这门课解决什么工作场景

很多团队现在的痛点不是用不用大模型，而是怎么把开源模型真正跑在自己的服务器上，并且按自己的业务数据做微调。这门课解决的就是这个落地环节：从词向量、预训练模型原理出发，讲清楚开源大模型怎么本地部署、怎么用业务语料微调，让模型不只是停留在网页对话，而是能接进自家系统。适合已经会 Python、做过一点机器学习或后端开发，但没系统碰过大模型训练的人。完全零基础、连环境配置都发怬的，建议先补 Python 和基础深度学习再来看。

建议先看哪几块，资料怎么配合练习

不要一上来就翻部署章节。建议按这个顺序走：先看词向量基础和共现矩阵表示，把“词怎么变成向量”这件事吃透；接着看神经网络语言模型原理，以及 CBOW 和 Skip-Gram，理解预训练到底在干什么；然后进入预训练模型概述，再往大模型部署和微调走。资料里的视频不要只当纪录片看，每节讲完原理后，自己拿一份小语料复跑一遍中文词向量训练，再过渡到开源模型的微调脚本。环境上先准备一台带显卡的机器，显存不够就用小参数模型练手，别一开始就上大尺寸。每学完一个阶段，把跑通的代码和参数改动记下来，后面微调时报错能快速定位。

学完能独立做什么

学完后，你应该能独立完成这几件事：在本地或公司服务器上把一个开源大模型跑起来，搭出可调用的推理接口；用自己整理的业务数据做一次微调，让模型在特定任务上给出更贴合业务的回答；看懂词向量、预训练、微调之间的关系，而不是把大模型当黑盒。再进一步，可以把它接到客服、知识库、内部工具链里，做轻量级的私有化方案。说白了，学完你不是只会调 API，而是能从部署到微调把一条链路走通，这在很多中小团队里已经是实打实能上手干活的水平。


了解大模型的基本原理，掌握开源大模型的部署和微调方法

课程目录

*   01 词向量技术/

  *   01 词向量基础.mp4 (50.76 MB), 22:00

  *   02 词向量模型.mp4 (67.58 MB), 23:07

  *   03 词向量的共现矩阵表示.mp4 (27.78 MB), 13:17

  *   04 神经网络语言模型的原理.mp4 (96.66 MB), 38:25

  *   05 CBOW和Skip-Gram模型的原理.mp4 (60.79 MB), 19:53

  *   06 中文词向量的训练.mp4 (74.51 MB), 21:29

  *   07 中文词向量模型的训练.mp4 (86.88 MB), 21:44

  *   08 中文词向量的使用.mp4 (27.39 MB), 08:18

  *   09 词向量的高维理解.mp4 (67.04 MB), 21:54

*   02 预训练模型/

  *   01 预训练模型概述.mp4 (85.78 MB), 22:18

  *   02 基于ALBERT的命名实体识别数据处理.mp4 (102.41 MB), 23:18

  *   03 基于ALBERT的命名实体识别模型训练和评估.mp4 (92.71 MB), 23:19

  *   04 Transformer概述.mp4 (98.19 MB), 29:21

  *   05 多头注意力机制.mp4 (101.80 MB), 24:34

  *   06 注意力机制.mp4 (88.63 MB), 21:53

  *   07 基于BERT的文本相似度计算(一).mp4 (38.65 MB), 20:50

  *   08 基于BERT的文本相似度计算(二).mp4 (41.49 MB), 22:34

  *   09 基于ERNIE的中文情感分析(一).mp4 (37.66 MB), 20:26

  *   10 基于ERNIE的中文情感分析(二).mp4 (41.20 MB), 22:31

  *   11 Transformer基础理解.mp4 (92.77 MB), 40:51

*   03 大模型技术基础/

  *   01 阿里云工作空间的创建.mp4 (14.71 MB), 05:13

  *   02 ollma模型的部署和启动.mp4 (39.44 MB), 18:37

  *   03 ollma模型的介绍.mp4 (21.03 MB), 07:37

  *   04 ollma模型的API介绍.mp4 (45.30 MB), 13:08

  *   05 vllm部署llama3模型.mp4 (49.69 MB), 19:56

  *   06 vllm运行llam3模型的chat模式.mp4 (22.55 MB), 07:14

*   04 大模型部署与微调/

  *   01 llama_factory的环境配置.mp4 (57.58 MB), 19:22

  *   02 llama_factory的中文数据的训练.mp4 (36.23 MB), 13:53

  *   03 llama_factory的中文数据推理.mp4 (20.00 MB), 06:23

  *   04 llama_factory医疗对话数据的训练.mp4 (71.96 MB), 18:07

  *   05 llama_factory中文对话和医疗对话的合并训练.mp4 (28.97 MB), 06:51

  *   06 llama_factory中文合并推理和Transformer训练.mp4 (52.31 MB), 10:39

  *   07 chatglm模型的搭建和推理.mp4 (46.67 MB), 12:11

*   05 大模型的应用/

  *   01 AI生成视频.mp4 (39.16 MB), 13:01

  *   02 智能体的创建.mp4 (38.84 MB), 15:23

  *   03 ollama启动deepseek（1.5B）.mp4 (25.83 MB), 11:54