今日分享：2024体系课/AI人工智能算法工程师视频教程/零基础到实战项目课程

对应课程：https://item.taobao.com/item.htm?ft=t&id=844271895594

相关截图：

课程简介：

从AI零基础入门，打通视觉，NLP，机器学习，深度学习，推荐搜索，AIGC，大模型
引领行业的知识体系+工业级多领域综合项目+资深专业讲师团+全方位贴心服务
助力你平滑递进式快速成为新时代抢手人才，多领域灵活就业

课程目录：

　　|├──【第1周】快速搞清楚人工智能

　　||└──1-1人工智能发展前景与就业方向

　　|||├──1-1-1第1章课程全面解析

　　|||├──1-1-2第2章人工智能到底是什么？

　　|||├──1-1-3第3章人工智能发展背后的历史

　　|||└──1-1-4第4章解锁人工智能各大行业典型应用&就业方向

　　|├──【第2周】AI编程基石：Python入门与进阶

　　||├──2-1 Python起步：入门与环境搭建

　　|||├──2-1-1第1章周课程整体介绍和安排

　　|||├──2-1-2第2章Anacond软件：安装、管理python相关包

　　|||├──2-1-3第3章Jupyter Notbook&Pycharm：Py开发

　　|||└──2-1-4第4章环境配置的优化方案

　　||├──2-2 Python基础与程序流程控制

　　|||├──2-2-1第1章基础语法与输入出

　　|||├──2-2-2第2章顺序结构语句

　　|||├──2-2-3第3章选择结构语句

　　|||└──2-2-4第4章循环结构语句

　　||├──2-3 Python列表、元组、字典和集合

　　|||└──2-3-1第1章Python序列与应用

　　||├──2-4 Python函数、模块，文件与文件夹操作

　　|||├──2-4-1第1章Python函数

　　|||├──2-4-2第2章python模块

　　|||└──2-4-3第3章Python文件与文件操作

　　||└──2-5 Python面向对象编程

　　|||├──2-5-1第1章面向对象的概念

　　|||├──2-5-2第2章面向对象的特征

　　|||└──2-5-3第3章综合案例

　　|└──【第3周】AI编程基石：Python高级编程

　　||├──3-1 Python的文件、表格、绘图、视频处理

　　|||├──3-1-1第1章周课程整体介绍与安排

　　|||├──3-1-2第2章文本文件操作

　　|||├──3-1-3第3章pandas表格数据处理

　　|||├──3-1-4第4章Matplotlib常用画图处理

　　|||├──3-1-5第5章OpenCV影像数据处理

　　|||└──3-1-6第6章pickle文件处理：数据序列化处理

　　||└──3-2 PyQt构建用户界面应用程序

　　|||├──3-2-1第1章PyQt安装与构建用户界面

　　|||└──3-2-2第2章优化PyQt构建用户界面应用程序

　　|├──【第4周】人工智能底层基石-三大必备AI数学基础

　　||├──4-1线性代数：人工智能数据基础

　　|||├──4-1-1第1章周课程整体介绍与安排

　　|||└──4-1-2第2章线性代数

　　||├──4-2微积分：数学背后的AI力量

　　|||├──4-2-1第1章概念回顾：导数、微分、积分

　　|||├──4-2-2第2章链式求导

　　|||└──4-2-3第3章反向传播算法

　　||└──4-3概率论：数据科学与AI的关键

　　|||└──4-3-1第1章概率论核心概念与案例

　　|├──【第5周】机器学习–解锁人工智能的核心

　　||├──5-1机器学习理论&常见任务

　　|||├──5-1-1第1章周介绍和课程安排

　　|||├──5-1-2第2章机器学习基础

　　|||├──5-1-3第3章机器学习特征

　　|||└──5-1-4第4章机器学习常见任务

　　||├──5-2评估目标与优化目标

　　|||├──5-2-1第1章机器学习评估指标

　　|||└──5-2-2第2章机器学习优化目标

　　||└──5-3机器学习模型实践

　　|||└──5-3-1第1章逻辑回归模型原理与实战

　　|├──【第6周】神经网络–处理和学习复杂的数据

　　||├──6-1单层神经网络原理与实践

　　|||├──6-1-1第1章周课程整体介绍与安排

　　|||├──6-1-2第2章生物神经网络原理

　　|||└──6-1-3第3章感知器与梯度反向传播

　　||├──6-2多层神经网络原理与实践

　　|||├──6-2-1第1章多层感知器与反向传播算法

　　|||└──6-2-2第2章多层神经网络案例实践

　　||└──6-3序列神经网络

　　|||├──6-3-1第1章序列预测问题与RNN模型

　　|||└──6-3-2第2章长短时记忆网络与门控循环单元

　　|├──【第7周】卷积神经网络（CNN）-处理具有网格结构数据的任务

　　||├──7-1卷积神经网络基础

　　|||├──7-1-1第1章周课程整体介绍与安排

　　|||├──7-1-2第2章卷积神经网络基础

　　|||└──7-1-3第3章卷积与全连接的比较

　　||└──7-2典型卷积神经网络模型

　　|||├──7-2-1第1章卷积与池化反向传播

　　|||└──7-2-2第2章典型卷积神经网络模型

　　|├──【第8周】深度学习优化-使用深层神经网络来解决复杂的任务

　　||├──8-1参数初始化+激活函数

　　|||├──8-1-1第1章周课程整体介绍与安排

　　|||├──8-1-2第2章深度学习优化：标准化

　　|||└──8-1-3第3章深度学习优化：泛化与正则化

　　||├──8-2标准化方法+正则化

　　|||├──8-2-1第1章标准化方法

　　|||└──8-2-2第2章正则化

　　||└──8-3学习率与最优化方法

