随着AI大模型从“通用化”走向“行业化”，企业对“能懂原理、会调模型、善部署、可落地”的AI大模型工程师需求激增——据招聘数据显示，2025年该岗位平均薪资突破40K，缺口超10万人。但多数学习者困于“懂理论不会实操、会调用不懂优化、能开发难落地”的困境。几米课堂结合50+企业大模型落地案例，推出《AI大模型工程师》系统化课程，帮你打通“原理认知-工程开发-行业落地”全链路，快速成长为企业争抢的实战型大模型人才！
* 01 直播课/
* 01 大模型直播课（三期）/
* 01 大模型直播课（三期）/
* 01 大模型直播课（三期）/
* 01 第1课：VIP开营和AI大模型尝鲜 (733.76 MB), 02:56:33
* 02 第2课：知识铺垫：卷积神经网络.txt (0.00 MB)
* 03 第3课：VAE 与潜在空间建模 (671.49 MB), 02:50:16
* 04 第4课：UNet 架构详解与注意力机制 (778.50 MB), 02:55:09
* 05 第5课：文本编码器 CLIP 与多模态对齐.txt (0.00 MB)
* 06 第6课：Stable Diffusion 架构整合.txt (0.00 MB)
* 07 第7课：扩散训练流程与损失函数.txt (0.00 MB)
* 08 第8课：推理与采样调度器DDPM、DDIM.txt (0.00 MB)
* 09 第9课：完整训练流程与工程优化.txt (0.00 MB)
* 10 第10课：微调与个性化生成.txt (0.00 MB)
* 11 第11课：部署与应用拓展.txt (0.00 MB)
* 12 LangChain-V1更新的核心组件.txt (0.00 MB)
* 13 新Agent开发范式+中间件.txt (0.00 MB)
* 14 新Agent的状态和上下文管理.txt (0.00 MB)
* 15 新Agent的上下文工程.txt (0.00 MB)
* 16 LangGraph-V1可编辑的Agent.txt (0.00 MB)
* 17 LangGraph-V1多智能体架构.txt (0.00 MB)
* 18 LangGraph-V1中关于Agent的部署.txt (0.00 MB)
* 19 GUI Agent项目开发实战.txt (0.00 MB)
* 20 GUI Agent项目开发实战(二).txt (0.00 MB)
* 01 大模型直播课（二期）/
* 01 大模型直播课二期/
* 01 大模型直播课二期/
* 01 VIP开营和VIP大模型尝鲜 (600.81 MB), 02:23:48
* 02 从0到1训练MOE架构大模型项目一 (658.18 MB), 02:39:17
* 03 从0到1训练MOE架构大模型项目二 (561.17 MB), 02:15:23
* 04 从0到1训练MOE架构大模型项目三 (551.71 MB), 02:12:37
* 05 从0到1训练MOE架构大模型项目四 (584.27 MB), 02:20:35
* 06 从0到1训练MOE架构大模型项目五 (597.57 MB), 02:27:58
* 07 从0到1训练MOE架构大模型项目六 (667.59 MB), 02:40:36
* 08 从0到1训练MOE架构大模型项目七 (690.08 MB), 02:46:01
* 09 从0到1训练MOE架构大模型项目八 (556.63 MB), 02:13:26
* 10 从0到1训练MOE架构大模型项目九 (563.57 MB), 02:14:55
* 11 从0到1训练MOE架构大模型项目十 (635.80 MB), 02:30:35
* 12 实现基于知识图谱的RAG(一) (601.92 MB), 02:24:25
* 13 实现基于知识图谱的RAG(二) (585.80 MB), 02:21:16
* 14 多模态RAG+RAGAS实战项目(一) (619.69 MB), 02:27:37
* 15 多模态RAG+RAGAS实战项目(二) (599.20 MB), 02:23:32
* 15 多模态RAG+RAGAS实战项目(二).txt (0.00 MB)
* 16 多模态RAG+RAGAS实战项目(三) (594.84 MB), 02:21:34
* 16 多模态RAG+RAGAS实战项目(三).txt (0.00 MB)
* 17 多模态RAG+RAGAS实战项目(四) (603.53 MB), 02:24:58
* 17 多模态RAG+RAGAS实战项目(四).txt (0.00 MB)
* 18 AI大模型工程师简历和面试指导.txt (0.00 MB)
* 18 多模态RAG+RAGAS实战项目(五).txt (0.00 MB)
* 19 多模态RAG+RAGAS实战项目(六).txt (0.00 MB)
* 20 AI大模型工程师简历和面试指导.txt (0.00 MB)
* 02 大模型直播课（一期）/
* 01 大模型直播课一期/
* 01 大模型直播课/
* 01 VIP开营和AI大模型的尝鲜 (507.14 MB), 02:03:26
* 02 国内外各种大模型应用开发 (476.53 MB), 01:53:29
* 03 各种链的组装和案例 (518.43 MB), 02:04:31
* 04 LECL和Agent (510.35 MB), 02:01:50
* 05 Tool和Agent (510.88 MB), 02:02:57
* 06 LangGraph 工作流实战项目 (674.27 MB), 02:40:30
* 07 携程AI大模型综合智能平台项目一 (572.43 MB), 02:17:01
* 08 携程AI大模型综合智能平台项目二 (603.96 MB), 02:25:06
* 09 携程AI大模型综合智能平台项目三 (632.67 MB), 02:31:05
* 10 请打开httpswww.mashibing.comcourse2801观看.txt (0.00 MB)
* 11 LLM之从机器学习到神经网络串讲 (722.73 MB), 02:59:22
* 12 从神经网络到Attention注意力机制 (634.27 MB), 02:38:01
* 13 Transformer架构与底层代码解析 (718.51 MB), 02:58:25
* 14 强化学习之蒙特卡洛、时序差分、Q-Learning (562.82 MB), 02:17:58
* 15 强化学习之DQN、策略梯度 PolicyGradient (706.32 MB), 02:50:16
* 16 强化学习之ActorCritic、PPO、DPO 等 (673.57 MB), 02:42:59
* 17 AI大模型工程师简历和面试指导 (490.34 MB), 01:57:18
* 02 大模型直播课（二期）/
* 01 大模型直播课二期/
* 01 大模型直播课二期/
* 01 VIP开营和VIP大模型尝鲜 (600.81 MB), 02:23:48
* 02 从0到1训练MOE架构大模型项目一 (658.18 MB), 02:39:17
* 03 从0到1训练MOE架构大模型项目二 (561.17 MB), 02:15:23
* 04 从0到1训练MOE架构大模型项目三 (551.71 MB), 02:12:37
* 05 从0到1训练MOE架构大模型项目四 (584.27 MB), 02:20:35
* 06 从0到1训练MOE架构大模型项目五 (597.57 MB), 02:27:58
* 07 从0到1训练MOE架构大模型项目六 (667.59 MB), 02:40:36
* 08 从0到1训练MOE架构大模型项目七 (690.08 MB), 02:46:01
* 09 从0到1训练MOE架构大模型项目八 (556.63 MB), 02:13:26
* 10 从0到1训练MOE架构大模型项目九 (563.57 MB), 02:14:55
* 11 从0到1训练MOE架构大模型项目十 (635.80 MB), 02:30:35
