanh激活函数介绍
- 11.ReLU激活函数介绍
- 12.Softmax激活函数介绍
1-8 参数初始化
- 01.参数初始化_介绍
- 02.参数初始化_代码演示
1-9 神经网络搭建
- 03.神经网络_搭建流程介绍
- 04.神经网络_搭建代码实现
- 05.神经网络_模型训练
- 06.神经网络_总结
1-10 损失函数
- 07.损失函数_多分类交叉熵损失介绍
- 08.损失函数_二分类交叉熵损失介绍
- 09.损失函数_MAE损失函数介绍
- 10.损失函数_MSE损失函数介绍
- 11.损失函数_Smooth L1损失函数介绍
1-11 神经网络优化方法
- 12.梯度下降算法回顾
- 13.反向传播(了解)
- 01.梯度相关知识点回顾
- 02.指数移动加权平均介绍
- 03.梯度下降优化方法_动量法
- 04.梯度下降优化方法_AdaGrad
- 05.梯度下降优化方法_RMSProp
- 06.扩展_PyCharm常用插件介绍
- 07.扩展_如何快速修改PyCharm主题
- 08.梯度下降优化方法_Adam
- 09.梯度下降优化方法_总结
1-12 学习率衰减优化方法
- 10.学习率优化_背景介绍
- 12.学习率衰减策略_等间隔学习率衰减
- 13.学习率衰减策略_指定间隔学习率衰减
- 14.学习率衰减策略_指数间隔学习率衰减
- 15.学习率衰减策略_总结
1-13 正则化方法
- 16.正则化_dropout(随机失活)介绍
- 17.正则化_dropout(随机失活)代码演示
- 18.正则化_批量归一化(BN)介绍
- 19.正则化_批量归一化(BN)代码实现
1-14 手机价格分类案例
- 20.ANN案例_手机价格分类_需求介绍
- 21.ANN案例_手机价格分类_准备数据集
- 01.ANN案例_手机价格分类_搭建神经网络
- 02.ANN案例_手机价格分类_模型训练
- 03.ANN案例_手机价格分类_模型测试
- 04.ANN案例_手机价格分类_调优思路
第二章 深度学习核心模型与实战
2-1 图像基础知识和CNN概述
- 05.图像相关知识介绍 免费试学
- 06.CNN概述介绍 免费试学
2-2 卷积层
- 07.卷积层_计算规则介绍 免费试学
- 08.卷积层_填充(Padding)介绍 免费试学
- 09.卷积层_步长(Stride)介绍 免费试学
- 10.卷积层_多通道卷积计算 免费试学
- 11.卷积层_多卷积核卷积计算 免费试学
- 12.卷积层_特征图(FeatureMap)计算规则 免费试学
- 13.卷积层_API介绍 免费试学
2-3 池化层
- 14.池化层_介绍
- 15.池化层_API介绍
2-4 图像分类案例
- 01.CNN图像分类案例_准备数据集
- 02.CNN图像分类案例_搭建神经网络_思路分析
- 03.CNN图像分类案例_搭建神经网络_代码实现
- 04.CNN图像分类案例_模型训练
- 05.CNN图像分类案例_模型测试
- 06.CNN图像分类案例_优化及总结
2-5 RNN介绍和词嵌入层
- 07.RNN介绍
- 08.词嵌入层_解释
- 09.词嵌入层_API演示
2-6 循环网络层
- 10.RNN层(循环网络层)_简介
- 11.RNN层(循环网络层)_API演示
2-7 文本生成案例
- 12.RNN_AI歌词生成器案例_构建词表
- 13.RNN_AI歌词生成器案例_构建数据集
- 14.RNN_AI歌词生成器案例_搭建神经网络
- 15.RNN_AI歌词生成器案例_模型训练
- 16.RNN_AI歌词生成器案例_模型测试
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阶段大纲介绍
- 02.NLP简介
- 04.文本预处理的主要模块
1-2 文本处理的基本方法
- 05.文本分词介绍及创建nlpbase沙箱
- 06.jieba分词模式_精确模式演示
- 07.jieba分词模式_全模式演示
- 09.jieba分词模式_搜索引擎模式
- 10.jieba分词模式_中文繁体分词
- 11.jieba分词模式_用户自定义分词
1-3 文本处理的基本方法-one hot
- 12.文本处理_NER和POS讲解
- 13.文本张量表示方法_入门
- 02.文本张量介绍
- 03.文本张量_获取one hot编码
- 04.文本张量_使用one hot编码
- 05.扩展_简单版方式实现one hot编码
1-4 文本处理的基本方法-word2vec-1
- 06.word2vec_cbow介绍
