描述深度学习、神经元和人工神经网络的基础概念，以解决现实世界中的问题

解释神经网络的核心概念和组成部分，以及训练深度网络所面临的挑战

使用 Keras 库构建用于回归和分类的深度学习模型，有效解释模型性能指标。

设计高级架构，如 CNN、RNN 和 Transformer，以解决图像分类和语言建模等特定问题

在 Keras 中创建自定义层和模型，并将 Keras 与 TensorFlow 2.x 相集成

使用 Keras 开发高级卷积神经网络 (CNN)

开发用于序列数据和时间系列预测的 Transformer Model

解释 Keras 中的无监督学习、Deep Q-networks (DQN) 和强化学习的关键概念

只需 6 周就能掌握雇主所需的 PyTorch 就业技能

如何使用 PyTorch 的功能从头开始实现和训练线性回归模型

Logistic Regression 的关键概念以及如何将其应用于分类问题

如何使用梯度下降法处理数据和训练模型以进行优化

Softmax Regression 的主要概念，了解其在多类分类问题中的应用。

如何开发和训练具有各种 Network Architecture 的浅层神经网络。

深度神经网络的关键概念，包括 Dropout、权重初始化和 Batch normalization 等技术。

如何开发卷积神经网络，应用层和激活函数。

展示你在使用 Keras 和 PyTorch 构建深度学习模型以解决实际图像分类问题方面的实践技能

展示您在设计和实施完整的 Deep Learning 管道（包括数据加载、Augmentation 和模型 Validation）方面的专业知识

突出您将 CNN 和视觉变换器应用于特定领域挑战（如地理空间土地分类）的实践技能

通过模型评价有效宣传项目成果

区分生成式 AI 架构和模型，如 RNN、Transformer、VAE、GAN 和扩散模型

说明 GPT、BERT、BART 和 T5 等 LLM 如何应用于自然语言处理任务中

使用 NLP 库（如 NLTK、spaCy、BertTokenizer 和 XLNetTokenizer）实施 tokenization，对原始文本进行预处理

在 PyTorch 中创建一个 NLP 数据加载器，处理文本数据集的 tokenization、数值化和填充问题

解释 One-Hot Encoding、bag-of-words、embedding 和 embedding bag 如何将文本转化为 NLP 模型的数字特征

使用 CBOW 和 Skip-gram 架构实施 Word2Vec 模型，生成上下文词嵌入模型

利用统计 N-Grams 和前馈架构，开发和训练基于神经网络的语言模型

利用编码器-解码器 RNN 建立序列到序列模型，用于机器翻译和序列转换等任务

解释注意机制在获取文本中上下文关系的 transformer 模型中的作用

说明 GPT 等基于解码器的模型和 BERT 等基于编码器的模型在语言建模方法上的区别

使用 PyTorch 实现 Transformer model 的关键组件，包括位置编码、注意机制和掩码

使用 PyTorch 和 Hugging Face 工具，在文本分类和语言翻译等实际 NLP 任务中应用基于 Transformer 的模型

与基于生成式 AI 工程的 LLM 合作，企业所需的抢手、可就业技能

如何使用 LoRA 和 QLoRA 等方法执行参数高效微调 (PEFT)，以优化模型训练

如何将预训练的 Transformer 模型用于语言任务，并针对特定的下游应用对其进行微调

如何使用 Hugging Face 和 PyTorch 框架 Load 模型、运行推理和训练模型

雇主们正在积极寻求的生成 AI 工程技能的微调法学硕士

使用抱抱脸进行指令调整和奖励建模，以及将 LLM 理解为策略并应用 RLHF 技术

带分区函数和拥抱面的直接偏好优化（DPO），包括如何定义 DPO 问题的最优解

使用 Proximal Policy Optimization (PPO)与 Hugging Face 建立评分函数并对数据集进行 Tokening 微调

只需 8 小时，企业就能掌握使用 RAG 和 LangChain 构建 AI 代理所需的紧缺就业技能

如何应用情境学习和高级 prompt 工程的基本原理来改进 prompt 设计

关键的 LangChain 概念，包括工具、组件、聊天模型、链和代理

如何通过集成 RAG、PyTorch、Hugging Face、LLMs 和 LangChain 技术来构建 AI 应用程序

获得构建自己的真实世界生成式 AI 应用程序的实践经验，以便在面试中进行展示

创建并配置一个 Vector 数据库来存储文档 Embedding，并开发一个检索器来根据用户 Query 获取相关片段

为用户交互设置一个简单的 Gradio Interface，并使用 LangChain 和大语言模型 (LLM) 建立一个问题解答机器人