* 12 实现基于知识图谱的RAG(一) (601.92 MB), 02:24:25
* 13 实现基于知识图谱的RAG(二) (585.80 MB), 02:21:16
* 14 多模态RAG+RAGAS实战项目(一) (619.69 MB), 02:27:37
* 15 多模态RAG+RAGAS实战项目(二) (599.20 MB), 02:23:32
* 16 多模态RAG+RAGAS实战项目(三) (594.84 MB), 02:21:34
* 17 多模态RAG+RAGAS实战项目(四) (603.53 MB), 02:24:58
* 18 多模态RAG+RAGAS实战项目(五) (607.93 MB), 02:25:12
* 19 多模态RAG+RAGAS实战项目(六) (638.52 MB), 02:32:38
* 20 AI大模型工程师简历和面试指导 (606.92 MB), 02:25:35
* 21 多模态RAG项目的补充内容 (557.46 MB), 49:56
* 03 大模型直播课（一期）/
* 01 大模型直播课一期/
* 01 大模型直播课/
* 01 VIP开营和AI大模型的尝鲜 (507.14 MB), 02:03:26
* 02 国内外各种大模型应用开发 (476.53 MB), 01:53:29
* 03 各种链的组装和案例 (518.43 MB), 02:04:31
* 04 LECL和Agent (510.35 MB), 02:01:50
* 05 Tool和Agent (510.88 MB), 02:02:57
* 06 LangGraph 工作流实战项目 (674.27 MB), 02:40:30
* 07 携程AI大模型综合智能平台项目一 (572.43 MB), 02:17:01
* 08 携程AI大模型综合智能平台项目二 (603.96 MB), 02:25:06
* 09 携程AI大模型综合智能平台项目三 (632.67 MB), 02:31:05
* 10 请打开httpswww.mashibing.comcourse2801观看.txt (0.00 MB)
* 11 LLM之从机器学习到神经网络串讲 (722.73 MB), 02:59:22
* 12 从神经网络到Attention注意力机制 (634.27 MB), 02:38:01
* 13 Transformer架构与底层代码解析 (718.51 MB), 02:58:25
* 14 强化学习之蒙特卡洛、时序差分、Q-Learning (562.82 MB), 02:17:58
* 15 强化学习之DQN、策略梯度 PolicyGradient (706.32 MB), 02:50:16
* 16 强化学习之ActorCritic、PPO、DPO 等 (673.57 MB), 02:42:59
* 17 AI大模型工程师简历和面试指导 (490.34 MB), 01:57:18
* 02 基础篇/
* 01 AI大模型前期必须课/
* 01 AI大模型前期必须课/
* 01 课前必看/
* 01 AI大模型课程前期必看 (597.93 MB), 53:12
* 02 算力服务器的注意事项 (405.98 MB), 39:10
* 02 大模型理论基础/
* 01 大模型理论基础/
* 01 大模型基础之机器学习篇/
* 01 机器学习、深度学习、有监督学习 (33.45 MB), 16:40
* 02 多元线性回归算法 (41.98 MB), 21:26
* 03 梯度下降法与模型训练 (54.63 MB), 20:10
* 04 升维、降维、early stopping、惩罚项 (34.61 MB), 15:57
* 05 正则化与归一化 (46.67 MB), 18:37
* 06 逻辑回归、Softmax回归、损失函数 (42.05 MB), 17:05
* 07 什么是神经网络 (40.61 MB), 07:30
* 08 理解神经网络反向传播 (91.03 MB), 17:24
* 09 知识总结 (42.92 MB), 09:43
* 10 常见问题回答 (89.82 MB), 22:50
* 02 大模型基础之深度学习篇/
* 01 回归神经网络反向传播 (42.52 MB), 10:24
* 02 梯度消失问题 (64.59 MB), 17:34
* 03 激活函数、批量归一化、参数初始化 (50.28 MB), 18:21
* 04 图像识别与卷积神经网络 (45.20 MB), 11:36
* 05 经典CNN模型、残差网络等 (59.36 MB), 20:09
* 06 NLP任务与循环神经网络 (34.08 MB), 15:10
* 07 梯度消失、长短时记忆 (30.08 MB), 13:32
* 08 编码器解码器、注意力机制 (83.32 MB), 24:13
* 09 浅看Transformer架构 (31.80 MB), 06:26
* 03 大模型架构之Transformer/
* 01 整体把握Transformer结构 (38.80 MB), 15:56
* 02 什么是语言模型 (30.84 MB), 12:57
* 03 理解Self Attention (74.09 MB), 26:35
* 04 Token Embedding (45.70 MB), 16:00
* 05 Positional Encoding 位置编码 (33.00 MB), 14:06
* 06 Self Attention计算 (75.60 MB), 30:24
* 07 多头注意力 (17.59 MB), 06:43
* 08 Encoder Block (23.05 MB), 09:24
* 09 Masked Self Attention (22.15 MB), 08:38
* 10 终端输出 (6.52 MB), 03:31
* 11 Transformer总结及训练 (47.19 MB), 19:29
* 12 Transformer架构代码实现 (48.58 MB), 08:06
* 03 AI大模型提示词工程深入实战/
* 01 提示词工程深入实战/
* 01 提示词工程/
* 01 提示词工程课程介绍 (6.24 MB), 02:50
* 02 prompt和Prompt engineering剖析 (20.99 MB), 09:21
* 03 大模型介绍,生成简历,写小红书文案,生成图片 (90.83 MB), 28:12
* 04 提示词基本技巧_灵活运营指令符号_指定输出格式markdown结合xmind生成思维导图 (30.05 MB), 10:29
* 05 自己定义格式输出_使用openrouter对比大模型结果 (30.63 MB), 06:56
* 06 plantuml和json格式输出并使用vscode展示 (22.71 MB), 08:47
* 07 mermaid格式输出 (13.68 MB), 05:43
* 08 使用chatgpt的gpts制作流程图 (11.81 MB), 06:08
* 09 如何使用角色扮演与好提示词 (21.85 MB), 08:05
* 10 写好结构化提示词的4要素 (23.37 MB), 09:33
* 11 利用费曼学习法写好提示词 (17.09 MB), 06:56
* 12 8020原则激发大模型指导学习 (12.98 MB), 04:57
* 13 写一条利用番茄工作法Prompt (6.93 MB), 02:31
* 14 利用SQ3R学习法构建提示词Prompt (7.55 MB), 02:42
* 15 结合艾宾浩斯遗忘曲线构建学习计划Prompt (10.03 MB), 04:00
* 16 交叉主题和双编码概念设计Prompt (14.40 MB), 04:54
* 17 kimi,gpt4,文心一言,gemini等大模型对比分块学习法和多感官学习法提示词的效果 (44.42 MB), 13:05
* 18 playground调试学习 tempature max_tokens参数 (46.77 MB), 19:44