- 07.word2vec_cbow原理讲解
- 08.word2vec_skipgram原理讲解
1-5 文本处理的基本方法-word2vec-2
- 10.fasttext实现word2vec_训练和保存模型
- 11.fasttext实现word2vec_查看单个单词对应的词向量
- 12.fasttext实现word2vec_查看单词的相似度
- 13.fasttext实现word2vec_设置模型超参数
1-6 文本处理的基本方法-embedding
- 14.word2vec和embedding的区别
- 15.word embedding_代码实现
- 16.word embedding_可视化
1-7 文本数据分析-1
- 02.文本数据分析_准备动作(理解)
- 03.文本数据分析_标签数量分布可视化
- 04.文本数据分析_句子长度分布可视化
- 05.文本数据分析_正负样本长度散点图
- 06.扩展_chain函数讲解(了解)
- 07.文本数据分析_词频统计(掌握)
1-8 文本数据分析-2
- 08.文本数据分析_获取形容词列表(掌握)
- 09.文本数据分析_基于形容词列表绘制词云(掌握)
- 10.文本数据分析_训练集正样本形容词词云绘制(掌握)
- 11.N-Gram简介(理解)
- 12.面试题_如何计算两段文本的相似性(理解)
- 13.扩展_zip函数解释(理解)
1-9 文本特征处理
- 14.文本特征处理_N-Gram代码演示(理解)
- 15.文本特征处理_文本长度规范(掌握)
- 16.文本数据增强介绍(理解)
第二章 RNN及其变体
2-1 传统RNN模型
- 01.RNN简介(理解)
- 02.传统RNN架构介绍(理解)
- 03.传统RNN_基础版代码实现(掌握)
- 04.传统RNN_修改句子长度(掌握)
- 05.传统RNN_修改隐藏层的层数(掌握)
2-2 LSTM模型
- 06.LSTM_架构图(上)_理解
- 07.LSTM_架构图(下)_理解
- 08.Bi-LSTM简介(理解)
- 09.LSTM_代码实现(掌握)
2-3 GRU模型
- 10.GRU_架构图(理解)
- 11.Bi-GRU介绍(理解)
- 12.GRU_代码实现(掌握)
2-4 RNN人名分类案例-1
- 13.RNN案例_人名分类器_准备动作(理解)
- 14.RNN案例_人名分类器_加载数据到内存(掌握)
- 02.人名分类案例_准备动作(理解)
- 03.人名分类案例_创建数据集对象(掌握)
2-5 RNN人名分类案例-2
- 04.人名分类案例_创建数据加载器对象(掌握)
- 05.人名分类案例_创建RNN模型(掌握)
- 06.扩展_LogSoftMax()函数(了解)
- 07.人名分类案例_RNN模型测试(理解)
- 08.人名分类案例_创建LSTM模型(理解)
2-6 RNN人名分类案例-3
- 09.人名分类案例_创建GRU模型(理解)
- 10.人名分类案例_测试三种模型(理解)
- 11.人名分类案例_RNN模型训练(掌握)
- 12.人名分类案例_LSTM模型训练(理解)
2-7 RNN人名分类案例-4
- 13.人名分类案例_GRU模型训练(理解)
- 14.人名分类案例_三种模型训练效果对比(理解)
- 15.人名分类案例_RNN模型预测(掌握)
2-8 注意力机制介绍-1
- 02.注意力机制的由来(理解)
- 03.注意力机制介绍和分类(理解)
- 04.不带Attention的Encoder2Decoder模型(了解)
- 05.带Attention机制的Encoder2Decoder模型(理解)
2-9 注意力机制介绍-2
- 06.带Attention机制的编解码模型_流程图(了解)
- 07.注意力概率分布计算方式(掌握)
- 09.SoftAttention(软注意力机制)讲解(理解)
2-10 注意力机制介绍-3
- 10.HardAttention和SelfAttention讲解(理解)
- 11.TensorFlow版的Attention计算过程(了解)
- 12.PyTorch版的Attention计算过程(理解)
2-11 注意力机制介绍-4
- 02.注意力计算规则介绍(理解)
- 03.扩展_bmm函数介绍(理解)
- 04.注意力计算步骤(理解)
- 05.注意力计算_代码实现(上)_理解
2-12 注意力机制介绍-5
- 06.注意力计算_代码实现(下)_理解
- 07.扩展_如何配置Cuda环境)_理解
2-13 英译法案例-1
- 09.英译法案例_数据清洗动作(掌握)
