成为VIP
试看链接 https://pan.baidu.com/s/1PowD5062D4xn_8vQu8P75w?pwd=ci9u
相关推荐
C大-MCP+GraphRAG+LLM的智能体agent全栈开发实战
LLM应用全流程开发 全新技术+多案例实战+私有化部署（已完结）
LLM大模型智能引擎实战–SpringAI+RAG+MCP+实时搜索（已完结）
课程介绍
LLM大模型开发工程师已经成为各大公司争抢的战略性高薪人才，如果你想尽早入行，这门课程就是专为你设计的高效学习路径。课程从模型构建起步，手把手教你完成指令微调、高效数据集搭建、训练流水线搭建及模型知识蒸馏等关键任务。只要跟着教学安排，稳扎稳打，就能顺利训练出私有化、可压缩、可上线的轻量大模型。通过本课程的学习，助力你先人一步具备私有化模型开发实战能力，跃升成为高薪技术人才。
课程目录
第1章 课程导学
-
1-1 LLM开发工程师入门实战-课程导学
第2章 初识大语言模型
-
2-1 开启你的AI智慧之旅-本章导学
-
2-2 开启你的AI智慧之旅-初识大语言模型
-
2-3 开启你的AI智慧之旅-大语言模型擅长的事儿
-
2-4 开启你的AI智慧之旅-大语言模型的诞生过程
-
2-5 开启你的AI智慧之旅-从0到1构建大语言模型的意义
-
2-6 开启你的AI智慧之旅-大语言模型的局限性与挑战
-
2-7 开启你的AI智慧之旅-大语言模型的未来展望
第3章 开发环境的搭建
-
3-1 开发环境搭建-导学
-
3-2 开发环境搭建-MiniConda安装与使用
-
3-3 开发环境搭建-使用pip命令安装依赖包
-
3-4 开发环境搭建-VsCode的配置
-
3-5 开发环境搭建-手攒超级计算机-硬件(自己够买硬件者选看)
-
3-6 开发环境搭建-Nvidia与CUDA关系及Linux下Nvidia驱动的安装(Linux下搭建环境者选看)
-
3-7 开发环境搭建-Windows下Nvidia驱动的安装(Windows下搭建环境者选看)
-
3-8 开发环境搭建-使用Docker搭建环境一(需要Docker搭建环境者选看)
-
3-9 打开发环境搭建-使用Docker搭建环境二(需要Docker搭建环境者选看)
-
3-10 开发环境搭建-申请阿里云的免费GPU和CPU资源(想使用阿里云服务者选看)
-
3-11 开发环境搭建-申请Kaggle的免费GPU和CPU资源(想使用Kaggle且有科学上网工具者选看)
-
3-12 开发环境搭建-申请Google的免费GPU和CPU资源(想使用Google云且有科学上网工具者选看)
第4章 牛刀小试：使用HuggingFace训练GPT-2
-
4-1 使用HuggingFace训练GPT2-导学
-
4-2 HuggingFace简介
-
4-3 使用HuggingFace训练GPT2-基本步骤
-
4-4 使用HuggingFace训练GPT2-全流程体验（后面会详解）
-
4-5 使用HuggingFace训练GPT2-详解group_text的实现
-
4-6 使用HuggingFace训练GPT2-详解generate_text的实现
第5章 提高学习效率：驾驭LLM的对话艺术与工具 (初学AI者选看)
-
5-1 提高工作效率-导学
-
5-2 提高工作效率工具-通义灵码与小浣熊
-
5-3 提高工作效率工具-Copilot
-
5-4 大语言模型助手-Kimi
-
5-5 大语言模型助手-NewBing
-
5-6 大语言模型助手-Gemini
-
5-7 大语言模型助手-Poe
-
5-8 大语言模型提示词(一)
-
5-9 大语言模型提示词(二)
-
5-10 大语言模型提示词(三)
-
5-11 大语言模型提示词(四)
-
5-12 大语言模型提示词(五)
-
5-13 本章小结
第6章 必知必会的基础知识：Python语言基础 (没有Pytorh基础者选看)
-
6-1 Python语言基础知识-导学
-
6-2 Python语言基础知识-变量的定义与使用
-
6-3 Python语言基础知识-逻辑判断与优先级
-
6-4 Python语言基础知识-循环
-
6-5 Python语言基础知识-函数的定义与使用
-
6-6 Python语言基础知识-类与对象
-
6-7 Python语言基础知识-四种复合类型
-
6-8 Python语言基础知识-可变变量与不可变变量
-
6-9 Python语言基础知识-特有技术切片
-
6-10 Python语言基础知识-其它特有技术