* 19 top P参数 Presence penalty和Frequency peanalty参数对比 (33.92 MB), 14:15
* 20 零样本提示词和零样本思维链技巧 (22.60 MB), 10:19
* 21 通过零样本思维链辅导小孩做数学题 (15.33 MB), 06:25
* 22 少样本和少样本思维链 (26.04 MB), 10:42
* 23 大模型self-consistency特性 (25.57 MB), 07:59
* 24 思维树提示词构建深入剖析 (56.98 MB), 19:41
* 25 anaconda环境搭建 (30.40 MB), 09:59
* 26 anconda jupyter notebook使用和虚拟环境构建 (55.25 MB), 19:44
* 27 python抓取抖音热榜数据集 (47.09 MB), 11:14
* 28 爬取对标账号首页数据之影刀介绍 (48.72 MB), 11:12
* 29 使用影刀抓取抖音用户首页所有标题描述数据 (75.01 MB), 13:45
* 30 使用大模型学习如何写爆款标题 (76.85 MB), 20:44
* 31 提示词工程化之深入部析结构化提示词 (31.69 MB), 10:09
* 32 结构化提示词实战诗人提示词 (44.16 MB), 12:56
* 33 设计小红书，公众号，头条号的爆款结构化提示词 (27.97 MB), 07:02
* 34 非常牛叉通过结构化提示词设计一个python网络爬虫 (54.72 MB), 15:53
* 35 必看这一个牛叉的逆向提示词工程 (64.16 MB), 15:27
* 36 小红书创作文案同时生成抖音的脚本和分镜头 (31.37 MB), 08:56
* 37 小红书种草笔记结构化提示词 (44.81 MB), 10:31
* 38 生成本科论文结构化提示词 (18.74 MB), 05:37
* 39 短篇小说提示词创作爆款微头条 (51.20 MB), 11:58
* 40 OpenAi之GPT-4o (7.41 MB), 02:01
* 41 开发介绍并完成一个postman请求gpt api (102.88 MB), 19:52
* 42 python编程实现提示词原则比如特殊符号 输出格式 步骤 (84.66 MB), 16:05
* 43 python编程之提示词工程思维链 (35.40 MB), 10:31
* 44 提示词迭代优化 (46.91 MB), 13:41
* 45 文本概括提示词 (33.73 MB), 09:25
* 46 提示词文本推断 inferring (36.58 MB), 11:24
* 47 文本转换 transforming (60.81 MB), 20:34
* 48 文本扩展自动回复邮件 评价邮件 temperature设定下情况有什么变化 (24.28 MB), 06:34
* 49 订餐机器人和playground模式生成代码之怎么python编程写提示词工程 (168.03 MB), 36:33
* 03 应用篇/
* 01 OpenAI之嵌入式 Embedding模型/
* 01 OpenAI之嵌入式 Embedding模型/
* 01 表示学习与嵌入的概念/
* 01 01AI中数据的本质 (91.42 MB), 23:53
* 02 02Representation和Embedding (47.05 MB), 12:45
* 03 03Embedding介绍 (38.59 MB), 10:17
* 04 04词嵌入和必要条件 (97.17 MB), 22:31
* 02 OpenAI text-embedding系列模型/
* 01 05Embedding开发准备 (83.09 MB), 17:16
* 02 06Embedding开发(一) (63.28 MB), 15:13
* 03 07Embedding开发(二) (71.11 MB), 15:05
* 04 08T-SNE可视化数据 (93.96 MB), 20:48
* 05 09T-SNE可视化数据2 (56.99 MB), 12:01
* 06 10T-SNE可视化数据3 (47.70 MB), 10:10
* 07 11基于Embedding的相似搜索1 (67.41 MB), 14:03
* 08 12基于Embedding的相似搜索2 (74.34 MB), 14:48
* 03 OpenAI大模型应用实战/
* 01 13OpenAI中模型的分词1 (77.71 MB), 16:53
* 02 14OpenAI中模型的分词2 (70.80 MB), 15:48
* 03 15OpenAI的模型操作API (62.67 MB), 10:49
* 04 16OpenAi模型的实战案例1 (113.99 MB), 19:25
* 05 17聊天机器人实战案例1 (60.94 MB), 12:47
* 06 18聊天机器人实战案例2 (66.41 MB), 13:19
* 02 基于OpenAI的 大模型开发与实战/
* 01 基于OpenAI的 大模型开发与实战/
* 01 OpenAI大模型应用实践/
* 01 19构建一个AI助手(一) (70.59 MB), 15:52
* 02 20构建一个AI助手(二) (110.64 MB), 23:21
* 03 21构建一个AI助手(三) (69.37 MB), 11:11
* 04 22GPT模型输入图片(一) (77.16 MB), 15:37
* 05 23GPT模型输入图片(二) (113.68 MB), 24:08
* 06 24生成图片的实战案例(一) (46.84 MB), 09:48
* 07 25生成图片的实战案例(二) (82.53 MB), 16:11
* 08 26给李云龙配音 (61.92 MB), 12:01
* 09 27郭德纲相声的英文版 (91.96 MB), 20:06
* 03 基于大模型的 智能翻译助手/
* 01 基于大模型的 智能翻译助手/
* 01 项目需求与功能规划/
* 01 28书籍自动翻译项目需求 (81.84 MB), 21:57
* 02 29书籍自动翻译项目参数和初始化 (137.47 MB), 31:50
* 03 30PDF文件的解析工具(一) (87.62 MB), 17:16
* 04 31PDF文件的解析工具(二) (58.36 MB), 16:44
* 02 BookTranslator项目实战一/
* 01 32调用openAI的模型接口 (94.91 MB), 19:56
* 02 日志模块的补充知识一 (53.62 MB), 09:00
* 03 日志模块补充知识二 (56.55 MB), 12:06
* 04 日志模块补充知识三 (31.27 MB), 06:31
* 05 33书本内容解析操作(一) (73.03 MB), 17:03
* 06 34书本内容解析操作(二) (98.68 MB), 21:19
* 07 35书本内容解析操作(三) (60.77 MB), 11:49
* 08 36大模型翻译核心(一) (90.30 MB), 19:41
* 09 37调用AI大模型翻译文本 (42.93 MB), 08:22
* 10 38处理翻译之后的文本 (56.67 MB), 10:55
* 11 39Writer模块实现 (65.79 MB), 14:55
* 03 BookTranslator项目实战二/
* 01 40翻译文本写入段落中 (60.65 MB), 13:32
* 02 41翻译表格写入Table中 (87.44 MB), 17:03
* 03 42翻译文本写入MD (45.32 MB), 07:49
* 04 43翻译表格写入MD (84.62 MB), 18:11
* 05 44调用Writer模块 (39.60 MB), 05:59
* 06 45调用Translator模块 (38.71 MB), 08:33
* 07 46整个项目综合调试 (46.23 MB), 08:51
