机器学习
DeepSeek大模型实战:大模型全解析、部署及大模型训练微调代码实战
一、购课送配套清华大学出版社教材【纸质正版《GPT多模态大模型与AI Agent智能体》】购买此课程的用户赠送陈敬雷老师清华大学出版社正版纸质书籍《GPT多模态大模型与AI Agent智能体》!购买后加陈敬雷老师微信chenjinglei66领取。二、课程优势本课程有陈敬雷老师的清华大学出版社配套新书教材《GPT多模态大模型与AI Agent智能体》(跟我一起学人工智能)。新书配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,技术前沿热门,是真正的互联网工业级实战项目。三、课程简介当DeepSeek、 GPT-4/5、Sora 等大语言模型、多模态大模型持续引爆 AI 领域,你是否渴望看透技术本质、掌控发展脉络?这门聚焦大模型技术原理的课程,将为你搭建从基础到前沿的完整知识框架,助你在 AI 浪潮中站稳脚跟。课程核心亮点:从根源到前沿,锻造硬核 AI 技能1.技术本源深度挖掘追溯大模型技术起源与发展思想,通过代码实践具象化理论,解析 Transformer 预训练语言模型的底层架构,让你明白大模型 “能做事” 的根本原因。对比不同技术路径的优劣,掌握大模型从基础构建到功能实现的核心逻辑。2.实战能力层层递进系统学习 Prompt 提示词工程的理论与实践,结合指令微调技术,学会用精准指令激发大模型潜能,实现场景化高效应用。深入人类反馈强化学习领域,掌握DeepSeek训练微调、马尔科夫决策过程、PPO 算法,通过 RLHF+PPO 代码实战,让模型输出更贴合人类需求。掌握Ollama本地部署及训练微调DeepSeek大模型:系统讲解 Ollama 的安装配置,以及 DeepSeek 大模型的部署流程,涵盖模型管理、接口调用及 Open WebUI 集成、本地运行DeepSeek-R1满血版大模型、训练微调DeepSeek-R1大模型等内容,助力掌握本地化大模型部署及微调技术。3.前沿趋势精准把握解析 GPT 智能涌现原理,弄懂思维链、上下文学习能力等 “智能表现” 的成因,前瞻通用人工智能(AGI)的发展方向,提前布局技术高地。4.课程模块详解:体系化学习,收获明确第一部分:DeepSeek大模型企业应用落地实践1. Ollama 框架详解:本地部署 DeepSeek 大模型实战指南核心内容:深度剖析 Ollama 框架,从安装到配置,一步步教你在本地部署 DeepSeek 大模型,涵盖模型下载、运行及管理等实操环节。学习受益:掌握 Ollama 框架运用,能独立在本地部署 DeepSeek 大模型,降低模型使用成本,保障数据隐私,提升自然语言处理效率。2. Ollama 安装与 DeepSeek 大模型部署全流程操作实践核心内容:全面覆盖 Ollama 在不同系统的安装方法,以及 DeepSeek 大模型从选型到部署的完整流程,包含硬件适配、版本选择及部署后测试。学习受益:通过实践掌握 Ollama 与 DeepSeek 大模型部署技能,可依自身需求灵活搭建模型环境,为 AI 相关工作、学习筑牢基础。3. Open WebUI 全方位解析:自托管 AI 平台功能与应用核心内容:详细解读 Open WebUI 自托管 AI 平台,介绍其安装方式、多模型兼容特性、权限管理及丰富的功能模块,如 RAG 集成等。学习受益:学会运用 Open WebUI 搭建个性化 AI 平台,利用其丰富功能提升大模型交互体验,满足企业级或个人多样化 AI 应用需求 。4. 基于Unsloth的DeepSeek训练微调核心工具核心内容:基于 Unsloth 对 DeepSeek 模型,优化训练效率与内存占用,适配多场景部署,支持灵活导出与定制。 学员收益:掌握高效微调 DeepSeek 的方法,降低硬件门槛,提升模型落地能力,助力科研与企业应用。5. DeepSeek-R1训练微调代码实践核心内容:DeepSeek-R1高效训练微调,结合医学 COT思维链 数据集,实操 LoRA、量化压缩,实现专业领域推理大模型问答全流程。学员收益:快速掌握数据处理到部署全流程,攻克大模型微调痛点,获得医学垂类模型训练实战能力。然后举一反三,相同代码可以应用到其他行业。6. 吃透 DeepSeek-R1:模型文件全解析与实战指南 核心内容:解析架构与训练机制,详解 163 个分片文件及配置、分词器,含多领域实战案例。 学员收益:掌握模型原理与优化,提升实战能力,拓宽职业路,培养逻辑与创新思维。7. 本地运行DeepSeek-R1满血版大模型 核心内容:涵盖硬件配置(多高端 GPU 等)、环境部署、模型下载与调优,及推理测试全流程。 学员收益:掌握本地部署技能,实现隐私数据处理,降低依赖,提升大模型实战与优化能力。第二部分:大模型核心技术原理8. 大模型技术的起源、思想及代码实践核心内容:介绍大模型技术的发展历程、核心思想,搭配相关代码实操演练 学员收益:理清大模型技术的来龙去脉,通过代码实践将抽象思想转化为具体认知9. 基于 Transformer 的预训练语言模型核心内容:详解 Transformer 架构的构成、工作原理及在预训练语言模型中的应用学员收益:掌握 Transformer 架构的核心知识,理解预训练语言模型的构建基础10. Prompt 提示词学习工程理论与实践 核心内容:阐述 Prompt 提示词工程的理论知识,结合实际案例进行实践操作学员收益:学会设计高质量 Prompt,有效提升大模型的响应效果和任务完成度第三部分:大模型训练微调、基于RLHF人类反馈强化学习对齐、PPO强化学习算法 理论与实践11. 大模型训练微调理论与实践核心内容:讲解指令微调的基本原理、实施步骤和相关技巧,进行实践训练 学员收益:掌握指令微调方法,使大模型能更好地适配特定场景和任务12. 人类反馈强化学习 核心内容:介绍人类反馈强化学习的概念,解析马尔科夫决策过程的原理及应用学员收益:学员将掌握人类反馈强化学习核心概念,理解马尔科夫决策过程原理与应用,提升对智能系统通过人类反馈优化决策的认知,为相关技术实践奠定基础。13. PPO 强化学习算法 核心内容:深入讲解 PPO 算法的原理、数学推导和实现过程学员收益:熟练掌握 PPO 算法,为开展强化学习相关工作奠定坚实基础14. 大模型人类反馈强化学习对齐 核心内容:探讨大模型与人类反馈强化学习对齐的原则、方法和挑战 学员收益:学会使大模型的行为符合人类价值观和需求,提升模型的可靠性15. 人类反馈强化学习 RLHF+PPO 代码实践核心内容:结合具体案例,进行 RLHF 与 PPO 结合的代码编写和实操练习学员收益:通过实战掌握 RLHF+PPO 的应用,提升用代码优化大模型的能力第四部分: 大模型思维链COT推理及上下文指令理解16. 大模型思维链COT核心内容:讲解思维链的概念、作用机制和在大模型中的应用方式学员收益:掌握利用思维链提升大模型推理能力的方法17. 大模型上下文学习能力核心内容:分析大模型上下文学习能力的原理、影响因素和提升技巧 学员收益:理解大模型上下文学习的本质,学会充分利用该能力提升模型表现18. 大模型指令理解核心内容:探讨大模型指令理解的机制、常见问题及优化方法学员收益:提升大模型对复杂指令的理解准确度,增强模型的实用性第五部分: 通用人工智能AGI19. GPT 智能涌现原理与 AGI 通用人工智能通讲核心内容:解析 GPT 智能涌现的原理,全面讲解 AGI 通用人工智能的相关知识学员收益:理解 GPT 智能涌现的本质,对 AGI 有系统且深入的认识20. 智能涌现原理核心内容:阐释智能涌现的定义、特征、产生条件和表现形式学员收益:明确智能涌现的概念,理解大模型能力突然提升的关键所在21. 通用人工智能AGI核心内容:介绍通用人工智能的概念、发展现状、关键技术和未来趋势学员收益:全面了解通用人工智能,把握其发展方向,为相关研究和应用做准备为什么选择这门课程?四大核心优势权威性与实用性兼具:作者陈敬雷深耕 AI 领域多年,课程内容基于《GPT 多模态大模型与 AI Agent 智能体》一书,结合京东图书配套视频,理论与实践深度结合。理论与实战紧密融合:每个知识点都配套代码实践,从原理理解到动手操作无缝衔接,避免 “纸上谈兵”,学完就能上手应用。内容全面且聚焦核心:覆盖大模型技术全链条关键内容,不冗余、不零散,直击技术核心,让学习更高效。紧跟技术发展步伐:聚焦 GPT、AGI 等前沿热点,解析最新技术现象与原理,确保所学内容不过时,贴合行业发展需求。适合人群:人工智能开发者、学习者,想系统掌握大模型技术原理与实践技能;企业技术人员,需规划大模型应用与开发方向,推动业务落地;高校师生、科研人员,从事大模型相关研究,寻求理论与实践结合的学习资源;对 AI 技术充满热情,希望紧跟前沿,提升自身竞争力的职场人士。四、老师介绍陈敬雷 充电了么创始人,CEO兼CTO陈敬雷,北京充电了么科技有限公司创始人,CEO兼CTO,十几年互联网从业经验,曾就职于用友网络、中软集团、凡客诚品、唯品会、猎聘、人民日报(灵思云途)、北京万朝科技,曾任架构师、首席技术官、首席科学家等职务,对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验,在技术领域,尤其在大数据和人工智能方向有丰富的算法工程落地实战经验,其中在猎聘任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。此外,陈敬雷著有清华大学出版社四本人工智能书籍,分别是《分布式机器学习实战》《自然语言处理原理与实战》《GPT多模态大模型与AI Agent智能体》《DeepSeek大模型与具身智能实践》,颇受好评。同时陈敬雷还是知名大数据人工智能讲师,研发了上百门课程,总计有30万学员。