　　|||└──8-3-1第1章学习率与最优化方法

　　|└──【第9周】数据获取、整理与应用–构建数据之源，驱动智能决策

　　||├──9-1数据获取与整理：构建可靠数据

　　|||├──9-1-1第1章周课程整体介绍与安排

　　|||├──9-1-2第2章数据获取：图像和视频数据爬取

　　|||├──9-1-3第3章数据整理：对数据进行整理、清洗和去噪

　　|||└──9-1-4第4章数据标注：工具与使用

　　||└──9-2数据增强方法与实践

　　|||├──9-2-1第1章数据增强

　　|||└──9-2-2第2章数据增强库imgaug实践

　　|├──【第10周】PyTorch数据处理与网络模型构建

　　||├──10-1 PyTorch入门与应用

　　|||├──10-1-1第1章周课程整体介绍与安排

　　|||├──10-1-2第2章安装PyTorch

　　|||└──10-1-3第3章Tensor的操作

　　||├──10-2数据集加载与应用

　　|||├──10-2-1第1章Dataset与Dataloader

　　|||└──10-2-2第2章数据增强与转换

　　||└──10-3网络模型搭建实战

　　|||└──10-3-1第1章网络模型搭建实战

　　|├──【第11周】深入PyTorch模型的训练与可视化

　　||├──11-1 PyThorch训练基础与数据可视化

　　|||└──11-1-1第1章模型训练与可视化

　　||├──11-2 PyThorch训练进阶与性能优化

　　|||├──11-2-1第1章PyTorch训练进阶

　　|||└──11-2-2第2章模型性能提升方法

　　||└──11-3 PyThorch软件封装

　　|||└──11-3-1第1章PyThorch软件封装

　　|├──【第12周】CNN图像处理模型

　　||├──12-1简单链式模型理论与实战

　　|||└──12-1-1第1章简单链式模型理论与实战

　　||├──12-2多分支模型理论与实战

　　|||└──12-2-1第1章多分支模型理论与实战

　　||└──12-3残差模型理论与实战

　　|||└──12-3-1第1章残差模型理论与实战

　　|├──【第13周】移动端AI高效率分组模型

　　||├──13-1 mobilenet模型理论与实战

　　|||├──13-1-1第1章卷积拆分分组与Xception

　　|||├──13-1-2第2章MobileNet模型

　　|||└──13-1-3第3章从零搭建MobileNet模型

　　||└──13-2 shufflenet模型理论与实战

　　|||├──13-2-1第1章ShuffleNet模型

　　|||└──13-2-2第2章从零搭建ShuffleNet模型

　　|├──【第14周】卷积注意力模型

　　||├──14-1特征通道注意力

　　|||├──14-1-1第1章注意力模型基础

　　|||├──14-1-2第2章特征注意力模型

　　|||└──14-1-3第3章从零搭建SENet

　　||├──14-2空间注意力

　　|||└──14-2-1第1章空间注意力

　　||└──14-3混合注意力模型

　　|||└──14-3-1第1章混合注意力模型

　　|└──【第15周】Transformer模型

　　||└──15-1 Transformer原理与实现

　　|||├──15-1-1第1章自注意力机制

　　|||├──15-1-2第2章Transformer模型

　　|||└──15-1-3第3章从零搭建Transformer

　　|├──【第16周】Vision Transformer模型

　　||├──16-1 Vision Transformer模型

　　|||├──16-1-1第1章基础ViT模型

　　|||└──16-1-2第2章从零搭建Vision Transformer

　　||└──16-2轻量级VisionTransformer

　　|||├──16-2-1第1章轻量级ViT模型

　　|||└──16-2-2第2章从零搭建Mobile ViT模型

　　|├──【第17周】【视觉领域】图像分类技术与项目实战

　　||├──17-1图像分类基础与实践：安防监控人脸表情识别

　　|||├──17-1-1第1章图像分类基础与模型

　　|||└──17-1-2第2章人脸表情识别实战

　　||└──17-2多标签分类与实战：生活用品多标签分类

　　|||├──17-2-1第1章多标签图像分类模型

　　|||└──17-2-2第2章实战：生活用品多标签分类

　　|├──【第18周】【工业领域】目标检测技术与项目实战

　　||├──18-1目标检测基础与YOLO系列模型原理

　　|||├──18-1-1第1章目标检测基础

　　|||└──18-1-2第2章YOLO系列模型原理

　　||└──18-2实践：YOLO v5车牌检测实战

　　|||└──18-2-1第1章YOLO v5车牌检测实战

　　|├──【第19周】【医疗与直播领域】图像分割技术与项目实战

　　||├──19-1图像分割基础与模型

　　|||├──19-1-1第1章图像分割基础

　　|||├──19-1-2第2章经典语义分割模型

　　|||└──19-1-3第3章语义分割的关键技术改进

　　||└──19-2实践：基于UNet的人脸语义分割

　　|||└──19-2-1第1章基于UNet的人脸语义分割实战

　　|└──【第20周】【视频分析领域-火热领域】视频分类技术与项目实战

　　||├──20-1视频分类与行为识别基础

　　|||├──20-1-1第1章视频分类基础

　　|||├──20-1-2第2章三维卷积模型

　　|||└──20-1-3第3章双流模型

　　||└──20-2实战：3DCNN视频分类实战

　　|||└──20-2-1第1章3DCNN视频分类实战