* 08 47书籍翻译器启动 (109.54 MB), 18:20
* 09 48书籍翻译器生成MD (32.82 MB), 05:19
* 04 Huggingface 基础教程/
* 01 Huggingface 基础教程/
* 01 pytorch深度学习框架/
* 01 pytorch介绍 (38.41 MB), 11:50
* 02 pytorch安装 (68.59 MB), 15:36
* 03 pytorch张量基础操作和基础运算 (152.42 MB), 48:31
* 04 pytorch自动微分 (91.10 MB), 24:19
* 05 pytorch实现原始线性回归 (159.05 MB), 38:27
* 06 pytorch实现线性回归封装写法 (63.63 MB), 15:34
* 07 pytorch实现分类问题 (73.42 MB), 19:48
* 08 模型的子类写法 (137.87 MB), 36:43
* 09 使用dataset重构代码 (31.15 MB), 08:51
* 10 使用DataLoader重构代码 (22.43 MB), 06:28
* 11 添加校验代码 (82.71 MB), 25:24
* 12 封装 (86.02 MB), 17:28
* 13 使用pytorch搭建cnn实现手写数字识别 (160.44 MB), 59:57
* 14 4种天气数据处理 (83.70 MB), 30:33
* 15 图片预处理 (43.61 MB), 16:46
* 16 添加dropout层 (88.90 MB), 30:35
* 17 添加BN层 (58.93 MB), 15:16
* 18 vgg16迁移学习 (118.82 MB), 24:43
* 19 学习率衰减 (83.33 MB), 16:38
* 20 数据增强 (110.55 MB), 23:28
* 21 模型参数保存 (232.37 MB), 44:35
* 22 自定义dataset (240.36 MB), 49:57
* 23 自定义数据集问题解决 (238.61 MB), 40:08
* 24 tensorboard的使用 (118.28 MB), 30:28
* 02 huggingface介绍与安装/
* 01 huggingface简介和安装 (60.78 MB), 10:27
* 02 huggingface开发流程 (75.33 MB), 18:03
* 03 编码器/
* 01 编码器基础工作流 (37.40 MB), 11:52
* 02 编码器基本编码函数 (68.55 MB), 17:36
* 03 编码器进阶编码函数 (29.40 MB), 07:48
* 04 批量编码和字典 (79.70 MB), 17:55
* 04 数据集工具/
* 01 数据集工具之加载和保存数据集 (160.64 MB), 25:53
* 02 数据集工具之基本操作 (77.72 MB), 20:45
* 03 数据集工具之保存为其他格式 (51.46 MB), 07:38
* 05 评价指标工具/
* 01 评价指标 (62.96 MB), 14:54
* 06 管道工具/
* 01 管道工具之常见任务类型1 (155.73 MB), 29:42
* 02 管道工具之常见任务类型2 (103.38 MB), 23:14
* 07 训练工具/
* 01 训练工具之数据准备和模型加载 (116.54 MB), 27:28
* 02 训练工具之加载评估指标 (50.31 MB), 11:01
* 03 训练工具之训练超参数, 训练器和数据整理函数 (75.91 MB), 17:31
* 04 训练工具之训练和测试 (27.99 MB), 05:22
* 05 训练工具之模型保存和加载 (20.54 MB), 04:29
* 06 训练工具之预测 (53.00 MB), 08:24
* 08 中文情感分类/
* 01 中文分类之加载编码器 (60.45 MB), 16:17
* 02 中文分类之定义数据集和计算设备 (19.54 MB), 06:33
* 03 中文分类之数据整理函数 (33.59 MB), 09:16
* 04 中文分类之数据加载器和预训练模型加载 (55.79 MB), 13:52
* 05 中文分类之定义下游任务模型 (22.82 MB), 07:30
* 06 中文分类之训练过程 (54.82 MB), 16:15
* 07 中文分类之测试 (34.83 MB), 07:34
* 05 大模型应用开发框架LangChain/
* 01 大模型应用开发框架LangChain/
* 01 LangChain基本理论/
* 01 01Langchain是什么 (47.41 MB), 13:16
* 02 02Langchain的核心 (28.88 MB), 08:32
* 03 03Langchain的底层原理 (24.66 MB), 07:32
* 04 04Langchain的环境和监控 (55.32 MB), 14:03
* 02 LangChain 核心模块与实战/
* 01 05采用Langtain调用LLM (68.96 MB), 16:06
* 02 06Langchain的提示模板 (34.71 MB), 08:46
* 03 07部署你的langchain程序 (58.69 MB), 12:54
* 04 08LangChain构建聊天机器人 (70.93 MB), 17:57
* 05 09流式输出的处理 (42.00 MB), 08:56
* 06 10构建文档和向量空间 (80.96 MB), 19:08
* 07 11检索器和模型结合 (46.95 MB), 10:39
* 08 12Tavily搜索工具 (73.15 MB), 16:54
* 09 13Agent代理的使用 (71.96 MB), 16:21
* 10 14构建RAG对话应用(一) (144.37 MB), 25:38
* 11 15构建RAG问答应用(二) (97.93 MB), 20:06
* 12 16构建RAG问答应用(三) (146.97 MB), 29:08
* 13 17Langchain读取数据库 (69.62 MB), 16:55
* 14 18Langchain和数据库整合 (79.06 MB), 24:35
* 15 19Agent整合数据库 (78.38 MB), 17:37
* 16 20爬取Youtube字幕并构建向量数据库 (100.79 MB), 22:18
* 17 21执行代码并保存向量数据库 (26.76 MB), 05:06
* 18 22加载向量数据库并测试 (2) (58.75 MB), 10:23
* 19 23定义数据模型得到检索指令 (58.54 MB), 13:31
* 20 24根据检索条件去执行 (55.13 MB), 12:01
* 21 25提取和输出结构化数据 (65.26 MB), 14:18
* 22 26提取多个对象 (37.87 MB), 07:46
* 03 LangChain实战案例/
* 01 27生成一些文本数据 (55.74 MB), 13:27
* 02 28生成结构化的数据(一) (70.82 MB), 15:59
* 03 29生成结构化的数据(二) (53.39 MB), 10:49
* 04 30实现文本分类(一) (84.80 MB), 19:40
* 05 31实现文本分类(二) (37.34 MB), 07:37
* 06 32文本自动摘要的三种方式 (30.10 MB), 10:08
* 07 33文本自动摘要Stuff方式 (93.01 MB), 17:42
* 08 34文本自动摘要MapReduce(一) (60.53 MB), 16:14
* 09 35文本自动摘要MapReduce(二) (101.66 MB), 20:40
* 10 36文本自动摘要Refine方式 (65.95 MB), 11:07
* 06 AI大模型实践项目/
* 01 AI大模型最佳实践/