五、《GPT多模态大模型与AI Agent智能体》书籍配套视频课程介绍:陈敬雷老师的京东自营书名标题: GPT多模态大模型与AI Agent智能体(跟我一起学人工智能)《GPT多模态大模型与AI Agent智能体》(跟我一起学人工智能)是一本2025年清华大学出版社出版的图书,作者是陈敬雷,本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。全书共8章,从大模型技术原理切入,逐步深入大模型训练及微调,还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体,从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面,本书提供了丰富的案例分析,如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人,以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用,也为读者提供了宝贵的实践经验。本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读,也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统,既有理论知识的深入讲解,也有大量的实践案例和代码示例,能够帮助学生在掌握理论知识的同时,培养实际操作能力和解决问题的能力。通过阅读本书,读者将能够更好地理解大模型技术的前沿发展,并将其应用于实际工作中,推动人工智能技术的进步和创新。六、配套书籍目录:第1章 大模型技术原理1.1 大模型技术的起源、思想1.2 基于Transformer的预训练语言模型1.2.1 编码预训练语言模型1.2.2 解码预训练语言模型1.2.3 基于编解码架构的预训练语言模型1.3 提示学习与指令微调1.3.1 提示学习1.3.2 指令微调1.4 人类反馈强化学习1.4.1 强化学习1.4.2 PPO算法1.4.3 大模型人类反馈强化学习对齐1.5 GPT智能涌现原理与AGI通用人工智能1.5.1 什么是智能涌现1.5.2 思维链1.5.3 上下文学习能力1.5.4 指令理解1.5.5 通用人工智能第2章 大模型训练及微调2.1 大模型训练概述2.2 分布式训练的并行策略2.2.1 数据并行2.2.2 模型并行2.2.3 混合并行2.2.4 并行计算框架2.3 预训练模型的压缩2.3.1 模型压缩方案概述2.3.2 结构化模型压缩策略2.3.3 非结构化模型压缩策略2.3.4 8位/4位量化压缩实战2.4 大模型微调方法2.4.1 Prefix Tuning微调2.4.2 P-Tuning V1微调2.4.3 P-Tuning V2微调2.4.4 LoRA微调2.4.5 QLoRA微调2.5 基于旋转位置编码RoPE的长文本理解2.5.1 RoPE技术原理2.5.2 RoPE关键特性第3章 主流大模型3.1 国内大模型3.1.1 智谱清言ChatGLM3.1.2 百川智能3.1.3 百度文心一言3.1.4 阿里巴巴通义千问3.1.5 腾讯混元3.1.6 华为盘古3.1.7 360智脑3.1.8 科大讯飞星火3.1.9 智源悟道大模型3.1.10 月之暗面Kimi3.1.11 复旦大学MOSS3.1.12 零一万物3.1.13 字节跳动豆包大模型3.2 国外大模型3.2.1 OpenAI GPT-4o3.2.2 Meta LLaMA3.2.3 Anthropic Claude3.2.4 谷歌Gemini和开源Gemma3.2.5 Mistral Large3.2.6 xAI Grok3.3 垂直类大模型3.3.1 HuatuoGPT3.3.2 BianQue3.3.3 BenTsao3.3.4 XrayGLM3.3.5 DoctorGLM3.3.6 ChatMed3.3.7 度小满轩辕3.3.8 BloombergGPT3.3.9 LawGPT3.3.10 LexiLaw3.3.11 Lawyer LLaMA3.3.12 ChatLaw3.3.13 ChatGLM-Math第4章 LangChain技术原理与实践4.1 LangChain技术原理4.2 LangChain六大核心模块4.2.1 模型I/O4.2.2 数据增强模块4.2.3 链模块4.2.4 记忆模块4.2.5 Agent模块4.2.6 回调处理器第5章 RAG检索增强生成5.1 RAG技术原理5.1.1 RAG的概念与应用5.1.2 RAG技术架构5.1.3 分块和向量化5.1.4 搜索索引5.1.5 重新排序和过滤5.1.6 查询转换与路由5.1.7 RAG中的Agent智能体5.1.8 响应合成器5.1.9 大模型微调和RAG优劣势对比5.2 文本向量模型5.2.1 Embedding模型、Reranker模型及ColBERT模型5.2.2 阿里巴巴GTE向量模型5.2.3 中文acge_text_embedding模型5.2.4 智源中英文语义向量模型BGE5.2.5 Moka开源文本嵌入模型M3E5.2.6 OpenAI的text-embedding模型5.3 向量数据库5.3.1 Faiss5.3.2 Milvus5.3.3 Pinecone5.3.4 Chroma5.4 RAG应用实践5.4.1 基于大模型构建企业私有数据的知识问答5.4.2 应对大模型落地挑战的优化策略第6章 多模态大模型6.1 多模态基础模型6.1.1 多模态对齐、融合和表示6.1.2 CLIP6.1.3 BLIP6.1.4 BLIP-26.1.5 InstructBLIP和X-InstructBLIP6.1.6 SAM6.1.7 OpenFlamingo6.1.8 VideoChat6.1.9 PaLM-E6.2 OpenAI多模态大模型DALL·E 3、GPT-4V、GPT-4o、Sora6.2.1 文生图多模态大模型DALL·E 36.2.2 GPT-4V6.2.3 端到端训练多模态大模型GPT-4o技术原理6.2.4 文生视频多模态大模型Sora6.3 通义千问多模态大模型6.3.1 开源Qwen-VL和Qwen-VL-Chat6.3.2 Qwen-VL-Plus和Qwen-VL-Max6.4 开源端到端训练多模态大模型LLaVA6.4.1 LLaVA6.4.2 LLaVA-1.56.4.3 LLaVA-1.66.4.4 MoE-LLaVA6.4.5 LLaVA-Plus6.4.6 Video-LLaVA和LLaVA-NeXT-Video6.5 零一万物多模态大模型Yi-VL系列6.5.1 Yi-VL系列模型架构6.5.2 Yi-VL系列模型训练微调及推理6.6 清华系多模态大模型6.6.1 VisualGLM-6B6.6.2 CogVLM26.6.3 CogAgent6.6.4 CogView、CogVideo和CogVideoX6.6.5 CogCoM6.6.6 GLM-4V-9B第7章 AI Agent智能体7.1 AI Agent智能体介绍和原理7.1.1 AI Agent的定义与角色7.1.2 AI Agent技术原理7.2 主流大模型Agent框架7.2.1 AutoGPT7.2.2 MetaGPT7.2.3 ChatDev7.2.4 AutoGen7.2.5 FastGPT7.2.6 XAgent7.2.7 GPT-Engineer7.2.8 BabyAGI7.2.9 SuperAGI第8章 大模型在企业应用中落地8.1 基于大模型的对话式推荐系统8.1.1 基于大模型的对话式推荐系统技术架构设计8.1.2 推荐AI Agent智能体8.1.3 面向推荐的语言表达模型8.1.4 知识插件8.1.5 基于大模型的推荐解释8.1.6 对话式推荐系统的新型评测方法8.2 多模态搜索8.2.1 多模态搜索技术架构设计8.2.2 多模态搜索关键技术8.2.3 多模态实时搜索与个性化推荐8.3 基于自然语言交互的NL2SQL数据即席查询8.3.1 NL2SQL数据即席查询技术原理8.3.2 NL2SQL应用实践8.4 基于大模型的智能客服对话机器人8.4.1 大模型智能客服对话机器人技术原理8.4.2 AI大模型赋能提升智能客服解决率新策略8.4.3 基于大模型的智能客服对话机器人系统搭建8.5 多模态数字人8.5.1 多模态数字人技术原理8.5.2 三维建模与三维重建8.5.3 数字人形象设计原理8.5.4 唇形同步算法8.5.5 NeRF、ER-NeRF与RAD-NeRF模型8.5.6 数字人项目实践8.6 多模态具身智能8.6.1 多模态具身智能概念及技术路线8.6.2 多模态感知与场景理解8.6.3 视觉导航8.6.4 世界模型8.6.5 具身智能模拟器8.6.6 多模态多感官交互具身智能大模型8.6.7 端到端强化学习人形机器人8.6.8 多模态通才具身智能体
共25节 24人已学习¥999.0 免费试学深度学习
大模型核心技术精讲:从原理、训练微调、强化学习RLHF+PPO代码实践