-
6-11 Pythony语言基础知识-NumPy库的使用
-
6-12 Python语言基础知识-MatPlotLib库的使用
-
6-13 Python语言基础知识-本章小结
第7章 深度学习核心入门：洞悉AI的学习之道 (无深度学习经验者选看)
-
7-1 深度学习核心入门-导学
-
7-2 深度学习核心入门-人工智能、机器学习与深度学习的关系
-
7-3 深度学习核心入门-神经元与神经网络
-
7-4 深度学习核心入门-监督学习与无监督学习
-
7-5 深度学习核心入门-数据集的划分
-
7-6 深度学习核心入门-过拟合、欠拟合与代价函数
-
7-7 深度学习核心入门-代价函数的意义
-
7-8 深度学习核心入门-梯度下降
-
7-9 深度学习核心入门-线性回归代价函数的导数
-
7-10 深度学习核心入门-学习率
-
7-11 深度学习核心入门-逻辑回归
-
7-12 深度学习核心入门-sigmoid激活函数
-
7-13 深度学习必备的基础知识-逻辑回归的代价函数
-
7-14 深度学习必备的基础知识-逻辑回归的梯度下降
-
7-15 深度学习必备的基础知识-逻辑回归代价函数关于w和b偏导后的公式证明
-
7-16 深度学习必备的基础知识-深度神经网络与前向传播
-
7-17 深度学习必备的基础知识-多种激活函数
-
7-18 深度学习必备的基础知识-反向传播与计算图
-
7-19 深度学习必备的基础知识-前向传播与反向传播的完整过程
第8章 掌握“炼丹术”：优化深度学习训练参数 (无深度学习经验者选看)
-
8-1 优化深度学习训练参数-导学
-
8-2 深度神经网络参数优化-向量化与矩阵化
-
8-3 深度神经网络参数优化-L2正则化
-
8-4 深度神经网络参数优化-Dropout
-
8-5 深度神经网络参数优化-数据归一化处理
-
8-6 深度神经网络参数优化-初始化权重参数
-
8-7 深度神经网络参数优化-全批量梯度下降
-
8-8 深度神经网络参数优化-随机梯度下降与小批量梯度下降
-
8-9 深度神经网络参数优化-梯度参数调优
-
8-10 深度神经网络参数优化-BatchNormalization
第9章 【实战】手写字识别：第一个AI模型诞生记 (无深度学习经验者选看)
-
9-1 [实战]手写字识别-导学
-
9-2 [实战]手写字识别- Pytorch的一点历史
-
9-3 [实战]手写字识别-Pytorch加载数据集
-
9-4 [实战]手写字识别-Pytorch导入训练数据和测试数据
-
9-5 [实战]手写字识别-构建手写字神经网络
-
9-6 [实战]手写字识别-Pytorch实现训练逻辑代码
-
9-7 [实战]手写字识别-Pytorch实现评估神经逻辑代码
-
9-8 [实战]手写字识别-Pytorch训练和评估神经网络
-
9-9 [实战]手写字识别-模型的保存部署与使用
-
9-10 [实战]手写字识别-训练参数调优
第10章 【实战】数据爬取与清洗：为大模型“备粮草”
-
10-1 [实战]数据与爬虫-导学
-
10-2 [实战]数据与爬虫-大语言模型的食谱
-
10-3 [实战]数据与爬虫-实现网络爬虫（一）
-
10-4 [实战]数据与爬虫-实现网络爬虫（二）
-
10-5 [实战]数据与爬虫-实现网络爬虫（三）
-
10-6 [实战]数据与爬虫-实现网络爬虫（四）
-
10-7 [实战]数据与爬虫-清洗数据（一）
-
10-8 [实战]数据与爬虫-清洗数据（二）
-
10-9 [实战]数据与爬虫-清洗数据（三）
-
10-10 [实战]数据与爬虫-小结
第11章 让机器读懂文本：文本与分词艺术
-
11-1 文本与分词艺术-导学
-
11-2 文本与分词艺术-文本向量化的完整过程
-
11-3 文本与分词艺术-文本分词
-
11-4 文本与分词艺术-构造文本字典
-
11-5 文本与分词艺术-实现Tokenizer类
-
11-6 文本与分词艺术-文本转TokenID
-
11-7 文本与分词艺术-TokenID转文本
-
11-8 文本与分词艺术-基于统计的分词技术
-
11-9 文本与分词艺术-GPT-tiktoken分词器
-
11-10 文本与分词艺术-文本向量化(Embedding)
-
11-11 文本与分词艺术-实战TokenID转向量
-
11-12 文本与分词艺术-本章小结
第12章 画龙点睛：注意力机制的奥秘
-
12-1 注意力机制-导学
-
12-2 注意力机制-什么是注意力机制