* 01 基于Langchain的书籍翻译项目/
* 01 01构建项目环境 (32.24 MB), 08:08
* 02 02项目配置模块(一) (87.41 MB), 18:09
* 03 03项目配置模块(二) (87.37 MB), 17:33
* 04 05项目中管理大语言模型 (84.21 MB), 16:21
* 05 06替换为Langchain翻译 (64.07 MB), 13:20
* 06 07Langchain中的提示模板设置 (81.12 MB), 16:56
* 07 08调用和执行Langchain (79.56 MB), 15:23
* 08 09项目翻译器启动 (86.23 MB), 12:02
* 02 项目中UI界面和开放项目接口/
* 01 10Gradio的可视化介绍 (49.98 MB), 10:58
* 02 11Gradio的计算器案例 (93.05 MB), 22:23
* 03 12Gradio进度条案例 (37.80 MB), 09:02
* 04 13Gradio聊天和流式输出 (40.32 MB), 09:09
* 05 14AI聊天界面(一) (51.60 MB), 10:46
* 06 15AI聊天界面(二) (69.47 MB), 15:32
* 07 16AI聊天界面(三) (135.65 MB), 26:59
* 08 17项目的UI界面(一) (53.80 MB), 10:31
* 09 18项目的UI界面(二) (70.16 MB), 12:35
* 10 19FastAPI的介绍 (62.38 MB), 15:17
* 11 20API接口中传入参数 (63.76 MB), 14:32
* 12 21API接口返回一个文件下载 (49.68 MB), 09:53
* 13 22项目正式对外发布API接口 (110.43 MB), 19:20
* 07 大模型 LLaMA 深度解析/
* 01 大模型LLaMA深度解析/
* 01 初识 LLaMA 大模型/
* 01 LLaMA 概述 (28.98 MB), 11:02
* 02 训练 LLaMA 使用的数据集 (45.71 MB), 13:42
* 02 LLaMA 大模型架构/
* 01 LLaMA 大模型整体架构 (46.59 MB), 20:01
* 02 Input Embedding 模块 (32.97 MB), 17:45
* 03 RMS Layer Normalization/
* 01 为什么需要归一化 (32.26 MB), 17:25
* 02 深入理解归一化对于大模型的重要性 (28.13 MB), 13:33
* 03 批量归一化 Batch Normalization (13.44 MB), 07:34
* 04 层归一化 Layer Normalization (23.36 MB), 12:34
* 05 均方根层归一化 RMS Normalization (28.78 MB), 09:52
* 04 Rotary Positional Encoding/
* 01 绝对位置编码 (19.29 MB), 10:41
* 02 相对位置编码 (31.74 MB), 10:17
* 03 旋转位置编码 RoPE (46.70 MB), 19:06
* 05 SwiGLU 激活函数/
* 01 SwiGLU 激活函数 (37.40 MB), 14:20
* 06 KV cache 缓存/
* 01 语言模型与 Causal Self Attention (27.60 MB), 16:14
* 02 KV cache 是如何提高计算效率的 (22.39 MB), 12:40
* 07 Multi Query Attention 与 GQA/
* 01 MHA - MQA - GQA (31.88 MB), 16:01
* 08 大模型 LLaMA 代码实战/
* 01 构建模型参数类 ModelArgs (29.63 MB), 14:26
* 02 LLaMA 整体架构 Transformer 类 (59.61 MB), 24:12
* 09 旋转位置编码 RoPE 代码实战/
* 01 预计算 RoPE 需要的 mθ (53.51 MB), 23:02
* 02 将 X 按两个值一组进行分组 (31.61 MB), 13:55
* 03 对 Token 应用旋转矩阵 (45.04 MB), 22:08
* 10 RMSNorm 归一化的代码实战/
* 01 RMSNorm 归一化的代码实战 (28.94 MB), 11:35
* 11 实现堆叠 N 次的 EncoderBlock/
* 01 EncoderBlock 的代码实现 (28.03 MB), 12:04
* 12 实战 GQA with KV cache/
* 01 封装 Self Attention 类的初始化函数 (34.12 MB), 13:03
* 02 Self Attention 中应用 RoPE 和对 KV 进行缓存 (31.41 MB), 12:19
* 03 应用公式完成 Self Attention 的计算 (39.31 MB), 15:05
* 04 针对 GQA 对 K 和 V 拷贝多份 (27.89 MB), 10:45
* 13 实战 FFN with SwiGLU/
* 01 计算 FFN 中隐藏层节点数量 (27.55 MB), 10:05
* 02 FFN 中 3 个矩阵以及 SwishGLU 的运算实现 (18.24 MB), 06:57
* 14 实战 LLaMA 模型加载/
* 01 加载 checkpoint 文件 (42.07 MB), 15:15
* 02 加载分词器、model模型及模型参数 (39.42 MB), 12:02
* 03 测试模型加载程序 (23.21 MB), 08:17
* 15 实战 LLaMA 模型推理/
* 01 模型需要 generate 函数 (24.79 MB), 10:22
* 02 准备模型推理需要的 tokens 张量 (65.81 MB), 22:58
* 03 模型生成结果并解码 response 文本 (54.81 MB), 20:00
* 04 调试错误及得到运行结果 (27.56 MB), 10:05
* 16 大模型推理策略实战/
* 01 何为推理策略 (14.14 MB), 07:21
* 02 Greedy Search 贪婪搜索 (11.09 MB), 06:07
* 03 Beam Search 集束搜索 (19.36 MB), 11:15
* 04 Temperature 超参数 (16.56 MB), 09:13
* 05 Random Sampling 随机采样 (5.15 MB), 03:16
* 06 基于 Top K 的随机采样策略 (11.23 MB), 06:52
* 07 基于 Top P 的随机采样策略 (17.73 MB), 10:20
* 08 代码实战 Top P 采样策略 (47.51 MB), 15:09
* 09 对比测试 Top P 采样策略 (44.39 MB), 14:15
* 08 国产大模型 ChatGLM 深度实战/
* 01 国产大模型 ChatGLM 深度实战/
* 01 智普GLM-4和Langchain/
* 01 01智普GLM大模型介绍 (83.97 MB), 18:59
* 02 02GLM-4大模型的开发环境介绍 (53.25 MB), 12:43
* 03 03GLM-4大模型的调用方式 (92.86 MB), 19:07
* 04 04使用魔塔社区的Embeddings(一) (96.77 MB), 14:25
* 05 05使用魔塔社区的Embeddings(二) (67.66 MB), 09:42
* 06 06自定义Tools(一) (131.66 MB), 26:00
* 07 07自定义Tools(二) (143.33 MB), 24:51
* 08 08GLM整合数据库操作 (76.47 MB), 18:24
* 09 09自定义长Chain(链)执行SQL (105.49 MB), 22:22