- 10.英译法案例_清洗文本和构建文本字典(理解)
- 11.英译法案例_构建数据集对象(理解)
- 12.英译法案例_获取数据集加载器对象(理解)
- 13.英译法案例_构建基于GRU的编码器(掌握)
2-14 英译法案例-2
- 14.英译法案例_测试基于GRU的编码器(理解)
- 02.英译法案例_解码器无Attention_思路分析(理解)
- 03.英译法案例_解码器无Attention_代码实现(理解)
- 04.英译法案例_解码器无Attention_代码测试(理解)
2-15 英译法案例-3
- 05.英译法案例_解码器有Attention_思路分析(掌握)
- 06.英译法案例_解码器有Attention_代码实现(掌握)
- 07.英译法案例_解码器有Attention_代码测试(掌握)
- 09.Teacher Forcing机制介绍(理解)
2-16 英译法案例-4
- 10.英译法案例_完成单批次的训练过程(理解)
- 11.英译法案例_模型训练_有Bug(理解)
- 12.英译法案例_模型训练_完整代码(理解)
- 13.英译法案例_模型评估(上)_理解
- 14.英译法案例_模型评估(下)_理解
- 15.英译法案例_Attention张量绘图(了解)
第三章 Transformer
3-1 Transformer介绍
- 02.Transformer架构由来(了解)
- 03.Transformer架构图(理解)
3-2 输入部分实现
- 04.Transformer架构_输入部分_词嵌入层(掌握)
- 05.Transformer架构_位置编码介绍(理解)
- 06.Transformer架构_位置编码_代码实现(理解)
- 08.Transformer架构_位置编码_可视化(了解)
3-3 编码器部分实现-1
- 09.扩展_掩码张量_上三角矩阵(理解)
- 10.扩展_掩码张量_下三角矩阵(了解)
- 11.扩展_掩码张量的可视化(了解)
- 12.Transformer架构_注意力机制代码实现和测试(掌握)
3-4 编码器部分实现-2
- 02.准备动作(理解)
- 03.多头注意力机制_图解(理解)
- 04.多头注意力机制_代码实现(掌握)
- 05.多头注意力机制_代码测试(理解)
- 06.前馈全连接层_代码实现(掌握)
3-5 编码器部分实现-3
- 07.规范化层_代码实现(掌握)
- 08.面试题_BN和LN的区别(理解)
- 09.编码器_子层连接结构_代码实现(掌握)
- 10.编码器_子层连接结构_代码测试(理解)
- 11.编码器_编码器层_代码实现(掌握)
3-6 编码器部分实现-4
- 12.编码器_编码器层_代码测试(理解)
- 13.编码器_代码实现(掌握)
- 14.编码器_代码测试(理解)
3-7 解码器部分实现
- 02.解码器层_代码实现(掌握)
- 03.解码器层_代码测试(理解)
- 04.解码器_代码实现及测试(掌握)
- 05.输出部分_代码实现(掌握)
3-8 模型构建
- 06.Transformer框架模型_代码实现(理解)
- 07.Transformer框架模型_代码测试(理解)
- 08.Transformer框架模型_参数介绍(理解)
第四章 迁移学习与BERT模型
4-1 fasttext工具介绍
- 09.Fasttext工具的介绍(理解)
- 10.Fasttext模型架构介绍(了解)
- 11.层次Softmax介绍(理解)
- 12.负采样介绍(理解)
4-2 fasttext文本分类
- 02.Fasttext文本分类_介绍(理解)
- 03.Fasttext文本分类_基础代码(掌握)
- 04.Fasttext文本分类_数据预处理(掌握)
- 05.Fasttext文本分类_epoch_lr_ngram_loss(掌握)
- 06.Fasttext文本分类_自动调参(理解)
- 07.Fasttext文本分类_多标签多分类(理解)
- 08.Fasttext文本分类_模型保存(掌握)
4-3 迁移学习介绍
- 09.迁移学习_简介(了解)
- 10.NLP中常用的预训练模型(了解)
4-4 Transformers库使用-1
- 11.Transformers介绍(理解)
- 12.NLP任务_情感分析(掌握)
- 13.NLP任务_特征抽取(掌握)
- 14.NLP任务_完形填空(掌握)
- 15.NLP任务_阅读理解(掌握)
4-5 Transformers库使用-2
- 16.NLP任务_文本摘要(掌握)
