人工智能太難，聽不懂學不會
知識碎片化，不成體系
簡歷上項目經歷少
實戰資源少，實操經驗不足
學習目標不清晰，不知道要學什么
學的太基礎，就業面窄
隨著(zhu)AI時代到來(lai)，人(ren)工智能成為熱門技術(shu)方(fang)向之一。飛速發展的(de)行業使人(ren)才需求越(yue)來(lai)越(yue)大，薪資隨之 水漲船高。但由于技術(shu)更新快，教育(yu)資源有所滯后，真正符合市場需求的(de)人(ren)才培養仍面(mian)臨巨大挑戰。
“快餐式”人才特點
基礎性技術崗位
可替代、可復制
機械執行(xing)，缺乏開發思維
晉升難，行業局限性
高素質人才特點
具備完整的開發思維
開發能力可(ke)遷移，無(wu)行業限制(zhi)
符(fu)合市場人才需求標準
職場晉升快
在校學生
本科/研究生及以上
理工科相關專業背景， 且自身(shen)有(you)計算機(ji)、數學 等(deng)專業基礎。
IT轉行
傳統互聯網崗位
職業到達瓶頸，初(chu)級程 序員(yuan)可復制性(xing)高，無行 業市場(chang)競(jing)爭力。
能力提升
架構師/算法工程師/CTO
研發大(da)(da)牛，需要人工智(zhi)能算法與大(da)(da)數據，提升技術廣度與深(shen)度。
興趣驅動
實踐意識/創新思維/熱愛人工智能
對人工智能感(gan)興趣，并 有一定的學(xue)習動力(li)和自 主學(xue)習能力(li)。
邊練邊學培養開發思維
應用場景中教(jiao)學，案例融(rong)入知識點
注重方(fang)法論教學(xue)，培養(yang)開發(fa)思維
不(bu)同框架對比(bi)學(xue)習，就(jiu)業(ye)面更廣(guang)
注(zhu)重AI+，與其它技(ji)術(shu)融合
實戰主導配套充足資源
自研元宇宙實驗平臺
充足的實戰資源，拒絕(jue)紙上談兵
大型項目高仿真
課程直接配套實操(cao)平臺
自帶多個開發環境
解決了在硬件上部(bu)署實驗限制、嵌入式(shi)端 速度慢、開(kai)發過程中(zhong)環境切換等(deng)問題，簡 化(hua)了開(kai)發流(liu)程，開(kai)展教學更流(liu)暢便(bian)捷。
可視化算法教學將算(suan)法(fa)過程封裝，動態解析(xi)代(dai)碼，按搭積木式組(zu)合讓用戶可視(shi)化理解算(suan)法(fa)原理，構建整(zheng)體(ti)思維，深入學習。
3D應用場景案例實戰
邏(luo)輯(ji)與算法可接入(ru)系統里預設(she)的(de)3D場景中，實現可視(shi)化交(jiao)互體驗，打造人工智能沉浸(jin)式(shi)實操(cao)環境。
智能捕捉錯誤
精準捕捉在(zai)編程(cheng)學習和算法學習過程(cheng)中的(de)異常(chang)情況，提(ti)醒錯誤原因(yin)，督(du)促及時(shi)修改。
代碼自動生成
Pyhton代碼(ma)自(zi)動生成，根據封裝(zhuang)好的組件(jian)自(zi)主(zhu)學習代碼(ma)，代碼(ma)資源可以遷(qian)移到硬件(jian)平臺或虛擬場景中驗證(zheng)。
拓展應用，開展比賽
系統里編譯的代碼可直接遷移(yi)到(dao)實際行(xing)業應用；豐富的實驗環境、項目(mu)資源(yuan)可作為人工智能大賽平臺(tai)。
· 灰度與二值化
· 圖像旋轉與縮放
· 圖像矯正與仿射變換
· 圖像噪點消除與濾波算法
· 圖像形態學變換
· 直方圖與均衡化
隨機案例：顏色識別、道路
邊緣檢測、快遞二維碼識別
· PyTorch
· TensorFlow
· PaddlePaddle
· 張量與矩陣
· 框架的自動微分機制
· 計算圖
· GPU的使用
隨機案例：加減乘
· 機器學習認識
· Python的機器學習庫
· K近鄰算法
· 線性回歸
· 激活函數與非線性化
· 邏輯回歸
· 支持向量機
· 貝葉斯
· 聚(ju)類算法
· 前向與反向過程
· 訓練過程可視化
· 優化器與優化方法
· 欠擬合與過擬合
· 模型效果評估
隨機案例：分開兩個圓
· 計算機眼中的圖像
· 卷積為什么能識別圖像
· 池化為什么能增強特征
· 多通道卷積與偏置過程
· 經典神經網絡
實戰：人臉識別