* 10 10RAG文件加载器(一) (81.32 MB), 17:47
* 11 11RAG文件加载器(二) (126.36 MB), 25:04
* 12 12RAG文本拆分器(一) (92.98 MB), 21:18
* 13 13RAG文本拆分器(二) (147.89 MB), 26:05
* 14 14RAG文本拆分器(三) (27.42 MB), 06:35
* 15 15RAG文本拆分器(四) (77.00 MB), 17:44
* 16 16RAG综合案例和向量数据库 (132.40 MB), 28:03
* 09 携程AI智能助手项目/
* 01 携程AI智能助手项目/
* 01 项目开始/
* 01 项目第一天 (344.78 MB), 01:22:50
* 02 项目第二天 (541.66 MB), 02:08:57
* 03 项目第三天 (597.18 MB), 02:22:16
* 02 项目后续/
* 01 01创建一个WebUI界面 (228.50 MB), 23:35
* 02 02通过UI界面调用工作流 (232.33 MB), 19:58
* 03 03基于Deepseek的工作流 (112.42 MB), 09:28
* 04 04私有化部署Deepseek大模型调用工作流 (388.68 MB), 23:28
* 05 05使用FastAPI发布服务 (258.73 MB), 22:41
* 06 06开发一个工作流的API接口 (318.16 MB), 24:54
* 07 07调用Restful的API接口 (217.80 MB), 16:53
* 03 新版LangGraph的多智能体方案/
* 01 01Superviser多智能体监督者 (298.07 MB), 25:24
* 02 02创建五个子智能体 (141.26 MB), 11:34
* 03 03创建交接工具和主智能体 (148.24 MB), 12:03
* 04 04构建一个多智能体的Graph (177.52 MB), 18:45
* 05 05测试多智能体的Graph (132.43 MB), 13:09
* 06 06在多智能体中加入人工介入 (169.93 MB), 17:54
* 10 RAG企业知识库项目/
* 01 RAG企业知识库项目/
* 01 向量数据库的选择和操作/
* 01 01RAG项目的核心解决方案 (137.83 MB), 16:51
* 02 02本地Milvus数据库 (190.50 MB), 18:38
* 03 03操作Milvus数据库 (198.06 MB), 18:01
* 04 04企业服务器部署Milvus数据库 (200.15 MB), 18:30
* 02 数据的加载和切片/
* 01 05PDF文件简单解析器 (156.52 MB), 16:44
* 02 06PDF文件高级解析 (553.56 MB), 43:24
* 03 07服务器部署Unstructured (238.60 MB), 19:02
* 04 08服务器配置HuggingFace镜像 (102.30 MB), 09:03
* 05 09服务器PDF高级解析器 (113.27 MB), 11:27
* 06 10结构化解析Markdown (226.46 MB), 15:29
* 07 11合并标题Document (257.13 MB), 26:08
* 08 12合并标题Document(二) (180.75 MB), 12:32
* 09 13根据语义切割长文本 (341.04 MB), 26:35
* 03 Embeddings和向量存储/
* 01 14密集嵌入BGE-Large和稀疏嵌入 (212.34 MB), 20:37
* 02 15-BM25稀疏Embedding (318.54 MB), 29:17
* 03 16执行稀疏向量相关性搜索 (61.55 MB), 04:21
* 04 17密集向量创建索引 (198.41 MB), 24:07
* 05 18创建Collection (273.89 MB), 23:45
* 06 19保存Document到Milvus服务器 (129.40 MB), 09:35
* 07 20输出表结构和索引数据 (189.75 MB), 13:19
* 04 RAG的高级检索/
* 01 21多进程加入数据 (125.25 MB), 16:40
* 02 22分布式写入Milvus (174.04 MB), 18:08
* 03 23RAG高级检索(一) (286.59 MB), 22:06
* 04 24RAG高级检索(二) (113.54 MB), 12:58
* 05 25RAG高级检索(三) (408.25 MB), 28:11
* 06 26RAG的高级检索(四) (111.70 MB), 22:29
* 07 27RAG的高级检索(五) (298.35 MB), 26:03
* 08 28RAG的高级检索(六) (282.75 MB), 20:04
* 09 29RAG的高级检索(七) (168.45 MB), 13:27
* 05 Agent工作流+自我评估/
* 01 30Agent决策的RAG (145.68 MB), 21:15
* 02 31智能体决策的RAG(二) (118.66 MB), 10:42
* 03 32CorrectiveRAG自我纠正(一) (128.78 MB), 15:01
* 04 33CorrectiveRAG自我纠正(二) (204.55 MB), 18:00
* 05 34CorrectiveRAG自我纠正(三) (215.70 MB), 22:58
* 06 35CorrectiveRAG自我纠正(四) (192.99 MB), 13:07
* 07 36CorrectiveRAG自我纠正(五) (184.26 MB), 17:23
* 08 37Adaptive自适应RAG(一) (172.13 MB), 19:48
* 09 38Adaptive自适应RAG(二) (239.51 MB), 17:09
* 10 39Adaptive自适应RAG(三) (115.60 MB), 09:55
* 11 40Adaptive自适应RAG(四) (275.99 MB), 22:04
* 12 41Adaptive自适应RAG(五) (133.65 MB), 09:37
* 13 42Adaptive自适应RAG(六) (178.79 MB), 12:57
* 11 基于MCP的Agent开发/
* 01 基于MCP的Agent开发/
* 01 从Function Calling开始/
* 01 01FunctionCalling的案例(一) (275.24 MB), 28:48
* 02 02FuncationCalling的案例(二) (148.87 MB), 14:38
* 03 03智普AI的智能体开发 (206.57 MB), 15:14
* 04 04智普AI的Agent+搜索工具 (161.89 MB), 16:04
* 02 MCP+Agent+工作流/
* 01 05MCP本质和相关概念 (159.52 MB), 21:33
* 02 06Java和Python开发MCP服务 (153.85 MB), 12:53
* 03 07MCP的服务端定义工具 (92.73 MB), 09:23
* 04 08MCP服务器中定义资源 (238.83 MB), 27:11
* 05 09MCP客户端访问资源 (116.43 MB), 13:21
* 06 10在Agent中调用MCP (69.75 MB), 05:19
* 07 11在langgrap中调用MCP(一) (189.70 MB), 22:57
* 08 12在langgraph中调用MCP(二) (117.05 MB), 12:10
* 09 13在langgraph中调用MCP(三) (212.68 MB), 18:32
* 10 14A2A的补充 (77.36 MB), 07:39