- 17.NLP任务_命名实体识别(掌握)
- 02.自动模型完成NLP任务_文本分类(掌握)
- 03.自动模型完成NLP任务_特征提取(掌握)
4-6 Transformers库使用-3
- 04.自动模型完成NLP任务_完形填空(掌握)
- 05.自动模型完成NLP任务_阅读理解(掌握)
- 06.自动模型完成NLP任务_文本摘要(掌握)
- 07.扩展_本地历史记录(了解)
- 08.自动模型完成NLP任务_NER(掌握)
- 09.具体模型完成NLP任务_完形填空(掌握)
4-7 中文分类案例
- 10.迁移学习案例_中文分类_加载数据集(掌握)
- 11.迁移学习案例_中文分类_数据预处理(掌握)
- 12.迁移学习案例_中文分类_自定义模型(掌握)
- 13.迁移学习案例_中文分类_模型训练(掌握)
- 14.迁移学习案例_中文分类_模型评估(掌握)
4-8 中文完形填空
- 02.迁移学习案例_中文填空_需求介绍及环境准备(理解)
- 03.迁移学习案例_中文填空_获取数据集加载器(掌握)
- 04.迁移学习案例_中文填空_数据整理函数(掌握)
- 05.迁移学习案例_中文填空_自定义模型结构(掌握)
- 06.迁移学习案例_中文填空_模型训练和测试(掌握)
4-9 中文句子关系
- 07.迁移学习案例_中文句子关系分析_准备动作(理解)
- 08.迁移学习案例_NSP_构建数据集对象(掌握)
- 09.迁移学习案例_NSP_获取数据加载器(掌握)
- 10.迁移学习案例_NSP_模型训练和预测(掌握)
4-10 Bert模型-1
- 11.BERT模型_初识(了解)
- 12.BERT模型_结构介绍(了解)
- 13.BERT模型_预训练任务介绍(了解)
- 14.BERT模型_特点介绍(了解)
4-11 Bert模型-2
- 15.BERT系列模型_ALBERT模型介绍(了解)
- 16.BERT系列模型_RoBERTa模型介绍(了解)
- 17.BERT系列模型_其它模型介绍(了解)
- 18.BERT_GPT_ELMo模型对比(了解)
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 【完课阶段】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 免费试学
- 02-LLM概念的介绍 免费试学
- 03-语言模型的介绍 免费试学
- 04-N-Gram语言模型的介绍 免费试学
- 05-N-Gram语言模型的特点 免费试学
- 06-语言模型的不同类型对比 免费试学
- 07-语言模型的指标接受 免费试学
- 08-BlEU指标的实现 免费试学
- 09-ROUGE指标的实现 免费试学
- 10-PPL指标的实现 免费试学
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 免费试学
- 02-Fine-Tuning思想的回顾 免费试学
- 03-Prompt-Tuning实现的基本原理 免费试学
- 04-Prompt-Tuning的发展历程 免费试学
- 05-PET模型的介绍 免费试学
- 06-Soft-Prompt方法的介绍 免费试学
- 07-T5-prompt_tuning方法的思想 免费试学
- 08-P-Tuning方法的思想 免费试学
2-2 大模型prompt-Tuning方法进阶
- 09-情景学习和Instrunction方法的思想 免费试学
- 10-COT方法的思想 免费试学
- 11-PEFT方法的思想 免费试学
- 12-Prefix-Tuning方法的思想 免费试学
- 13-Adapter-Tuning方法的思想 免费试学
- 14-LoRA方法的思想 免费试学
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 免费试学
- 02-LLMs的实现 免费试学
- 03-ChatModels的实现 免费试学
- 04-EmbeddingModel的实现 免费试学
- 05-LangChain官网使用介绍 免费试学
- 06-Zero-Shot模版的原理解析 免费试学
- 07-Few-Shot模版的原理解析 免费试学
- 08-单一Chains的基本使用 免费试学
- 09-复合Chains的基本使用 免费试学
3-2 LangChain基础知识入门2
- 10-Agent组件的基本使用 免费试学
- 11-Memory组件的基本使用 免费试学
- 12-Memory长期记忆的使用方式 免费试学