一、购课送配套清华大学出版社教材【纸质正版《GPT多模态大模型与AI Agent智能体》】购买此课程的用户赠送陈敬雷老师清华大学出版社正版纸质书籍《GPT多模态大模型与AI Agent智能体》!购买后加陈敬雷老师微信chenjinglei66领取。二、课程优势本课程有陈敬雷老师的清华大学出版社配套新书教材《GPT多模态大模型与AI Agent智能体》(跟我一起学人工智能)。新书配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,技术前沿热门,是真正的互联网工业级实战项目。三、课程简介当DeepSeek、 GPT-4/5、Sora 等大语言模型、多模态大模型持续引爆 AI 领域,你是否渴望看透技术本质、掌控发展脉络?这门聚焦大模型技术原理的课程,将为你搭建从基础到前沿的完整知识框架,助你在 AI 浪潮中站稳脚跟。课程核心亮点:从根源到前沿,锻造硬核 AI 技能1.技术本源深度挖掘追溯大模型技术起源与发展思想,通过代码实践具象化理论,解析 Transformer 预训练语言模型的底层架构,让你明白大模型 “能做事” 的根本原因。对比不同技术路径的优劣,掌握大模型从基础构建到功能实现的核心逻辑。2.实战能力层层递进系统学习 Prompt 提示词工程的理论与实践,结合指令微调技术,学会用精准指令激发大模型潜能,实现场景化高效应用。深入人类反馈强化学习领域,掌握DeepSeek训练微调、马尔科夫决策过程、PPO 算法,通过 RLHF+PPO 代码实战,让模型输出更贴合人类需求。3.前沿趋势精准把握解析 GPT 智能涌现原理,弄懂思维链、上下文学习能力等 “智能表现” 的成因,前瞻通用人工智能(AGI)的发展方向,提前布局技术高地。4.课程模块详解:体系化学习,收获明确 模块 | 核心内容 | 学习收益1.1 大模型技术的起源、思想及代码实践核心内容:介绍大模型技术的发展历程、核心思想,搭配相关代码实操演练 学员收益:理清大模型技术的来龙去脉,通过代码实践将抽象思想转化为具体认知1.2 基于 Transformer 的预训练语言模型核心内容:详解 Transformer 架构的构成、工作原理及在预训练语言模型中的应用学员收益:掌握 Transformer 架构的核心知识,理解预训练语言模型的构建基础1.3 Prompt 提示词学习工程理论与实践 核心内容:阐述 Prompt 提示词工程的理论知识,结合实际案例进行实践操作学员收益:学会设计高质量 Prompt,有效提升大模型的响应效果和任务完成度1.4 指令微调理论与实践核心内容:讲解指令微调的基本原理、实施步骤和相关技巧,进行实践训练 学员收益:掌握指令微调方法,使大模型能更好地适配特定场景和任务1.5 人类反馈强化学习 核心内容:介绍人类反馈强化学习的概念,解析马尔科夫决策过程的原理及应用学员收益:学员将掌握人类反馈强化学习核心概念,理解马尔科夫决策过程原理与应用,提升对智能系统通过人类反馈优化决策的认知,为相关技术实践奠定基础。1.6 PPO 强化学习算法 核心内容:深入讲解 PPO 算法的原理、数学推导和实现过程学员收益:熟练掌握 PPO 算法,为开展强化学习相关工作奠定坚实基础1.7 大模型人类反馈强化学习对齐 核心内容:探讨大模型与人类反馈强化学习对齐的原则、方法和挑战 学员收益:学会使大模型的行为符合人类价值观和需求,提升模型的可靠性1.8 人类反馈强化学习 RLHF+PPO 代码实践核心内容:结合具体案例,进行 RLHF 与 PPO 结合的代码编写和实操练习学员收益:通过实战掌握 RLHF+PPO 的应用,提升用代码优化大模型的能力1.9 GPT 智能涌现原理与 AGI 通用人工智能通讲核心内容:解析 GPT 智能涌现的原理,全面讲解 AGI 通用人工智能的相关知识学员收益:理解 GPT 智能涌现的本质,对 AGI 有系统且深入的认识1.10 什么是智能涌现核心内容:阐释智能涌现的定义、特征、产生条件和表现形式学员收益:明确智能涌现的概念,理解大模型能力突然提升的关键所在1.11 思维链核心内容:讲解思维链的概念、作用机制和在大模型中的应用方式学员收益:掌握利用思维链提升大模型推理能力的方法1.12 上下文学习能力核心内容:分析大模型上下文学习能力的原理、影响因素和提升技巧 学员收益:理解大模型上下文学习的本质,学会充分利用该能力提升模型表现1.13 指令理解核心内容:探讨大模型指令理解的机制、常见问题及优化方法学员收益:提升大模型对复杂指令的理解准确度,增强模型的实用性1.14 通用人工智能AGI核心内容:介绍通用人工智能的概念、发展现状、关键技术和未来趋势学员收益:全面了解通用人工智能,把握其发展方向,为相关研究和应用做准备1.15 基于Unsloth的DeepSeek训练微调核心工具核心内容:基于 Unsloth 对 DeepSeek 模型,优化训练效率与内存占用,适配多场景部署,支持灵活导出与定制。 学员收益:掌握高效微调 DeepSeek 的方法,降低硬件门槛,提升模型落地能力,助力科研与企业应用。1.16 DeepSeek-R1训练微调代码实践核心内容:DeepSeek-R1高效训练微调,结合医学 COT思维链 数据集,实操 LoRA、量化压缩,实现专业领域推理大模型问答全流程。学员收益:快速掌握数据处理到部署全流程,攻克大模型微调痛点,获得医学垂类模型训练实战能力。然后举一反三,相同代码可以应用到其他行业。为什么选择这门课程?四大核心优势权威性与实用性兼具:作者陈敬雷深耕 AI 领域多年,课程内容基于《GPT 多模态大模型与 AI Agent 智能体》一书,结合京东图书配套视频,理论与实践深度结合。理论与实战紧密融合:每个知识点都配套代码实践,从原理理解到动手操作无缝衔接,避免 “纸上谈兵”,学完就能上手应用。内容全面且聚焦核心:覆盖大模型技术全链条关键内容,不冗余、不零散,直击技术核心,让学习更高效。紧跟技术发展步伐:聚焦 GPT、AGI 等前沿热点,解析最新技术现象与原理,确保所学内容不过时,贴合行业发展需求。适合人群:人工智能开发者、学习者,想系统掌握大模型技术原理与实践技能;企业技术人员,需规划大模型应用与开发方向,推动业务落地;高校师生、科研人员,从事大模型相关研究,寻求理论与实践结合的学习资源;对 AI 技术充满热情,希望紧跟前沿,提升自身竞争力的职场人士。四、老师介绍陈敬雷 充电了么创始人,CEO兼CTO陈敬雷,北京充电了么科技有限公司创始人,CEO兼CTO,十几年互联网从业经验,曾就职于用友、中软、凡客、唯品会、猎聘网、人民日报(灵思云途)、北京万朝科技,曾任架构师、首席技术官、首席科学家等职务,对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验,在技术领域,尤其在大数据和人工智能方向有丰富的算法工程落地实战经验,其中在猎聘任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。此外,陈敬雷著有清华大学出版社四本人工智能书籍,分别是《分布式机器学习实战》《自然语言处理原理与实战》《GPT多模态大模型与AI Agent智能体》《DeepSeek大模型与具身智能实践》,颇受好评。同时陈敬雷还是知名大数据人工智能讲师,研发了上百门课程,总计有30万学员。五、《GPT多模态大模型与AI Agent智能体》书籍配套视频课程介绍:陈敬雷老师的京东自营书名标题: GPT多模态大模型与AI Agent智能体(跟我一起学人工智能)《GPT多模态大模型与AI Agent智能体》(跟我一起学人工智能)是一本2025年清华大学出版社出版的图书,作者是陈敬雷,本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。全书共8章,从大模型技术原理切入,逐步深入大模型训练及微调,还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体,从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面,本书提供了丰富的案例分析,如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人,以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用,也为读者提供了宝贵的实践经验。本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读,也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统,既有理论知识的深入讲解,也有大量的实践案例和代码示例,能够帮助学生在掌握理论知识的同时,培养实际操作能力和解决问题的能力。通过阅读本书,读者将能够更好地理解大模型技术的前沿发展,并将其应用于实际工作中,推动人工智能技术的进步和创新。六、整体书籍及配套课程大纲目录:配套视频课程完整目录第1章 大模型技术原理1.1 大模型技术的起源、思想及代码实践1.2 基于Transformer的预训练语言模型1.3 Prompt提示词学习工程1.4 指令微调及代码实践1.5 人类反馈强化学习|马尔科夫决策过程1.6 PPO强化学习算法1.7 大模型人类反馈强化学习对齐1.8 GPT智能涌现原理与AGI通用人工智能通讲1.9 什么是智能涌现1.10 思维链1.11 上下文学习能力1.12 指令理解1.13 通用人工智能第2章 大模型训练及微调2.1 大模型训练通讲2.2 分布式训练的并行策略2.3 主流并行计算框架2.4 预训练模型的压缩2.5 8位/4位量化压缩实战2.6 大模型主流微调方法通讲2.7 Prefix Tuning微调2.8 P-Tuning V1微调2.9 P-Tuning V2微调2.10 LoRA微调2.11 QLoRA微调2.12 基于旋转位置编码RoPE的长文本理解第3章 DeepSeek大模型核心技术3.1 DeepSeek模型架构3.2 DeepSeek训练基础设施通讲 3.3 DeepSeek计算集群 3.4 DeepSeek自研HAI-LLM训练框架 3.5 DeepSeek FP8训练 3.6 DeepSeek推理与部署 3.7 DeepSeek预训练算法及策略 3.8 DeepSeek后训练之监督微调 3.9 DeepSeek后训练之 强化学习 3.10 DeepSeek-R1推理能力强化技术解读 3.11 