課程簡(jiǎn)介
課程講授人是從事深度學(xué)習(xí)項(xiàng)目管理的人員，帶隊(duì)完成了數(shù)十個(gè)AI項(xiàng)目，內(nèi)容不僅包括深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等具體技術(shù)要點(diǎn)，也包括AI的整體發(fā)展、現(xiàn)狀、應(yīng)用、商業(yè)價(jià)值、未來方向等，涵蓋內(nèi)容非常豐富。
鄒偉，長(zhǎng)春工業(yè)大學(xué)人工智能研究院院長(zhǎng)，工程學(xué)術(shù)帶頭人、華東建筑設(shè)計(jì)研究總院研究員、山東交通學(xué)院客座教授、南昌航空大學(xué)碩士生導(dǎo)師、中國(guó)軟件行業(yè)協(xié)會(huì)專家委員、上海市計(jì)劃生育科學(xué)研究所特聘專家、天津大學(xué)創(chuàng)業(yè)導(dǎo)師、中華中醫(yī)藥學(xué)會(huì)會(huì)員、中國(guó)醫(yī)藥教育協(xié)會(huì)老年運(yùn)動(dòng)與健康分會(huì)學(xué)術(shù)委員；領(lǐng)導(dǎo)?？桶钆c全國(guó)二十多所高校、國(guó)企建立了AI聯(lián)合實(shí)驗(yàn)室，完成50多個(gè)深度學(xué)習(xí)實(shí)踐項(xiàng)目，廣泛應(yīng)用于醫(yī)療、交通、農(nóng)業(yè)、氣象、銀行、電信等多個(gè)領(lǐng)域。
目標(biāo)收益
1，整體把握機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、數(shù)據(jù)挖掘的發(fā)展方向
2，了解機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺的技術(shù)框架
3，理解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的思維方式和關(guān)鍵技術(shù)
4，了解深度學(xué)習(xí)和機(jī)器學(xué)習(xí)在當(dāng)前工業(yè)界的落地應(yīng)用
5，了解AI頂會(huì)論文和最新技術(shù)熱點(diǎn)
培訓(xùn)對(duì)象
課程大綱
| 第一節(jié)：多模態(tài)模型 |
?編碼器、解碼器 ?自注意力機(jī)制 ??Transformer?、?Mask Multi-Head Attention ?特定于任務(wù)的輸入轉(zhuǎn)換 ?無監(jiān)督預(yù)訓(xùn)練、有監(jiān)督 Fine-tuning ?GPT2：多任務(wù)系統(tǒng) ?GPT3：少樣本、零樣本學(xué)習(xí) ?meta-learning（元學(xué)習(xí)）和in-context learning（基于上下文的學(xué)習(xí)） ?實(shí)戰(zhàn)：高考作文神器（writeGPT） 安裝環(huán)境：OpenCV, Pandas，Regex?，Numpy?，Requests? 攝像頭讀題、EAST文本檢測(cè)、 通順度判斷 作文生成 ?實(shí)戰(zhàn)：古詩詞GPT（chineseGPT） 散文生成、詩詞模型、對(duì)聯(lián)模型、文言文模型 |
| 第二節(jié)：從GPT3到chatGPT |
?監(jiān)督微調(diào)（SFT）模型、 ?指示學(xué)習(xí)和提示學(xué)習(xí) ?簡(jiǎn)單提示、小樣本提示、基于用戶的提示 ?指令微調(diào) ?RLLHF技術(shù)詳解（從人類的反饋中學(xué)習(xí)） ?聚合問答數(shù)據(jù)訓(xùn)練獎(jiǎng)勵(lì)模型（RM） ?強(qiáng)化學(xué)習(xí)微調(diào)、PPO、 ??InstructGPT遵循用戶意圖使用強(qiáng)化學(xué)習(xí)方案 ?Instruct Learning vs. Prompt Learning ?ChatGPT增加增加了Chat屬性 ?AI 系統(tǒng)的新范式 ?GPT1-GPT2-GPT3-InstructGPT的-chatGPT的技術(shù)關(guān)系 ?實(shí)戰(zhàn)：使用chatGPT打造你的私人聊天助理（revchatGPT） ?實(shí)戰(zhàn)：演示提示詞技巧，翻譯器潤(rùn)色器、JavaScript 控制臺(tái)?、Excel Sheet ?實(shí)戰(zhàn)：網(wǎng)站定制chatgpt-web ?安裝環(huán)境pnpm |
| 第三節(jié)：生成模型AutoGPT等實(shí)戰(zhàn) |