- 13-Indexes--数据加载实现方式 免费试学
- 14-Indexes--文本分割实现方式 免费试学
- 15-Indexes--向量数据库的应用实现 免费试学
- 16-Indexes--检索器的应用实现 免费试学
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
第五章 EduRAG智能问答系统
5-1 项目背景和工具介绍
- 01-EduRAG项目背景介绍
- 02-项目流程的基本解析
- 03-项目结构与环境配置的介绍
- 04-Ollama工具的介绍
- 05-LangChain的知识回顾
5-2 Milvus向量数据库介绍
- 06-Milvus数据库的结构介绍
- 07-Field和Collection的定义要求
- 08-Milvus数据库的FLAT和IVF_FLAT索引方式介绍
- 09-Milvus数据库中的IVF_PQ的索引方式介绍
- 10-IVF_PQ的重要性再次强调
- 11-向量相似度的计算方式
5-3 Milvus数据库的创建
- 13-Milvus数据库的创建操作
- 14-Milvus数据库创建collection
- 15-Milvus数据库创建向量索引
- 16-Milvus数据库创建标量索引
5-4 Milvus数据库的增删改查
- 17-Milvus数据库添加数据
- 18-Milvus数据库upsert的操作
- 19-Milvus数据库的增删改操作
- 21-Milvus数据库的简单查询1
- 22-Milvus数据库的简单查询2
5-5 Milvus数据库的复杂查询
- 02-WeightedRanker原理的解析
- 03-RRF倒数排序原理的解析
- 04-复杂查询Collection的创建
- 05-向Collection里面添加数据
- 06-Anns第一个检索字段查询分析
- 07-Milvus实现混合向量检索
- 08-Milvus数据库的总结
5-6 Python日志记录
- 09-Log日志的简单使用
- 11-Log日志自定义格式化输出
- 12-将Log日志输出到指定文件中
- 13-将Log日志同时输出控制台和文件中
- 14-logger脚本的撰写+路径配置
- 15-主函数日志文件实现
5-7 BM25算法
- 16-tf-idf的原理解析
- 17-bm25算法的原理解析
- 18-BM25类init方法的实现
- 19-BM25类search方法的实现
- 20-BM25模块的main脚本实现
5-8 Redis数据库介绍
- 21-Redis数据库的介绍
- 22-Redis的base文件实现
- 23-Redis的init方法实现
- 02-RedisClient的init方法的回顾
5-9 Redis数据库基本操作
- 03-Redis数据库添加和查询数据方法的实现
- 04-Reids数据库get_answer方法的实现
- 05-Redis数据库如何删除键和查询所有的键
- 06-mian.py实现Redis数据库的增加和查询
5-10 Mysql数据库检索系统流程和配置
- 07-Mysql数据库检索系统流程的介绍
- 08-config文件的配置和读写
- 09-logger代码的实现以及路径的配置
- 10-python导包问题的解决方法
- 12-mysql_client脚本导包问题的解决
5-11 MySQL操作模块实现
- 13-subject_kg数据库的创建
- 14-MysqlClient类init方法和creat_table方法的实现
- 15-MysqlClient类insert_data方法的实现
- 16-MysqlClient类查询问题及答案方法的实现
5-12 Redis缓存操作和文本预处理
- 17-RedisClient类的实现与测试
- 18-Preprocess文本预处理函数的实现
5-13 BM25+Softmax检索模块实现
- 19-BM25Search类的init方法实现
- 20-BM25Search类的load_data方法的实现
- 02-BM25Search类的search方法第一部分
- 03-BM25Search类的search方法第二部分
- 04-BM25Search类的search方法第三部分
5-14 主程序main.py的代码实现
- 05-main.py导入依赖的第三方库
- 06-MysqlQASystem类的代码实现
- 07-Mysql数据库检索主函数的实现
5-15 RAG系统架构介绍
- 08-RAG系统的基本介绍