DeepSeek-R1-Zero:基于基础模型的强化学习 3.12 DeepSeek-R1:冷启动强化学习 3.13 DeepSeek-R1知识蒸馏:赋予小模型推理能力 3.14 原生稀疏注意力(NSA)技术 3.15 FlashMLA技术解析 3.16 DeepEP通信库技术原理 3.17 DeepEP通信库使用指南 3.18 DeepEP通信库应用代码示例 3.19 高效矩阵乘法库DeepGEMM 3.20 双向流水线并行算法DualPipe深入分析 3.21 专家并行负载均衡器EPLB深入分析 3.22 萤火文件系统3FS 3.23 轻量级分布式数据处理框架Smallpond 3.24 DeepSeek-V3/R1推理系统架构及核心策略 3.25 DeepSeek技术优势解读 第4章 主流大模型 4.1 国内大模型通讲 4.2 智谱清言ChatGLM 4.3 百川智能 4.4 百度文心一言 4.5 阿里通义千问 4.6 腾讯混元 4.7 华为盘古 4.8 360智脑 4.9 科大讯飞星火 4.10 智源悟道大模型 4.11 月之暗面Kimi 4.12 复旦大学MOSS 4.13 零一万物 4.14 抖音豆包大模型 4.15 DeepSeek 4.16 国外大模型通讲 4.17 OpenAI GPT-4o 4.18 Meta LLaMA 4.19 Anthropic Claude 4.20 Google Gemini和开源Gemma 4.21 Mistral Large 4.22 xAI Grok 4.23 垂直类大模型通讲 4.24 HuatuoGPT 4.25 BianQue 4.26 BenTsao 4.27 XrayGLM 4.28 DoctorGLM 4.29 ChatMed 4.30 度小满轩辕4.31 BloombergGPT4.32 LaWGPT4.33 LexiLaw4.34 Lawyer LLaMA4.35 ChatLaw4.36 ChatGLM-Math第5章 LangChain与LangGraph技术原理与实践5.1 LangChain技术原理5.2 LangChain六大核心模块 5.3 LangChain代码实践5.4 LangGraph通讲 5.5 LangGraph技术原理 5.6 基于DeepSeek大模型的LangGraph代码实践 5.7 LangGraph Studio 第6章 RAG检索增强生成 6.1 RAG技术原理通讲 6.2 RAG的概念与应用 6.3 RAG技术架构 6.4 分块和矢量化 6.5 搜索索引 6.6 重新排序和过滤 6.7 查询转换与路由 6.8 RAG中的Agent智能体 6.9 响应合成器 6.10 大模型微调和RAG优劣势对比 6.11 文本向量模型通讲 6.12 Embedding模型、Reranker模型以及ColBERT模型 6.13 阿里巴巴GTE向量模型 6.14 中文acge_text_embedding模型 6.15 智源中英文语义向量模型BGE 6.16 Moka开源文本嵌入模型M3E 6.17 OpenAI的text-embedding模型 6.18 向量数据库通讲 6.19 Faiss 6.20 Milvus 6.21 Pinecone 6.22 Chroma 6.23 RAG应用实践通讲6.24 基于大模型构建企业私有数据的知识问答应用开发代码实践 6.25 应对大模型落地挑战的优化策略 6.26 主流开源RAG项目通讲 6.27 RAGFlow 6.28 LlamaIndex结合DeepSeek实践 6.29 GraphRAG 第7章 多模态大模型 7.1 多模态基础模型通讲 7.2 多模态对齐、融合和表示 7.3 CLIP 7.4 BLIP 7.5 BLIP-2 7.6 InstructBLIP和X-InstructBLIP 7.7 SAM 7.8 OpenFlamingo 7.9 VideoChat 7.10 PaLM-E 7.11 OpenAI多模态大模型DALL·E 3、GPT-4V、GPT-4o、Sora通讲 7.12 文生图多模态大模型DALL·E 3 7.13 GPT-4V 7.14 端到端训练多模态大模型GPT-4o技术原理 7.15 文生视频多模态大模型Sora 7.16 通义千问多模态大模型 7.17 开源Qwen-VL和Qwen-VL-Chat 7.18 Qwen-VL-Plus和Qwen-VL-Max 7.19 开源端到端训练多模态大模型LLaVA通讲 7.20 LLaVA 7.21 LLaVA1.5 7.22 LLaVA1.6 7.23 MoE-LLaVA 7.24 LLaVA-Plus 7.25 Video-LLaVA和LLaVA-NeXT-Video 7.26 零一万物多模态大模型Yi-VL系列 7.27 Yi-VL系列模型架构 7.28 Yi-VL系列模型训练微调及推理 7.29 清华系多模态大模型 7.30 VisualGLM-6B 7.31 CogVLM2 7.32 CogAgent 7.33 CogView、CogVideo和CogVideoX 7.34 CogCoM 7.35 GLM-4V-9B 第8章 AI Agent智能体 8.1 AI Agent智能体技术原理及架构 8.2 主流大模型Agent框架通讲 8.2.1 AutoGPT 8.2.2 MetaGPT 8.2.3 ChatDev 8.2.4 AutoGen 8.2.5 FastGPT 8.2.6 XAgent 8.2.7 GPT-engineer 8.2.8 BabyAGI 8.2.9 SuperAGI 8.2.10 CrewAI 8.2.11 Manus通用AI智能体 8.2.12 开源OpenManus通用AI智能体 第9章 DeepSeek大模型应用落地实践 9.1 DeepSeek部署实践 9.1.1 Ollama本地部署DeepSeek大模型 9.1.2 基于vLLM本地部署企业级DeepSeek 9.1.3 基于Unsloth的DeepSeek训练微调及本地运行 9.2 Dify应用程序集成DeepSeek 9.2.1 接入DeepSeek大模型 9.2.2 构建应用程序 9.2.3 知识库管理 9.2.4 工作流开发 9.2.5 工具插件 9.2.6 日志及监测 9.3 基于DeepSeek工作流应用场景开发实践 9.3.1 智能客服/知识问答助手开发 9.3.2 销量预测场景开发 9.3.3 工业生产设备预测性维护开发 第10章 大模型企业应用落地 10.1 基于大模型的对话式推荐系统 10.1.1 基于大模型的对话式推荐系统技术架构设计 10.1.2 推荐AI Agent智能体 10.1.3 面向推荐的语言表达模型 10.1.4 知识插件 10.1.5 基于大模型的推荐解释 10.1.6 对话式推荐系统的新型评测方法 10.2 多模态搜索 10.2.1 多模态搜索技术架构设计 10.2.2 多模态搜索关键技术 10.2.3 多模态实时搜索与个性化推荐 10.3 基于自然语言交互的NL2SQL数据即席查询 10.3.1 NL2SQL数据即席查询技术原理 10.3.2 NL2SQL应用实践 10.4 基于大模型的智能客服对话机器人 10.4.1 大模型智能客服对话机器人技术原理 10.4.2 AI大模型赋能提升智能客服解决率新策略 10.4.3 基于大模型的智能客服对话机器人系统搭建 10.5 多模态数字人 10.5.1 多模态数字人技术原理 10.5.2 三维建模与三维重建 10.5.3 数字人形象设计技术原理 10.5.4 唇形同步算法 10.5.5 NeRF、ER-NeRF与RAD-NeRF模型 10.5.6 数字人项目实践 10.6 多模态具身智能 10.6.1 多模态具身智能概念及技术路线 10.6.2 多模态感知与场景理解 10.6.3 视觉导航 10.6.4 世界模型 10.6.5 具身智能模拟器 10.6.6 多模态多感官交互具身智能大模型 10.6.7 端到端强化学习人形机器人 10.6.8 多模态通才具身智能体 七、名人点评《GPT多模态大模型与AI Agent智能体》是一本深入浅出的人工智能领域专著。全书系统阐述了多模态大模型的技术原理、训练微调方法,以及AI Agent智能体的构建、大模型企业应用落地。内容全面详实,案例丰富,既适合专业人士深化研究,也适合初学者建立知识体系。书中对前沿技术的探讨,如多模态大模型和具身智能,展现了人工智能发展的广阔前景,是一本不可多得的参考书籍。——陈兴茂 猎聘CTO这是一本极具深度和广度的专业书籍,从大模型技术原理的细致剖析到各种主流模型的全面介绍,再到实际的企业应用落地场景,每一章都干货满满。它不仅适合专业的研究人员深入探索,也能让普通读者对这一前沿领域有清晰的认知,是人工智能领域不可多得的佳作。——张志平博士 北京中交兴路信息科技股份有限公司副总裁本书全面深入地剖析了大模型技术原理、训练及应用,内容丰富,理论与实践相结合。书中详细介绍了多模态大模型和AI Agent智能体的最新进展,对推动我国人工智能领域的发展具有很高的参考价值。这本书是AI领域研究者和技术爱好者的必备之作,值得一读!——梅一多博士 上海市青年拔尖人才,中关村科学城城市大脑股份有限公司高级技术总监这是一本极具前瞻性的书籍,它紧跟时代的步伐,对最新的技术和模型进行了深入的研究和分析。无论是多模态大模型的创新,还是AI Agent智能体的发展趋势,都有精彩呈现。书中还展示了大模型在企业中的应用案例,如对话式推荐系统、多模态搜索、NL2SQL、智能客服对话机器人、多模态数字人、多模态具身智能等。无论是技术新手还是资深专家,都能从中获得宝贵的洞见和灵感。——杨正洪博士 中央财经大学财税大数据实验室首席科学家《GPT多模态大模型与AI Agent智能体》是一本深入浅出地探讨了人工智能领域前沿技术的书籍。它不仅详尽地介绍了大模型的训练和微调,还涵盖了多模态模型和智能体的创新应用。书中丰富的案例和实践指导,为AI技术爱好者和专业人士提供了宝贵的资源和启发,是理解AI发展和应用的必读之作。——沈亮 美团技术专家