環(huán)境: VSCode + devcontainer:、Docker、Python 3.10? ?配置OpenAI的API ?配置谷歌API/ ?配置Pinecone API ?安裝插件 ?Milvus設(shè)置 ?實(shí)戰(zhàn)： 小助理, 完成代辦事項(xiàng)列表中的任務(wù) 幫助進(jìn)行市場(chǎng)調(diào)研，并撰寫最佳產(chǎn)品摘要 生成一個(gè) GPT-4 代理來完成添加到待辦事項(xiàng)列表中的任何任務(wù) 自行閱讀近期發(fā)生的事件自行總結(jié)并且撰寫播客內(nèi)容 自行寫博客 化身24小時(shí)智能客服 |
| 第四節(jié)：大模型中的強(qiáng)化學(xué)習(xí) |
強(qiáng)化學(xué)習(xí)核心機(jī)制 深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的結(jié)合 強(qiáng)化學(xué)習(xí)是“左右互搏”之術(shù)嗎？ SARSA和Q-Learning 時(shí)序差分簡(jiǎn)介、TD目標(biāo)值 / TD 誤差 DP/MC/TD對(duì)比 在線策略TD：Sarsa算法 離線策略TD：Q-learning算法 表格型強(qiáng)化學(xué)習(xí)/函數(shù)近似型強(qiáng)化學(xué)習(xí) 線性逼近/非線性逼近? 值函數(shù)逼近的Sarsa算法 值函數(shù)逼近的Q-learning算法 人工神經(jīng)網(wǎng)絡(luò)（卷積、池化、全連接） DQN方法 Double DQN方法 Dueling DQN方法 DQN、Double DQN AlphaGo在其中起的作用 策略梯度PG和PPO算法 RLHF：從人類的反饋中學(xué)習(xí)（經(jīng)典論文學(xué)習(xí)） 再看 InstructGPT遵循用戶意圖使用強(qiáng)化學(xué)習(xí)方案 |
| 第五節(jié)：擴(kuò)散模型 |
GAN-VAE-流模型-擴(kuò)散模型的技術(shù)發(fā)展和變化 CLIP和擴(kuò)散模型的結(jié)合：基于CLIP模型的多模態(tài)引導(dǎo)圖像生成：圖文引導(dǎo) GLIDE：文本引導(dǎo) Diffusion-CLIP模型 擴(kuò)散和去噪(Diffusion&Denoise) 訓(xùn)練和采樣(Training&Sampling) 離散步驟的馬爾可夫鏈 分子熱動(dòng)力學(xué)的擴(kuò)散過程 離散加噪 DDPM-最經(jīng)典的擴(kuò)散模型 DDIM：加速采樣、可控?cái)U(kuò)散 IVLR：迭代去燥的圖像編輯，低通濾波上采樣 RePaint: 被掩碼的區(qū)域進(jìn)行擴(kuò)散生成 代碼和案例實(shí)踐一： 低質(zhì)量噪聲圖像修復(fù) 精確復(fù)原原圖 圖像去除遮擋、圖像補(bǔ)全 圖像生成（人物恢復(fù)青春、人物變瘦） 第二節(jié)： 引導(dǎo)擴(kuò)散模型-圖文引導(dǎo)圖像生成 圖像引導(dǎo)、文本引導(dǎo)、圖像+文本引導(dǎo) CLIP和擴(kuò)散模型的結(jié)合：基于CLIP模型的多模態(tài)引導(dǎo)圖像生成：圖文引導(dǎo) GLIDE：文本引導(dǎo) DALL·E 2：diffusion model和CLIP結(jié)合在一起 隱式分類器引導(dǎo)的圖像生成 Blended Diffusioni模型 Diffusion-CLIP模型 DiffEdit模型 分別實(shí)現(xiàn)圖像引導(dǎo)、文字引導(dǎo)、圖文引導(dǎo)下的圖片生成 Diffusion LM 本人在央企數(shù)字化轉(zhuǎn)型中的實(shí)踐體會(huì) 知識(shí)圖譜-圖網(wǎng)絡(luò)等“邊緣技術(shù)”在AIGC中的應(yīng)用 AIGC的可能應(yīng)用領(lǐng)域和行業(yè)影響 |
|
第一節(jié)：多模態(tài)模型 ?編碼器、解碼器 ?自注意力機(jī)制 ??Transformer?、?Mask Multi-Head Attention ?特定于任務(wù)的輸入轉(zhuǎn)換 ?無監(jiān)督預(yù)訓(xùn)練、有監(jiān)督 Fine-tuning ?GPT2：多任務(wù)系統(tǒng) ?GPT3：少樣本、零樣本學(xué)習(xí) ?meta-learning（元學(xué)習(xí)）和in-context learning（基于上下文的學(xué)習(xí)） ?實(shí)戰(zhàn)：高考作文神器（writeGPT） 安裝環(huán)境：OpenCV, Pandas，Regex?，Numpy?，Requests? 攝像頭讀題、EAST文本檢測(cè)、 通順度判斷 作文生成 ?實(shí)戰(zhàn)：古詩詞GPT（chineseGPT） 散文生成、詩詞模型、對(duì)聯(lián)模型、文言文模型 |
|