· NLP的發展與技術棧
· 傳統的RNN
· LSTM
· Bi-LSTM
· GRU
· ChatGPT的發展與技術棧
· 基礎與動機
· Transformer 架構
· 注意力機制
· 位置編碼
· 注意力掩碼
· 經(jing)典神經(jing)網(wang)絡
· 安裝與配置
· 組件的介紹與使用
· 信號與槽函數
· PyQT的線程與進程
· SQLite數據庫
· PyQtGraph數據(ju)可視(shi)化
· LLM大語言模型介紹
· 經典大模型
· 大模型的微調方法
· LLM中attention的優化
· nlp評價指標
· 3D場景數據交互
· 數據采集
· 數據增強與分類數據集制作
· MobileNetV3的small與large
· 網絡fine-tuning
· 模型部署到場景
· 后端部署與前(qian)端檢測
· 3D場景數據交互
· 數據采集
· 目標檢測基礎知識
· 目標檢測發展與經典神經網絡
· YOLO的發展與關鍵概念
· 數據增強與分類數據集制作
· 網絡fine-tuning
· 模型部署到場景
· 后端部署與前(qian)端檢測
· 交通監控分析
· 車輛違停檢測
· 道路邊緣(yuan)和(he)車道標(biao)線識(shi)別
基于目標的(de)人臉查找檢測，并結合機(ji)器學(xue)習算法(fa) 實現1:N的(de)人臉識別。關鍵(jian)點檢測可以實現數字 化妝、數字美(mei)顏(yan)等功(gong)能(neng)。
3D場景(jing)的垃圾(ji)(ji)分類系統，實現可(ke)回收垃圾(ji)(ji)、廚(chu)余垃圾(ji)(ji)、有(you)害垃圾(ji)(ji)和其(qi)他垃圾(ji)(ji)的正(zheng)確分類，垃圾(ji)(ji)可(ke)以(yi)自定義多角度采集與識別。
3D場景流水線(xian)分揀物品(pin)可(ke)高(gao)度自定義，通過(guo)動(dong)態的自動(dong)上貨(huo)、識別殘次品(pin)、自動(dong)分揀、自動(dong)傳送帶控制(zhi)，實現智能化工業流水線(xian)作業
基于車(che)(che)(che)輛檢(jian)測(ce)(ce)、車(che)(che)(che)牌檢(jian)測(ce)(ce)、車(che)(che)(che)牌識(shi)別(bie)實現(xian)違章停(ting)(ting)車(che)(che)(che)識(shi)別(bie)功能，精準(zhun)快速識(shi)別(bie)出(chu)違停(ting)(ting)車(che)(che)(che)輛并進一(yi)步行(xing)動，車(che)(che)(che)輛可自動駕駛到某(mou)一(yi)區域，動態(tai)獲取場景攝像頭數據。
車(che)輛檢測與跟蹤在交通(tong)監控、智能城(cheng)市等方向都(dou)具有廣泛應用，通(tong)過目標檢測算法(fa)(fa)與跟蹤算法(fa)(fa)，檢測其道路車(che)輛實時性計數。
采用(yong)車牌檢測與(yu)光學OCR，實(shi)現場(chang)景中的(de)車牌識別功能(neng)，與(yu)車庫(ku)的(de)數據庫(ku)進行匹(pi)配(pei)對比，實(shi)現智(zhi)能(neng)化停車場(chang)、自動(dong)收(shou)費等系(xi)統的(de)放行與(yu)收(shou)費功能(neng)。
基(ji)于分(fen)割(ge)算法的車(che)(che)道(dao)線(xian)(xian)檢(jian)測(ce)，并使用輕量(liang)化分(fen)割(ge)方案實現車(che)(che)道(dao)線(xian)(xian)檢(jian)測(ce)，結合車(che)(che)輛檢(jian)測(ce)可實現壓線(xian)(xian)檢(jian)測(ce)與逆行(xing)檢(jian)測(ce)。
基于視覺處理實(shi)(shi)現仿射變換、車(che)道識別。并通過(guo)PID實(shi)(shi)現車(che)輛(liang)方向盤和(he)前輪(lun)的控(kong)制，通過(guo)后驅的速度調節(jie)車(che)輛(liang)行駛的速度。
國家政策
企業投入
資本傾斜