共28节 46人已学习¥999.0 免费试学AIGC/LLM
GPT多模态大模型与AI Agent智能体书籍配套视频大模型技术原理
一、课程优势本课程有陈敬雷老师的清华大学出版社配套新书教材《GPT多模态大模型与AI Agent智能体》(跟我一起学人工智能),新书配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,技术前沿热门,是真正的互联网工业级实战项目。二、购课送配套清华权威书籍教材购买此课程的用户赠送陈敬雷老师清华大学出版社正版纸质书籍《GPT多模态大模型与AI Agent智能体》!购买后加陈敬雷老师微信chenjinglei66领取。 三、课程简介当DeepSeek、 Sora 技术掀起 AI 浪潮,你是否想掌握核心技术?在人工智能加速渗透各行业的今天,DeepSeek、OpenAI 的 Sora 多模态模型已成为当今热议焦点,其颠覆性的视频生成与跨模态理解能力,正重塑智能交互的边界。如果你想系统掌握大模型技术原理、实战应用及前沿趋势,这门由陈敬雷编著的《GPT 多模态大模型与 AI Agent 智能体》课程,将为你打开通往 AI 核心技术的大门。课程核心亮点:从原理到实战,构建 AI 技术全栈能力 * 前沿技术深度解析,把握行业脉搏 * 揭秘 DeepSeek、Sora、GPT-4 等多模态大模型的技术底层逻辑,详解 Transformer 架构如何突破传统神经网络局限,实现长距离依赖捕捉与跨模态信息融合。 * 对比编码预训练(BERT)、解码预训练(GPT 系列)及编解码架构(BART、T5)的技术差异,掌握大模型从 “理解” 到 “生成” 的核心逻辑。 * 实战驱动,掌握大模型开发全流程 * 提示学习与指令微调:通过 Zero-shot、Few-shot 等案例,演示如何用提示词激活大模型潜能,结合 LoRA 轻量化微调技术,实现广告生成、文本摘要等场景落地(附 ChatGLM3-6B 微调实战代码)。 * 人类反馈强化学习(RLHF):拆解 PPO 算法原理,通过智谱 AI 等案例,掌握如何用人类偏好优化模型输出,提升对话系统的安全性与实用性。 * 智能涌现与 AGI 前瞻,抢占技术高地 * 解析大模型 “智能涌现” 现象(如上下文学习、思维链推理),理解为何参数规模突破阈值后,模型能实现从 “量变” 到 “质变” 的能力跃升。 * 前瞻通用人工智能(AGI)发展趋势,探讨多模态模型(如 Sora)如何推动 AI 从 “单一任务” 向 “类人智能” 进化,提前布局未来技术赛道。课程模块详解:系统化知识架构,适配不同需求模块 核心内容 学习收益 1. 大模型技术原理 Transformer 架构、N-gram 到 LLM 的演进、预训练语言模型分类(编码 / 解码 / 编解码) 建立大模型技术认知框架,理解参数规模与 “智能涌现” 的关系 2. 提示学习与大模型训练微调 Zero-shot/One-shot/Few-shot 提示策略,LoRA、QLoRA 等轻量化微调技术实战,DeepSeek训练微调代码实践,DeepSeek-R1:模型文件全解析与实战,本地部署运行DeepSeek-R1满血版大模型等 掌握低成本高效优化大模型的方法,实现行业场景定制化应用 3. 强化学习与对齐 RLHF 原理、PPO 算法流程,人类反馈如何引导模型符合伦理规范 学会构建安全可控的 AI 系统,提升模型在对话、决策等场景的可靠性 4. 多模态与 AGI 前瞻 Sora 技术核心(扩散模型、视频生成)、思维链推理、通用人工智能实现路径 把握 AI 技术前沿趋势,培养跨模态开发与 AGI 应用的创新思维 为什么选择这门课程?三大优势助力技术突破 * 权威性与实用性兼具:作者陈敬雷深耕 AI 领域多年,课程内容基于《GPT 多模态大模型与 AI Agent 智能体》一书,结合京东图书配套视频,理论与实践深度结合。 * 紧跟行业热点:聚焦 Sora、GPT-4 等顶流技术,涵盖多模态生成、AI Agent 智能体等前沿方向,课程内容实时迭代,确保技术不落伍。 * 实战案例丰富:从广告生成、代码解释到长文本理解,提供工业级实战项目(如个性化推荐算法、对话机器人),配套 GPU 微调代码与数据集,学完即可上手开发。适合人群 * 人工智能领域学习者、开发者,希望深入大模型技术内核; * 企业技术负责人,需规划 AI 落地路径与大模型应用场景; * 高校师生、科研人员,从事 NLP、多模态 AI 相关研究; * 对 AI 技术感兴趣的职场人士,希望通过掌握热门技能提升竞争力。 四、老师介绍陈敬雷 充电了么创始人,CEO兼CTO。陈敬雷拥有十几年互联网从业经验,曾任架构师、首席技术官、首席科学家等职务。在技术领域,尤其在大数据和人工智能方向有着丰富的算法工程落地实战经验,在猎聘任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。此外,陈敬雷著有清华大学出版社四本人工智能书籍,分别是《分布式机器学习实战》《自然语言处理原理与实战》《GPT多模态大模型与AI Agent智能体》《DeepSeek大模型与具身智能实践》,颇受好评。同时陈敬雷还是知名大数据人工智能讲师,研发了上百门课程,总计有30万学员。五、《GPT多模态大模型与AI Agent智能体》书籍配套视频课程介绍:陈敬雷老师的京东自营书名标题: GPT多模态大模型与AI Agent智能体(跟我一起学人工智能)《GPT多模态大模型与AI Agent智能体》(跟我一起学人工智能)是一本2025年清华大学出版社出版的图书,作者是陈敬雷,本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。全书共8章,从大模型技术原理切入,逐步深入大模型训练及微调,还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体,从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面,本书提供了丰富的案例分析,如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人,以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用,也为读者提供了宝贵的实践经验。本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读,也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统,既有理论知识的深入讲解,也有大量的实践案例和代码示例,能够帮助学生在掌握理论知识的同时,培养实际操作能力和解决问题的能力。通过阅读本书,读者将能够更好地理解大模型技术的前沿发展,并将其应用于实际工作中,推动人工智能技术的进步和创新。六、整体书籍及配套课程大纲目录:配套视频课程完整目录第1章 大模型技术原理1.1 大模型技术的起源、思想及代码实践1.2 基于Transformer的预训练语言模型1.3 Prompt提示词学习工程1.4 指令微调及代码实践1.5 人类反馈强化学习|马尔科夫决策过程1.6 PPO强化学习算法1.7 大模型人类反馈强化学习对齐1.8 GPT智能涌现原理与AGI通用人工智能通讲1.9 什么是智能涌现1.10 思维链1.11 上下文学习能力1.12 指令理解1.13 通用人工智能第2章 大模型训练及微调2.1 大模型训练通讲2.2 分布式训练的并行策略2.3 主流并行计算框架2.4 预训练模型的压缩2.5 8位/4位量化压缩实战2.6 大模型主流微调方法通讲2.7 Prefix Tuning微调2.8 P-Tuning V1微调2.9 P-Tuning V2微调2.10 LoRA微调2.11 QLoRA微调2.12 基于旋转位置编码RoPE的长文本理解第3章 DeepSeek大模型核心技术3.1 DeepSeek模型架构3.2 DeepSeek训练基础设施通讲 3.3 DeepSeek计算集群 3.4 DeepSeek自研HAI-LLM训练框架 3.5 DeepSeek FP8训练 3.6 DeepSeek推理与部署 3.7 DeepSeek预训练算法及策略 3.8 DeepSeek后训练之监督微调 3.9 DeepSeek后训练之 强化学习 3.10 DeepSeek-R1推理能力强化技术解读 3.11 DeepSeek-R1-Zero:基于基础模型的强化学习 3.12 DeepSeek-R1:冷启动强化学习 3.13 DeepSeek-R1知识蒸馏:赋予小模型推理能力 3.14 原生稀疏注意力(NSA)技术 3.15 FlashMLA技术解析 3.16 DeepEP通信库技术原理 3.17 DeepEP通信库使用指南 3.18 DeepEP通信库应用代码示例 3.19 高效矩阵乘法库DeepGEMM 3.20 双向流水线并行算法DualPipe深入分析 3.21 专家并行负载均衡器EPLB深入分析 3.22 萤火文件系统3FS 3.23 轻量级分布式数据处理框架Smallpond 3.24 DeepSeek-V3/R1推理系统架构及核心策略 3.25 DeepSeek技术优势解读 第4章 主流大模型 4.1 国内大模型通讲 4.2 智谱清言ChatGLM 4.3 百川智能 4.4 百度文心一言 4.5 阿里通义千问 4.6 腾讯混元 4.7 华为盘古 4.8 360智脑 4.9 