第二節(jié)：從GPT3到chatGPT ?監(jiān)督微調(diào)（SFT）模型、 ?指示學(xué)習(xí)和提示學(xué)習(xí) ?簡(jiǎn)單提示、小樣本提示、基于用戶的提示 ?指令微調(diào) ?RLLHF技術(shù)詳解（從人類的反饋中學(xué)習(xí)） ?聚合問答數(shù)據(jù)訓(xùn)練獎(jiǎng)勵(lì)模型（RM） ?強(qiáng)化學(xué)習(xí)微調(diào)、PPO、 ??InstructGPT遵循用戶意圖使用強(qiáng)化學(xué)習(xí)方案 ?Instruct Learning vs. Prompt Learning ?ChatGPT增加增加了Chat屬性 ?AI 系統(tǒng)的新范式 ?GPT1-GPT2-GPT3-InstructGPT的-chatGPT的技術(shù)關(guān)系 ?實(shí)戰(zhàn)：使用chatGPT打造你的私人聊天助理（revchatGPT） ?實(shí)戰(zhàn)：演示提示詞技巧，翻譯器潤(rùn)色器、JavaScript 控制臺(tái)?、Excel Sheet ?實(shí)戰(zhàn)：網(wǎng)站定制chatgpt-web ?安裝環(huán)境pnpm |
|
第三節(jié)：生成模型AutoGPT等實(shí)戰(zhàn) 環(huán)境: VSCode + devcontainer:、Docker、Python 3.10? ?配置OpenAI的API ?配置谷歌API/ ?配置Pinecone API ?安裝插件 ?Milvus設(shè)置 ?實(shí)戰(zhàn)： 小助理, 完成代辦事項(xiàng)列表中的任務(wù) 幫助進(jìn)行市場(chǎng)調(diào)研，并撰寫最佳產(chǎn)品摘要 生成一個(gè) GPT-4 代理來完成添加到待辦事項(xiàng)列表中的任何任務(wù) 自行閱讀近期發(fā)生的事件自行總結(jié)并且撰寫播客內(nèi)容 自行寫博客 化身24小時(shí)智能客服 |
|
第四節(jié)：大模型中的強(qiáng)化學(xué)習(xí) 強(qiáng)化學(xué)習(xí)核心機(jī)制 深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的結(jié)合 強(qiáng)化學(xué)習(xí)是“左右互搏”之術(shù)嗎？ SARSA和Q-Learning 時(shí)序差分簡(jiǎn)介、TD目標(biāo)值 / TD 誤差 DP/MC/TD對(duì)比 在線策略TD：Sarsa算法 離線策略TD：Q-learning算法 表格型強(qiáng)化學(xué)習(xí)/函數(shù)近似型強(qiáng)化學(xué)習(xí) 線性逼近/非線性逼近? 值函數(shù)逼近的Sarsa算法 值函數(shù)逼近的Q-learning算法 人工神經(jīng)網(wǎng)絡(luò)（卷積、池化、全連接） DQN方法 Double DQN方法 Dueling DQN方法 DQN、Double DQN AlphaGo在其中起的作用 策略梯度PG和PPO算法 RLHF：從人類的反饋中學(xué)習(xí)（經(jīng)典論文學(xué)習(xí)） 再看 InstructGPT遵循用戶意圖使用強(qiáng)化學(xué)習(xí)方案 |
|
第五節(jié)：擴(kuò)散模型 GAN-VAE-流模型-擴(kuò)散模型的技術(shù)發(fā)展和變化 CLIP和擴(kuò)散模型的結(jié)合：基于CLIP模型的多模態(tài)引導(dǎo)圖像生成：圖文引導(dǎo) GLIDE：文本引導(dǎo) Diffusion-CLIP模型 擴(kuò)散和去噪(Diffusion&Denoise) 訓(xùn)練和采樣(Training&Sampling) 離散步驟的馬爾可夫鏈 分子熱動(dòng)力學(xué)的擴(kuò)散過程 離散加噪 DDPM-最經(jīng)典的擴(kuò)散模型 DDIM：加速采樣、可控?cái)U(kuò)散 IVLR：迭代去燥的圖像編輯，低通濾波上采樣 RePaint: 被掩碼的區(qū)域進(jìn)行擴(kuò)散生成 代碼和案例實(shí)踐一： 低質(zhì)量噪聲圖像修復(fù) 精確復(fù)原原圖 圖像去除遮擋、圖像補(bǔ)全 圖像生成（人物恢復(fù)青春、人物變瘦） 第二節(jié)： 引導(dǎo)擴(kuò)散模型-圖文引導(dǎo)圖像生成 圖像引導(dǎo)、文本引導(dǎo)、圖像+文本引導(dǎo) CLIP和擴(kuò)散模型的結(jié)合：基于CLIP模型的多模態(tài)引導(dǎo)圖像生成：圖文引導(dǎo) GLIDE：文本引導(dǎo) DALL·E 2：diffusion model和CLIP結(jié)合在一起 隱式分類器引導(dǎo)的圖像生成 Blended Diffusioni模型 Diffusion-CLIP模型 DiffEdit模型 分別實(shí)現(xiàn)圖像引導(dǎo)、文字引導(dǎo)、圖文引導(dǎo)下的圖片生成 Diffusion LM 本人在央企數(shù)字化轉(zhuǎn)型中的實(shí)踐體會(huì) 知識(shí)圖譜-圖網(wǎng)絡(luò)等“邊緣技術(shù)”在AIGC中的應(yīng)用 AIGC的可能應(yīng)用領(lǐng)域和行業(yè)影響 |
近期公開課推薦