- 09-RAG系统迭代过程的梳理讲解
- 10-RAG系统的base模块的功能实现
- 11-RAG系统文档解析脚本导入第三方库
5-16 文档解析工具
- 12-文档解析工具讲解1
- 13-文档解析工具讲解2
- 14-文档解析工具讲解3
- 15-文档解析工具讲解4
- 16-文档解析脚本导入第三方库错误处理
- 17-指定文件内容加载
5-17 自定义模型分词和文档切分函数
- 02-自定义Chinese分词工具的解析
- 03-自定义模型分词工具的解析
- 04-文档切分函数的切分器如何选择
- 05-文档切分函数的子块文档获得
5-18 向量存储-VectorStore介绍和配置
- 06-向量存储脚本依赖第三方库的解释
- 07-VectorStore的init方法的介绍
- 08-Rerank和beg-m3模型路径配置第一种方式
- 09-Rerank和bge-m3模型路径配置第二种方式
5-19 集合管理和文档向量化与存储
- 10-创建edurag_final集合代码的实现
- 11-数据库添加样本前半部分代码的实现
- 12-数据库添加样本后半部分代码的实现
5-20 混合检索与重排序
- 13-混合向量检索的过程代码实现
- 14-对于检索结果进行Document的封装
- 15-从子块中提取去重的父文档并重排序
5-21 检索和意图识别模型
- 02-静态方法的意义解释
- 03-直接检索提示词模版的实现
- 04-其他三种检索策略提示词模版的实现
- 05-意图识别模型导入第三方库的基本介绍
5-22 Trainer和TrainingArguments
- 06-Trainer和TrainingArguments的介绍
- 07-QueryClassifier类init方法的解析
- 08-QueryClassifier类load_model方法的解析
- 09-QueryClassifier类train_model方法读取数据
- 10-QueryClassifier类train_model方法数据预处理
- 11-QueryClassifier类train_mdoel方法dataset类实现
- 12-TrainArguments的参数解析
5-23 指标计算函数和evaluate_model方法实现
- 13-指标计算函数的解析
- 14-Trainer实现训练过程的解析
- 15-evaluate_model方法前半部分实现
- 16-evaluate_model方法后半部分实现
- 17-predict_category方法的实现
- 18-检索策略和RAG系统后续课程的梳理
5-24 检索策略选择与RAG核心逻辑
- 02-strategy_selector导包过程的实现
- 03-StrategySelector类init方法的实现
- 04-StrategySelector类调用模型api方法的实现
- 05-StrategySelcetor类策略选择方法的实现及测试
- 06-RAGSystem类的init方法实现和导包问题的处理
- 07-RAGSystem类的generate_answer方法第一部分
5-25 直接检索策略
- 08-直接检索策略代码的实现第一部分
- 09-直接检索策略代码的实现第二部分
- 10-回溯问题检索代码的实现
5-26 子查询检索
- 12-基于query以及提示词生成多个子查询
- 13-子查询检索的结果合并并去重
- 14-子查询方法的参数更改
- 15-假设性问题检索方法的实现
5-27 main函数内部实现
- 16-RAGSystem类的generate_answer方法第二部分实现
- 17-rag_main脚本的导包过程的实现
- 18-main函数内部实现大模型API的调用
- 19-main函数文档处理代码的分析
- 20-main函数query查询代码的分析
- 21-argparse库的基本使用
5-28 RAGAS开源评估框架介绍
- 02-RAGAS开源框架的介绍
- 03-上下文相关性评估指标的介绍
- 04-上下文召回率评估指标的介绍
- 05-忠实度评估指标的介绍
- 06-答案相关性指标的介绍
5-29 RAG系统评估
- 07-RAG评估脚本导入第三方库
- 08-RAG系统评估的数据、模型准备工作
- 09-RAG系统评估函数的实现
- 10-RAG系统评估的完整回顾
5-30 Mysql与RAG融合
- 11-Mysql与RAG融合的基本流程
- 12-old_main脚本实现第三方库的导入