科大讯飞星火 4.10 智源悟道大模型 4.11 月之暗面Kimi 4.12 复旦大学MOSS 4.13 零一万物 4.14 抖音豆包大模型 4.15 DeepSeek 4.16 国外大模型通讲 4.17 OpenAI GPT-4o 4.18 Meta LLaMA 4.19 Anthropic Claude 4.20 Google Gemini和开源Gemma 4.21 Mistral Large 4.22 xAI Grok 4.23 垂直类大模型通讲 4.24 HuatuoGPT 4.25 BianQue 4.26 BenTsao 4.27 XrayGLM 4.28 DoctorGLM 4.29 ChatMed 4.30 度小满轩辕4.31 BloombergGPT4.32 LaWGPT4.33 LexiLaw4.34 Lawyer LLaMA4.35 ChatLaw4.36 ChatGLM-Math第5章 LangChain与LangGraph技术原理与实践5.1 LangChain技术原理5.2 LangChain六大核心模块 5.3 LangChain代码实践5.4 LangGraph通讲 5.5 LangGraph技术原理 5.6 基于DeepSeek大模型的LangGraph代码实践 5.7 LangGraph Studio 第6章 RAG检索增强生成 6.1 RAG技术原理通讲 6.2 RAG的概念与应用 6.3 RAG技术架构 6.4 分块和矢量化 6.5 搜索索引 6.6 重新排序和过滤 6.7 查询转换与路由 6.8 RAG中的Agent智能体 6.9 响应合成器 6.10 大模型微调和RAG优劣势对比 6.11 文本向量模型通讲 6.12 Embedding模型、Reranker模型以及ColBERT模型 6.13 阿里巴巴GTE向量模型 6.14 中文acge_text_embedding模型 6.15 智源中英文语义向量模型BGE 6.16 Moka开源文本嵌入模型M3E 6.17 OpenAI的text-embedding模型 6.18 向量数据库通讲 6.19 Faiss 6.20 Milvus 6.21 Pinecone 6.22 Chroma 6.23 RAG应用实践通讲6.24 基于大模型构建企业私有数据的知识问答应用开发代码实践 6.25 应对大模型落地挑战的优化策略 6.26 主流开源RAG项目通讲 6.27 RAGFlow 6.28 LlamaIndex结合DeepSeek实践 6.29 GraphRAG 第7章 多模态大模型 7.1 多模态基础模型通讲 7.2 多模态对齐、融合和表示 7.3 CLIP 7.4 BLIP 7.5 BLIP-2 7.6 InstructBLIP和X-InstructBLIP 7.7 SAM 7.8 OpenFlamingo 7.9 VideoChat 7.10 PaLM-E 7.11 OpenAI多模态大模型DALL·E 3、GPT-4V、GPT-4o、Sora通讲 7.12 文生图多模态大模型DALL·E 3 7.13 GPT-4V 7.14 端到端训练多模态大模型GPT-4o技术原理 7.15 文生视频多模态大模型Sora 7.16 通义千问多模态大模型 7.17 开源Qwen-VL和Qwen-VL-Chat 7.18 Qwen-VL-Plus和Qwen-VL-Max 7.19 开源端到端训练多模态大模型LLaVA通讲 7.20 LLaVA 7.21 LLaVA1.5 7.22 LLaVA1.6 7.23 MoE-LLaVA 7.24 LLaVA-Plus 7.25 Video-LLaVA和LLaVA-NeXT-Video 7.26 零一万物多模态大模型Yi-VL系列 7.27 Yi-VL系列模型架构 7.28 Yi-VL系列模型训练微调及推理 7.29 清华系多模态大模型 7.30 VisualGLM-6B 7.31 CogVLM2 7.32 CogAgent 7.33 CogView、CogVideo和CogVideoX 7.34 CogCoM 7.35 GLM-4V-9B 第8章 AI Agent智能体 8.1 AI Agent智能体技术原理及架构 8.2 主流大模型Agent框架通讲 8.2.1 AutoGPT 8.2.2 MetaGPT 8.2.3 ChatDev 8.2.4 AutoGen 8.2.5 FastGPT 8.2.6 XAgent 8.2.7 GPT-engineer 8.2.8 BabyAGI 8.2.9 SuperAGI 8.2.10 CrewAI 8.2.11 Manus通用AI智能体 8.2.12 开源OpenManus通用AI智能体 第9章 DeepSeek大模型应用落地实践 9.1 DeepSeek部署实践 9.1.1 Ollama本地部署DeepSeek大模型 9.1.2 基于vLLM本地部署企业级DeepSeek 9.1.3 基于Unsloth的DeepSeek训练微调及本地运行 9.2 Dify应用程序集成DeepSeek 9.2.1 接入DeepSeek大模型 9.2.2 构建应用程序 9.2.3 知识库管理 9.2.4 工作流开发 9.2.5 工具插件 9.2.6 日志及监测 9.3 基于DeepSeek工作流应用场景开发实践 9.3.1 智能客服/知识问答助手开发 9.3.2 销量预测场景开发 9.3.3 工业生产设备预测性维护开发 第10章 大模型企业应用落地 10.1 基于大模型的对话式推荐系统 10.1.1 基于大模型的对话式推荐系统技术架构设计 10.1.2 推荐AI Agent智能体 10.1.3 面向推荐的语言表达模型 10.1.4 知识插件 10.1.5 基于大模型的推荐解释 10.1.6 对话式推荐系统的新型评测方法 10.2 多模态搜索 10.2.1 多模态搜索技术架构设计 10.2.2 多模态搜索关键技术 10.2.3 多模态实时搜索与个性化推荐 10.3 基于自然语言交互的NL2SQL数据即席查询 10.3.1 NL2SQL数据即席查询技术原理 10.3.2 NL2SQL应用实践 10.4 基于大模型的智能客服对话机器人 10.4.1 大模型智能客服对话机器人技术原理 10.4.2 AI大模型赋能提升智能客服解决率新策略 10.4.3 基于大模型的智能客服对话机器人系统搭建 10.5 多模态数字人 10.5.1 多模态数字人技术原理 10.5.2 三维建模与三维重建 10.5.3 数字人形象设计技术原理 10.5.4 唇形同步算法 10.5.5 NeRF、ER-NeRF与RAD-NeRF模型 10.5.6 数字人项目实践 10.6 多模态具身智能 10.6.1 多模态具身智能概念及技术路线 10.6.2 多模态感知与场景理解 10.6.3 视觉导航 10.6.4 世界模型 10.6.5 具身智能模拟器 10.6.6 多模态多感官交互具身智能大模型 10.6.7 端到端强化学习人形机器人 10.6.8 多模态通才具身智能体 七、名人点评 《GPT多模态大模型与AI Agent智能体》是一本深入浅出的人工智能领域专著。全书系统阐述了多模态大模型的技术原理、训练微调方法,以及AI Agent智能体的构建、大模型企业应用落地。内容全面详实,案例丰富,既适合专业人士深化研究,也适合初学者建立知识体系。书中对前沿技术的探讨,如多模态大模型和具身智能,展现了人工智能发展的广阔前景,是一本不可多得的参考书籍。——陈兴茂 猎聘CTO这是一本极具深度和广度的专业书籍,从大模型技术原理的细致剖析到各种主流模型的全面介绍,再到实际的企业应用落地场景,每一章都干货满满。它不仅适合专业的研究人员深入探索,也能让普通读者对这一前沿领域有清晰的认知,是人工智能领域不可多得的佳作。——张志平博士 北京中交兴路信息科技股份有限公司副总裁本书全面深入地剖析了大模型技术原理、训练及应用,内容丰富,理论与实践相结合。书中详细介绍了多模态大模型和AI Agent智能体的最新进展,对推动我国人工智能领域的发展具有很高的参考价值。这本书是AI领域研究者和技术爱好者的必备之作,值得一读!——梅一多博士 上海市青年拔尖人才,中关村科学城城市大脑股份有限公司高级技术总监这是一本极具前瞻性的书籍,它紧跟时代的步伐,对最新的技术和模型进行了深入的研究和分析。无论是多模态大模型的创新,还是AI Agent智能体的发展趋势,都有精彩呈现。书中还展示了大模型在企业中的应用案例,如对话式推荐系统、多模态搜索、NL2SQL、智能客服对话机器人、多模态数字人、多模态具身智能等。无论是技术新手还是资深专家,都能从中获得宝贵的洞见和灵感。——杨正洪博士 中央财经大学财税大数据实验室首席科学家《GPT多模态大模型与AI Agent智能体》是一本深入浅出地探讨了人工智能领域前沿技术的书籍。它不仅详尽地介绍了大模型的训练和微调,还涵盖了多模态模型和智能体的创新应用。书中丰富的案例和实践指导,为AI技术爱好者和专业人士提供了宝贵的资源和启发,是理解AI发展和应用的必读之作。——沈亮 美团技术专家
共28节 81人已学习¥999.0 免费试学深度学习
深度学习TensorFlow对话机器人实战全系列精品课