* 12 TEXT2SQL+Qwen3大模型项目实战/
* 01 TEXT2SQL+Qwen3大模型项目实战/
* 01 项目介绍+MCP服务端开发/
* 01 01TEXT2SQL项目介绍 (145.58 MB), 15:33
* 02 02数据库连接 (63.88 MB), 07:52
* 03 03langchain中自带的工具集 (208.22 MB), 18:01
* 04 04定义MCP服务端 (186.06 MB), 16:13
* 02 核心工作流开发/
* 01 05工作流的规划 (52.42 MB), 10:09
* 02 06定义异步工作流(一) (110.68 MB), 18:01
* 03 07定义异步工作流(二) (103.92 MB), 11:35
* 04 08定义异步工作流(三) (146.91 MB), 13:46
* 05 09定义异步工作流(四) (246.82 MB), 17:48
* 06 10异步执行工作流 (408.89 MB), 29:05
* 03 Qwen3大模型私有化部署+项目整合/
* 01 11Qwen3系列模型的介绍 (234.38 MB), 22:06
* 02 12私有部署最新的Qwen3 (281.24 MB), 20:30
* 03 13Qwen3的深度思考模式 (208.93 MB), 15:08
* 04 14Qwen3私有化+项目 (45.13 MB), 08:18
* 13 新版langchain+langgraph+MCP的智能体/
* 01 新版langchain+langgraph+MCP的智能体/
* 01 大模型私有化部署和新Langchain/
* 01 01关于AI大模型的选择(必看) (136.15 MB), 16:49
* 02 02Qwen3大模型私有化部署(一) (224.69 MB), 21:47
* 03 03Qwen3大模型私有化部署(二) (171.29 MB), 16:21
* 04 04测试私有化部署的Qwen3 (105.26 MB), 15:24
* 05 05国内外各种大模型的调用(一) (237.05 MB), 18:29
* 06 06国内外各种大模型的调用(二) (149.10 MB), 15:51
* 07 07Deepseek-R1-0528大模型的部署和测试 (113.32 MB), 12:21
* 08 08提示词模板(一) (91.46 MB), 11:38
* 09 09提示词模板ICL技术 (146.66 MB), 17:30
* 10 10聊天和消息占位符 (83.47 MB), 09:55
* 11 11在聊天的提示词模板中用ICL (132.63 MB), 19:02
* 12 12输出解析和结构化(一) (178.61 MB), 22:02
* 13 13输出解析和结构化(二) (117.23 MB), 13:01
* 14 14输出解析和结构化(三) (138.92 MB), 13:29
* 15 15结构化输出的总结和多模态机器人案例 (123.34 MB), 13:53
* 02 LCEL表达式语法(了解为主，可以跳过)/
* 01 LCEL语法案例(一) (78.75 MB), 19:26
* 02 LCEL语法案例(二) (56.87 MB), 13:32
* 03 LCEL语法案例(三) (83.72 MB), 19:47
* 04 LCEL语法案例(四) (29.47 MB), 07:01
* 05 LCEL语法案例(五) (43.97 MB), 10:32
* 06 LCEL语法案例(六) (52.84 MB), 12:35
* 07 LCEL语法案例(七) (71.76 MB), 16:48
* 08 LECL语法案例(八) (74.87 MB), 18:37
* 09 LECL语法案例(九) (46.81 MB), 10:52
* 10 LECL语法案例(十) (65.20 MB), 15:04
* 03 多模态聊天机器人案例/
* 01 16多模态聊天数字人案例(一) (100.31 MB), 15:24
* 02 17多模态聊天数字人案例(二) (171.18 MB), 16:44
* 03 18多模态聊天数字人案例(三) (128.67 MB), 13:16
* 04 19多模态聊天数字人案例(四) (159.60 MB), 18:44
* 05 20处理聊天历史记录的摘要(一) (159.92 MB), 15:56
* 06 21处理聊天历史记录的摘要(二) (178.86 MB), 15:37
* 07 22处理聊天历史记录的摘要(三) (148.68 MB), 12:32
* 08 23多模态聊天数字人案例(五) (136.96 MB), 16:44
* 09 24多模态聊天数字人案例(六) (153.92 MB), 17:17
* 10 25语音转文字模型 (168.06 MB), 16:32
* 11 26语音转文字模型(二) (73.77 MB), 10:20
* 12 27多模态和全模态大模型 (218.07 MB), 14:14
* 13 28多模态大模型测试 (139.86 MB), 15:12
* 14 29多模态聊天数字人案例(七) (198.83 MB), 22:26
* 15 30最后的多模态聊天数字人案例 (172.39 MB), 23:15
* 04 Embedding+RAG/
* 01 31Embeddings是什么 (153.76 MB), 15:58
* 02 32Embeddings和One-Hot比较 (115.10 MB), 13:28
* 03 33OpenAI的Embedding (130.09 MB), 16:47
* 04 34部署BGE-Large的嵌入模型 (261.15 MB), 21:21
* 05 35部署Qwen3的嵌入模型 (208.09 MB), 20:41
* 06 36Qwen3的嵌入模型和Langchain整合 (78.91 MB), 09:39
* 07 37评论数据语义搜索案例(一) (219.97 MB), 20:05
* 08 38评论数据语义搜索案例(二) (170.54 MB), 20:52
* 09 39FAISS向量数据库(一) (243.90 MB), 26:56
* 10 40FAISS向量数据库(二) (197.16 MB), 20:01
* 11 41Chroma数据库案例 (84.14 MB), 07:52
* 12 42上下文感知的RAG案例(一) (136.37 MB), 18:38
* 13 43上下文感知的RAG案例(二) (181.01 MB), 16:58
* 14 44上下文感知的RAG案例(三) (162.30 MB), 18:15
* 15 45上下文感知的RAG案例(四) (144.57 MB), 11:44
* 05 新版LangGraph开发智能体(Agent)/
* 01 01最新版1LangGraph的介绍 (103.83 MB), 12:08
* 02 02Agent和WorkFlow (126.21 MB), 17:58
* 03 03安装LangGraph本地服务(一) (203.08 MB), 14:17
* 04 04安装LangGraph本地服务(二) (117.09 MB), 15:05
* 05 05启动LangGraph服务器 (238.91 MB), 25:39
* 06 06调用Agent发布的API接口(一) (187.31 MB), 16:51
* 07 07调用Agent发布的API接口(二) (67.34 MB), 06:24
* 08 08Tool的定义(一) (122.56 MB), 16:17
* 09 09Tool的定义(二) (160.32 MB), 21:18
* 10 10Tool的定义(三) (162.74 MB), 14:28
* 11 11Qwen3大模型工具调用解析器的错误 (191.45 MB), 21:08
* 12 12解决Qwen3流式输出的问题 (131.27 MB), 14:08