- 13-IntegratedQASystem类init方法的实现
- 14-IntergratedQASystem类query方法的实现
- 15-IntergratedQASystem类的使用
5-31 历史对话和流式输出功能实现
- 16-具备历史对话和流式输出功能的RAG系统流程说明
- 17-优化版的QASystem类的init方法实现
- 18-初始化历史对话表的代码实现
- 19-大模型stream形式输出结果介绍
- 20-获取最近历史对话记录
- 21-更新历史对话记录
5-32 RAG系统优化
- 22-rag系统generate_answer方法的改造
- 02-new_rag_system系统代码的优化
- 03-优化版本RAG系统的测试
5-33 EduRAG系统测试
- 04-Flask和FastAPI的区别和联系
- 05-EduRAG系统API接口的实现与测试
- 06-前端页面交互实现方式
阶段九 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 免费试学
- 02-知识图谱的概念介绍 免费试学
- 03-知识图谱应用场景 免费试学
- 04-强调知识图谱概念 免费试学
- 05-知识图谱schema解释 免费试学
- 06-知识图谱-数据获取+信息抽取 免费试学
- 07-知识图谱-知识融合和加工 免费试学
- 08-知识图谱应用范围 免费试学
1-2 项目工具介绍
- 09-项目应用工具的介绍 免费试学
- 10-doccano工具安装使用 免费试学
- 11-doccano启动和创建项目 免费试学
- 12-doccano实现数据标注过程 免费试学
- 13-数据查询语言介绍 免费试学
第二章 实体抽取
2-1 NER介绍
- 01-NER的基础知识 免费试学
- 02-doccano标注NER任务 免费试学
- 03-NER任务实现方法介绍 免费试学
- 04-NER的评价指标和常见问题 免费试学
- 05-基于规则实现NER 免费试学
2-2 BiLSTM+CRF模型架构
- 06-BiLSTM+CRF模型架构前半部分 免费试学
- 07-BiLSTM+CRF模型架构后半部分 免费试学
2-3 CRF原理
- 08-线性CRF的定义 免费试学
- 09-发射分数的原理 免费试学
- 10-转移分数的原理 免费试学
- 11-CRF损失函数的原理 免费试学
- 12-单条路径计算分数 免费试学
- 13-所有路径计算分数 免费试学
- 14-重要内容回顾 免费试学
- 15-维特比算法的原理 免费试学
- 16-前向算法的原理 免费试学
2-4 实体抽取数据预处理（上）
- 17-BiLSTM+CRF整体代码架构图 免费试学
- 18-认识项目中的数据 免费试学
- 19-数据转换类init方法实现 免费试学
- 20-数据转换类的完整实现 免费试学
- 21-BiLSTM+CRF项目Config类搭建 免费试学
- 22-config文件导包 免费试学
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 免费试学
- 02-doccano标注关系抽取任务 免费试学
- 03-基于规则实现关系抽取任务 免费试学
3-2 pipline方法与BiLSTM+Attention架构介绍
- 04-pipeline方法的定义 免费试学
- 05-BiLSTM+Attention模型架构解析 免费试学
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 免费试学
- 02-NLU意图识别的定义 免费试学
- 03-NLU槽位填充的理解 免费试学
- 04-NLU语义槽的设计 免费试学
- 05-意图识别的实现方法 免费试学
- 06-槽位填充的实现方法 免费试学
5-2 医疗KBQA系统架构
- 07-医疗KBQA的流程框架 免费试学
- 08-医疗KBQA问答系统流程梳理 免费试学
- 09-医疗KBQA问答系统实现步骤 免费试学
5-3 是否闲聊意图识别
- 10-集成学习知识的介绍 免费试学
- 11-GBDT模型的原理介绍 免费试学
- 12-意图实体闲聊模型load_data函数的解析 免费试学
- 13-run函数前半部分实现 免费试学
- 14-run函数中间部分实现 免费试学
- 15-run函数后半部分实现 免费试学
- 16-意图识别闲聊模型重加载利用 免费试学
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