深度学习TensorFlow对话机器人实战全系列精品课 :一、课程优势本课程有陈敬雷老师的清华大学出版社配套书籍教材《分布式机器学习实战》人工智能科学与技术丛书,新书配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,技术前沿热门,这个《深度学习TensorFlow对话机器人实战全系列精品课》来自陈敬雷在一线大型互联网公司的多年实战经验总结,实实在在的重量级干货分享!二、课程简介 对话机器人是一个用来模拟人类对话或聊天的计算机程序,本质上是通过机器学习和人工智能等技术让机器理解人的语言。它包含了诸多学科方法的融合使用,是人工智能领域的一个技术集中演练营。在未来几十年,人机交互方式将发生变革。越来越多的设备将具有联网能力,这些设备如何与人进行交互将成为一个挑战。自然语言成为适应该趋势的新型交互方式,对话机器人有望取代过去的网站、如今的APP,占据新一代人机交互风口。在未来对话机器人的产品形态下,不再是人类适应机器,而是机器适应人类,基于人工智能技术的对话机器人产品逐渐成为主流。 对话机器人从对话的产生方式,可以分为基于检索的模型(Retrieval-Based Models)和生成式模型(Generative Models),基于检索我们可以使用搜索引擎的方式来做,基于生成式模型我们可以使用TensorFlow或MXnet深度学习框架的Seq2Seq算法来实现,同时我们可以加入强化学习的思想来优化Seq2Seq算法。 我们这个《深度学习TensorFlow对话机器人实战全系列精品课》从TensorFlow深度学习框架原理以及主流的神经网络算法讲起,逐步由浅入深的给大家详细讲解对话机器人项目的原理以及代码实现、并在公司服务器上演示如何实际操作和部署的全过程!! !深度学习TensorFlow对话机器人实战全系列精品课大纲如下:一、主流深度学习框架1、Tensorflow深度学习框架2、mxnet多GPU深度学习框架二、神经网络算法3、MLP多层感知机算法4、CNN卷积神经网络5、RNN循环神经网络,6、LSTM长短期记忆神经网络7、Seq2Seq端到端神经网络【可试听】8、GAN生成对抗网络9、深度强化学习DQN三、对话机器人实战10、对话机器人原理与介绍11、基于TensorFlow对话机器人项目实战【可试听】12、基于TensorFlow对话机器人模型训练前数据准备和处理13、基于TensorFlow对话机器人项目实战源码解析和Linux服务器训练模型过程操作实战14、基于TensorFlow对话机器人项目服务工程化和在Linux服务器上操作实战【可试听】15、基于MXNet对话机器人项目实战16、基于MXNet对话机器人项目实战源码解析17、基于MXNet对话机器人项目服务工程化和在Linux服务器上操作实战18、基于深度强化学习机器人19、基于搜索引擎对话机器人20、对话机器人的Web服务工程化三、老师介绍陈敬雷 充电了么创始人,CEO兼CTO陈敬雷,北京充电了么科技有限公司创始人,CEO兼CTO,十几年互联网从业经验,曾就职于用友、中软、凡客、乐蜂网(唯品会)、猎聘网、人民日报(灵思云途)、北京万朝科技,曾任架构师、首席技术官、首席科学家等职务,对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验,在技术领域,尤其在大数据和人工智能方向有丰富的算法工程落地实战经验,其中在猎聘网任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。陈敬雷著有清华大学出版社两本人工智能书籍,分别是《分布式机器学习实战(人工智能科学与技术丛书)》、《自然语言处理原理与实战(人工智能科学与技术丛书)》。目前专注于大数据和人工智能驱动的上班族在线教育行业,研发了充电了么app和网站,用深度学习算法、nlp、推荐引擎等技术来高效提升在线学习效率。
共20节 342人已学习¥1098.0 免费试学机器学习
AI算法架构师/推荐系统架构/搜索引擎架构/大数据用户画像系统架构
一、课程优势本课程有陈敬雷老师的清华大学出版社配套书籍教材《分布式机器学习实战》人工智能科学与技术丛书,新书配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,技术前沿热门,是真正的互联网工业级实战项目。二、课程简介 大数据和算法类的系统和传统的业务系统有所不同,一个是多了离线计算框架部分,比如Hadoop集群上的数据处理部分、机器学习和深度学习的模型训练部分等,另一个区别就是大数据和算法类系统追求的是数据驱动、效果驱动,通过AB测试评估的方式,看看新策略是否得到了优化和改进。所以在系统架构上,需要考虑到怎么和离线计算框架去对接,怎么设计能方便我们快速迭代的优化产品,除了这些,像传统业务系统那些该考虑的也照样需要考虑,比如高性能、高可靠性、高扩展性也都需要考虑进去。这就给架构师非常高的要求,一个是需要对大数据和算法充分了解,同时对传统的业务系统架构也非常熟悉。 本节课就对当前几个热门的大数据算法系统架构(推荐系统架构设计、个性化搜索引擎架构设计、用户画像系统架构设计)做一个深度解析!1.个性化推荐算法系统 是一个完整的系统工程,从工程上来讲是由多个子系统有机的组合,比如基于Hadoop数据仓库的推荐集市、ETL数据处理子系统、离线算法、准实时算法、多策略融合算法、缓存处理、搜索引擎部分、二次重排序算法、在线web引擎服务、AB测试效果评估、推荐位管理平台等。如下就是我们要讲的个性化推荐算法系统架构图,请大家仔细欣赏、品味: 这节课我们就对推荐系统的整体架构和各个子系统做了详细的讲解,解开个性化推荐算法系统神秘的面纱!2.个性化搜索引擎 和个性化推荐是比较类似的,这个架构图包含了各个子系统或模块的协调配合、相互调用关系,从部门的组织架构上来看,目前搜索一般独立成组,有的是在搜索推荐部门里面,实际上比较合理的应该是分配在大数据部门更好一些,因为依托于大数据部门的大数据平台和人工智能优势可以使搜索效果再上一个新的台阶。下面我们来详细的讲一下整个架构流程的细节。如下就是我们要讲的个性化搜索架构图,请大家仔细欣赏、品味:这节课我们就对个性化搜索的整体架构和各个子系统做了详细的讲解,解开搜索引擎神秘的面纱! 3.大数据用户画像系统 用户画像是一个非常通用普遍使用的系统,从我们的架构图中可以看出,从数据计算时效性上来讲分离线计算和实时计算。离线计算一般是每天晚上全量计算所有用户,或者按需把用户数据发生变化的那批用户重新计算。离线计算主要是使用Hive SQL语句处理、Spark数据处理、或者基于机器学习算法来算用户忠诚度模型、用户价值模型、用户心理模型等。实时计算指定的通过Flume实时日志收集用户行为数据传输到Kafka消息队列,让流计算框架Flink/Storm/SparkStreaming等去实时消费处理用户数据,并触发实时计算模型,计算完成后把新增的用户画像数据更新搜索索引。个性化推荐、运营推广需要获取某个或某些用户画像数据的时候直接可以毫秒级别从搜索索引里搜索出结果,快速返回给调用方数据。这是从计算架构大概分了两条线离线处理和实时。下面我们从上到下详细看下每个架构模块。如下就是我们要讲的大数据用户画像架构图,请大家仔细欣赏、品味:这节课我们就对大数据用户画像系统的整体架构和各个子系统做了详细的讲解,解开用户画像系统神秘的面纱!三、老师介绍陈敬雷 充电了么创始人,CEO兼CTO陈敬雷,北京充电了么科技有限公司创始人,CEO兼CTO,十几年互联网从业经验,曾就职于用友、中软、凡客、乐蜂网(唯品会)、猎聘网、人民日报(灵思云途)、北京万朝科技,曾任架构师、首席技术官、首席科学家等职务,对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验,在技术领域,尤其在大数据和人工智能方向有丰富的算法工程落地实战经验,其中在猎聘网任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。陈敬雷著有清华大学出版社两本人工智能书籍,分别是《分布式机器学习实战(人工智能科学与技术丛书)》、《自然语言处理原理与实战(人工智能科学与技术丛书)》。目前专注于大数据和人工智能驱动的上班族在线教育行业,研发了充电了么app和网站,用深度学习算法、nlp、推荐引擎等技术来高效提升在线学习效率。
共7节 313人已学习¥168.0 免费试学机器学习
推荐算法系统CF协同过滤用户行为挖掘
推荐算法系统CF协同过滤用户行为挖掘 :一、课程优势本课程有陈敬雷老师的清华大学出版社配套新书教材《分布式机器学习实战》人工智能科学与技术丛书,新书配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,技术前沿热门,是真正的互联网工业级实战项目。二、课程简介 协同过滤 (Collaborative Filtering, 简称 CF)作为经典的推荐算法之一,在电商推荐推荐系统中扮演着非常重要的角色,比如经典的推荐为如看了又看、买了又买、看了又买、购买此商品的用户还相同购买等都是使用了协同过滤算法。尤其当你网站积累了大量的用户行为数据时,基于协同过滤的算法从实战经验上对比其他算法,效果是最好的。基于协同过滤在电商网站上用到的用户行为有用户浏览商品行为,加入购物车行为,购买行为等,这些行为是最为宝贵的数据资源。比如拿浏览行为来做的协同过滤推荐结果叫看了又看,全称是看过此商品的用户还看了哪些商品。拿购买行为来计算的叫买了又买,全称叫买过此商品的用户还买了。如果同时拿浏览记录和购买记录来算的,并且浏览记录在前,购买记录在后,叫看了又买,全称是看过此商品的用户最终购买。如果是购买记录在前,浏览记录在后,叫买了又看,全称叫买过此商品的用户还看了。在电商网站中,这几个是经典的协同过滤算法的应用。 下面就给大家直接深度解密推荐系统的最核心精髓部分!!!三、老师介绍陈敬雷 充电了么创始人,CEO兼CTO陈敬雷,北京充电了么科技有限公司创始人,CEO兼CTO,十几年互联网从业经验,曾就职于用友、中软、凡客、乐蜂网(唯品会)、猎聘网、人民日报(灵思云途)、北京万朝科技,曾任架构师、首席技术官、首席科学家等职务,对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验,在技术领域,尤其在大数据和人工智能方向有丰富的算法工程落地实战经验,其中在猎聘网任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。陈敬雷著有清华大学出版社两本人工智能书籍,分别是《分布式机器学习实战(人工智能科学与技术丛书)》已出版、《自然语言处理原理与实战(人工智能科学与技术丛书)》。目前专注于大数据和人工智能驱动的上班族在线教育行业,研发了充电了么app和网站,用深度学习算法、nlp、推荐引擎等技术来高效提升在线学习效率。