-
12-3 注意力机制-三个关键元素QKV
-
12-4 注意力机制-注意力机制与自注意力机制的区别
-
12-5 注意力机制-注意力分数
-
12-6 注意力机制-缩放因子
-
12-7 注意力机制-实现注意力机制的具体过程
-
12-8 注意力机制-注意力机制的矩阵化
-
12-9 注意力机制-代码实现
第13章 石破天惊：Transformer架构的革命
-
13-1 Transformer架构-Transformer整体结构
-
13-2 Transformer架构-词嵌入(Embedding)
-
13-3 Transformer架构-位置编码
-
13-4 Transformer架构-多头注意力机制
-
13-5 Transformer架构-编解码器中的残差网络与层归一化
-
13-6 Transformer架构-掩码注意力机制
-
13-7 Transformer架构-解码器
第14章 麻雀虽小，五脏俱全：实现‘迷你’版大语言模型
-
14-1 迷你GPT-导学
-
14-2 迷你GPT-GPT架构
-
14-3 迷你GPT-GPT中的位置编码
-
14-4 迷你GPT-实现GPT骨架(一)
-
14-5 实现GPT-迷你GPT骨架(二)
-
14-6 迷你GPT-实现自注意力机制(一)
-
14-7 迷你GPT-实现自注意力机制(二)
-
14-8 迷你GPT-实现掩码注意力机制(一)
-
14-9 迷你GPT-实现掩码注意力机制(二)
-
14-10 迷你GPT-实现多头注意力机制
-
14-11 迷你GPT-实现层归一化
-
14-12 迷你GPT-实现GELU激活函数与前馈网络
-
14-13 迷你GPT-残差与TransformerBlock
-
14-14 迷你GPT-测试GPTModel
-
14-15 迷你GPT-生成文本(一)
-
14-16 迷你GPT-生成文本(二)
-
14-17 迷你GPT-生成文本(三)
-
14-18 迷你GPT-文本评估
-
14-19 迷你GPT-交叉熵损失函数
-
14-20 迷你GPT-创建并加载数据集(一)
-
14-21 迷你GPT-创建并加载数据集（二）
-
14-22 迷你GPT-实现模型
-
14-23 -迷你GPT-评估模型
-
14-24 迷你GPT-开始训练
-
14-25 迷你GPT-优化输出(一)
-
14-26 迷你GPT-优化输出(二)
-
14-27 迷你GPT-保存并加载训练好的模型
第15章 模型微调与文本分类：让通用模型变身专家
-
15-1 微调模型-导学
-
15-2 微调模型-获得高质量的训练数据
-
15-3 微调模型-构造Dataset
-
15-4 微调模型-创建DataLoader(一)
-
15-5 微调模型-创建Dataloader(二)
-
15-6 微调模型-加载GPT2预训练模型(一)
-
15-7 微调模型-加载GPT2预训练模型(二)
-
15-8 微调模型-指令微调(一)
-
15-9 微调模型-指令微调(二)
-
15-10 微调模型-绘制损失趋势图
-
15-11 微调模型-为模型评分(一)
-
15-12 微调模型-为模型评分(二)
-
15-13 微调模型-LoRA(一)
-
15-14 微调模型-LoRA(二)
第16章 知识蒸馏：智慧的浓缩与传承
-
16-1 知识蒸馏-导学
-
16-2 知识蒸馏-获取思维链蒸馏数据(一)
-
16-3 知识蒸馏-获取思维链蒸馏数据(二)
-
16-4 知识蒸馏-清洗错误数据
-
16-5 知识蒸馏-黑盒思维链蒸馏
-
16-6 知识蒸馏-白盒知识蒸馏
第17章 减少模型幻觉：为LLM插上RAG的“记忆”之翼
-
17-1 减少模型幻觉-RAG技术导学
-
17-2 减少模型幻觉-RAG工作原理
-
17-3 减少模型幻觉-RAG实现(一)
-
17-4 减少模型幻觉-RAG实现(二)
第18章 Agent与MCP：从语言到行动的终极进化
-
18-1 Agent与MCP-导学
-
18-2 Agent与MCP-Agent工作原理
-
18-3 Agent与MCP-Agent常见模式
-
18-4 Agent与MCP-Agent调用工具(一)
-
18-5 Agent与MCP-Agent调用工具(二)
-
18-6 Agent与MCP-Agent调用工具(三)
-
18-7 Agent与MCP-记忆与上下文工程
-
18-8 Agent与MCP-实现一个Agent
第19章 课程总结
-
19-1 课程总结