共4节 148人已学习¥88.0 免费试学ETL
推荐系统ETL数据分析处理
推荐算法系统ETL数据处理实战 :一、课程优势本课程有陈敬雷老师的清华大学出版社配套新书教材《分布式机器学习实战》人工智能科学与技术丛书,新书教材配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,技术前沿热门,是真正的互联网工业级实战项目。二、课程简介 搭建完数据仓库和平台之后,我们日常很多工作会做数据处理,也就是ETL,ETL分全量和增量两种处理方式,在推荐系统占用的工作量是比较大的,做一个算法系统,ETL数据处理的也是必须的。 下面来讲讲推荐的ETL数据处理是如何做的?我让我们体验下真实的用户实战场景!三、老师介绍陈敬雷 充电了么创始人,CEO兼CTO陈敬雷,北京充电了么科技有限公司创始人,CEO兼CTO,十几年互联网从业经验,曾就职于用友、中软、凡客、乐蜂网(唯品会)、猎聘网、人民日报(灵思云途)、北京万朝科技,曾任架构师、首席技术官、首席科学家等职务,对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验,在技术领域,尤其在大数据和人工智能方向有丰富的算法工程落地实战经验,其中在猎聘网任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。 陈敬雷著有清华大学出版社两本人工智能书籍,分别是《分布式机器学习实战(人工智能科学与技术丛书)》已出版、《自然语言处理原理与实战(人工智能科学与技术丛书)》。 目前专注于大数据和人工智能驱动的上班族在线教育行业,研发了充电了么app和网站,用深度学习算法、nlp、推荐引擎等技术来高效提升在线学习效率。
共4节 340人已学习¥69.0 免费试学推荐系统
推荐算法系统数据仓库集市实战
推荐算法系统的数据仓库集市设计实践 :一、课程优势本课程有陈敬雷老师的清华大学出版社配套书籍教材《分布式机器学习实战》人工智能科学与技术丛书新书配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,覆盖技术面很广,课程内容来自陈敬雷老师在一线大型互联网公司的多年实战经验总结,技术最前沿的重量级干货分享!二、课程简介 算法是推荐系统的核心,但没有数据也是巧妇难为无米之炊,再就是也得有好米才行,有了好米,但好米里有沙子,我们也得想办法清洗掉。这是打了个比方,意思是除了算法本身我们要搭建数据仓库,把握好数据质量,对数据进行清洗、转换。那么更好区分那个是原始数据,那个是清洗后的数据,我们最好做一个数据分层,方便我们快速的找到想要的数据。另外,有些高频的数据不需要每次都重复计算,只需要计算一次放在一个中间层里,供其它业务模块复用,这样节省时间,同时也减少的服务器资源的消耗。数据仓库分层设计还有其他很多好处,下面举一个实例看看如何分层,如何搭建推荐的数据仓库集市?听完此课即可揭秘!!!三、老师介绍陈敬雷 充电了么创始人,CEO兼CTO陈敬雷,北京充电了么科技有限公司创始人,CEO兼CTO,十几年互联网从业经验,曾就职于用友、中软、凡客、乐蜂网(唯品会)、猎聘网、人民日报(灵思云途)、北京万朝科技,曾任架构师、首席技术官、首席科学家等职务,对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验,在技术领域,尤其在大数据和人工智能方向有丰富的算法工程落地实战经验,其中在猎聘网任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。陈敬雷著有清华大学出版社两本人工智能书籍,分别是《分布式机器学习实战(人工智能科学与技术丛书)》已出版、《自然语言处理原理与实战(人工智能科学与技术丛书)》。目前专注于大数据和人工智能驱动的上班族在线教育行业,研发了充电了么app和网站,用深度学习算法、nlp、推荐引擎等技术来高效提升在线学习效率。
共4节 206人已学习¥69.0 免费试学推荐系统
推荐算法系统实战全系列精品课
推荐算法系统实战全系列精品课 :一、课程优势本课程有陈敬雷老师的清华大学出版社配套新书教材《分布式机器学习实战》人工智能科学与技术丛书,新书配合此实战课程结合学习,一静一动,互补高效学习!本课程由互联网一线知名大牛陈敬雷老师全程亲自授课,技术前沿热门,这个《推荐算法系统实战全系列精品课》来自陈敬雷在一线大型互联网公司的多年实战经验总结,比较完备的包含了各个算法系统模块,实实在在的重量级干货分享!听完此系列课,可以实现一个完整的推荐系统!二、课程简介 首先推荐系统不等于推荐算法,更不等于协同过滤。推荐系统是一个完整的系统工程,从工程上来讲是由多个子系统有机的组合,比如基于Hadoop数据仓库的推荐集市、ETL数据处理子系统、离线算法、准实时算法、多策略融合算法、缓存处理、搜索引擎部分、二次重排序算法、在线web引擎服务、AB测试效果评估、推荐位管理平台等,每个子系统都扮演着非常重要的角色,当然大家肯定会说算法部分是核心,这个说的没错,的确。推荐系统是偏算法的策略系统,但要达到一个非常好的推荐效果,只有算法是不够的。比如做算法依赖于训练数据,数据质量不好,或者数据处理没做好,再好的算法也发挥不出价值。算法上线了,如果不知道效果怎么样,后面的优化工作就无法进行。所以AB测试是评价推荐效果的关键,它指导着系统该何去何从。为了能够快速切换和优化策略,推荐位管理平台起着举足轻重的作用。推荐效果最终要应用到线上平台去,在App或网站上毫秒级别的快速展示推荐结果,这就需要推荐的在线Web引擎服务来保证高性能的并发访问。这么来说,虽然算法是核心,但离不开每个子系统的配合,另外就是不同算法可以嵌入到各个子系统中,算法可以贯穿到每个子系统。 从开发人员角色上来讲,推荐系统不仅仅只有算法工程师角色的人就能完成整个系统,需要各个角色的工程师相配合才行。比如大数据平台工程师负责Hadoop集群和数据仓库,ETL工程师负责对数据仓库的数据进行处理和清洗,算法工程师负责核心算法,Web开发工程师负责推荐Web接口对接各个部门,比如网站前端、APP客户端的接口调用等,后台开发工程师负责推荐位管理、报表开发、推荐效果分析等,架构师负责整体系统的架构设计等。所以推荐系统是一个多角色协同配合才能完成的系统。 下面我们就从推荐系统的整体架构以及各个子系统的实现给大家深度解密来自一线大型互联网公司重量级的实战产品项目!!!推荐算法系统实战课程大纲如下:1、推荐系统架构设计2、推荐数据仓库集市3、推荐系统ETL数据处理4、CF协同过滤用户行为挖掘5、推荐算法ALS交替最小二乘法6、推荐系统ContentBase文本挖掘算法7、用户画像兴趣标签提取算法8、基于用户心理学模型推荐9、推荐系统多策略融合算法10、准实时在线学习推荐引擎11、Redis分布式缓存处理12、分布式搜索引擎13、推荐Rerank二次重排序算法(基于逻辑回归、GBDT、随机森林、神经网络的算法思想做二次排序)【可试听】14、推荐Rerank二次重排序算法(基于Learning TO rank排序学习思想做二次排序)15、推荐Rerank二次重排序算法(基于加权公式思想做二次排序)16、在线Web实时推荐引擎服务原理及核心处理算法17、在线Web实时推荐引擎服务核心源代码解析18、在线AB测试推荐效果评估19、离线AB测试推荐效果评估20、推荐位管理平台 21、大数据用户画像系统架构图深度解密与详细介绍22、大数据用户画像系统中各个子系统详细讲解三、老师介绍陈敬雷 充电了么创始人,CEO兼CTO陈敬雷,北京充电了么科技有限公司创始人,CEO兼CTO,十几年互联网从业经验,曾就职于用友、中软、凡客、乐蜂网(唯品会)、猎聘网、人民日报(灵思云途)、北京万朝科技,曾任架构师、首席技术官、首席科学家等职务,对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验,在技术领域,尤其在大数据和人工智能方向有丰富的算法工程落地实战经验,其中在猎聘网任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。陈敬雷著有清华大学出版社两本人工智能书籍,分别是《分布式机器学习实战(人工智能科学与技术丛书)》已出版、《自然语言处理原理与实战(人工智能科学与技术丛书)》。目前专注于大数据和人工智能驱动的上班族在线教育行业,研发了充电了么app和网站,用深度学习算法、nlp、推荐引擎等技术来高效提升在线学习效率。
共22节 450人已学习¥99.0 免费试学
- 1

陈敬雷
CEO兼CTO
陈敬雷 充电了么创始人,CEO兼CTO。陈敬雷拥有十几年互联网从业经验,曾任架构师、首席技术官、首席科学家等职务。在技术领域,尤其在大数据和人工智能方向有着丰富的算法工程落地实战经验,在猎聘任职期间主导的推荐算法系统项目获得公司优秀项目奖,推荐效果得到5倍的提升。
此外,陈敬雷著有清华大学出版社四本人工智能书籍,分别是《分布式机器学习实战》《自然语言处理原理与实战》《GPT多模态大模型与AI Agent智能体》《DeepSeek大模型与具身智能实践》,颇受好评。同时陈敬雷还是知名大数据人工智能讲师,研发了上百门课程,总计有30万学员。
课程数 9 学生数 1947