* 13 13根据Rannable对象创建工具 (143.72 MB), 15:05
* 14 14继承BaseTool创建工具 (196.70 MB), 19:31
* 15 15Configurable静态配置(一) (159.21 MB), 21:00
* 16 16Configurable静态配置(二) (84.91 MB), 08:46
* 17 17AgentState状态详解(一) (216.85 MB), 31:08
* 18 18AgentState状态详解(二) (181.97 MB), 14:36
* 19 19AgentState状态详解(三) (62.46 MB), 05:11
* 20 20记忆存储的介绍 (91.62 MB), 11:56
* 21 21开发环境下的短期记忆案例 (241.37 MB), 17:48
* 22 22Postgresql实现Agent短期存储 (169.35 MB), 16:58
* 23 23Postgresql实现长期存储 (93.50 MB), 10:09
* 06 新版的MCP+Agent/
* 01 24MCP的介绍 (115.23 MB), 12:49
* 02 25MCP的通信机制原理 (180.04 MB), 20:51
* 03 26FastMCP的sse通信实现 (196.94 MB), 22:35
* 04 27FastMCP的Streamable通信实现 (77.30 MB), 06:41
* 05 28Agent+MCP工具 (251.50 MB), 21:45
* 06 29Agent调用Java的MCP服务器 (218.10 MB), 17:04
* 07 30Agent调用外网的MCP服务 (122.42 MB), 11:04
* 08 31MCP服务的认证机制 (194.81 MB), 22:51
* 09 32MCP服务的认证实现(一) (154.09 MB), 14:05
* 10 33MCP服务的认证实现(二) (179.16 MB), 13:50
* 07 新版LangGraph+WorkFlow/
* 01 34LangGraph中WorkFlow的概念 (122.20 MB), 15:11
* 02 35工作流的State和Reducer函数 (217.72 MB), 16:18
* 03 36工作流的节点和路由函数 (95.89 MB), 11:58
* 04 37评估器案例(一) (101.36 MB), 16:05
* 05 38评估器案例(二) (91.83 MB), 24:00
* 06 39评估器案例(三) (122.21 MB), 13:14
* 07 40评估器案例(四) (118.57 MB), 10:04
* 08 41智能小秘书案例+MCP工具 (72.41 MB), 18:03
* 09 42异步+并发执行工具类 (261.95 MB), 27:47
* 10 43定义小秘书工作流(一) (95.92 MB), 12:56
* 11 44定义小秘书工作流(二) (113.60 MB), 11:39
* 12 45测试完整的工具调用 (238.95 MB), 20:11
* 13 46简化代码+ToolNode节点 (135.00 MB), 10:29
* 14 47加入第一种人工介入 (114.00 MB), 12:26
* 15 48用户审批工具的执行 (127.16 MB), 16:26
* 16 49人工填写审批理由修改状态 (190.29 MB), 17:44
* 17 50新版本加入的中断方法 (422.70 MB), 27:06
* 18 51增加UI节目的工作流执行 (242.77 MB), 21:28
* 19 最后一个案例，请进入携程AI智能助手项目.txt (0.00 MB)
* 04 进阶篇/
* 01 LangChainV1+LangGraphV1开发框架/
* 01 LangChainV1+LangGraphV1开发框架/
* 01 LangChainV1.0新版本相关概念/
* 01 01LangChainV1.0开讲前的补充 (105.46 MB), 11:08
* 02 02LangChainV1.0的介绍 (120.30 MB), 11:51
* 03 03LangChainV1.0版的革新 (142.64 MB), 13:55
* 04 04Agent的定义和环境搭建 (225.34 MB), 23:24
* 02 Agent开发的核心组件/
* 01 05LangChainV1.0调用大模型(一) (139.22 MB), 14:14
* 02 06LangChainV1.0调用大模型(二) (249.26 MB), 22:16
* 03 07LangChainV1.0调用大模型(三) (158.87 MB), 15:04
* 04 08调用模型的速率限制 (195.01 MB), 14:26
* 05 09国内外的大模型结构化输出 (125.08 MB), 16:32
* 06 10创建一个Agent项目 (146.65 MB), 17:25
* 07 11部署Agent项目到本地服务器 (90.79 MB), 12:06
* 08 12智能体中定义工具(一) (131.36 MB), 17:55
* 09 13智能体中定义工具(二) (149.24 MB), 16:19
* 10 14工具测试和Agent整合 (210.50 MB), 14:11
* 11 15智能体中定义工具(三) (186.46 MB), 19:49
* 12 16智能体中的异步工具 (48.17 MB), 05:15
* 03 Text-To-SQL的智能体案例/
* 01 17基于Agent的TextToSQL案例(一) (88.61 MB), 12:07
* 02 18基于Agent的TextToSQL案例(二) (165.44 MB), 16:58
* 03 19基于Agent的TextToSQL案例(三) (232.70 MB), 21:28
* 04 20基于Agent的TextToSQL案例(四) (164.84 MB), 15:18
* 05 21基于Agent的TextToSQL案例(五) (141.47 MB), 11:37
* 06 22基于Agent的TextToSQL案例(六) (88.51 MB), 09:02
* 07 23基于Agent的TextToSQL案例(七) (265.89 MB), 23:35
* 08 24基于Agent的TextToSQL案例(八) (103.88 MB), 10:28
* 01 大模型微调和部署/
* 01 大模型微调和部署/
* 01 PEFT 大模型高效微调理论/
* 01 微调、提示词工程、RAG 均为提高大模型质量的技术手段 (17.46 MB), 10:15
* 02 传统大模型训练（微调）流程 (18.44 MB), 10:02
* 03 微调与 RAG 区别、微调的优势 (18.44 MB), 11:17
* 04 指令数据集构造方式 (15.33 MB), 08:55
* 05 PEFT 与传统微调区别、PEFT 不同方法 (15.27 MB), 08:54
* 02 PEFT 之整体流程代码实战 + BitFit 算法实现/
* 01 模块导入与加载数据集 (36.80 MB), 14:21
* 02 分词器的加载与使用 (29.87 MB), 10:12
* 03 构建训练所需样本格式 (22.32 MB), 10:10
* 04 调用封装好的函数对数据预处理 (17.86 MB), 06:31
* 05 加载模型、统计模型参数量 (35.92 MB), 10:25
* 06 Bitfit 算法实现 (18.61 MB), 07:09
* 07 配置训练参数、创建训练器及训练 (26.56 MB), 12:58
* 08 查看显存在程序执行过程中的变化 (35.69 MB), 12:45
* 03 PEFT 之 Prompt Tuning 理论 + 实战/
* 01 理解 Soft Prompt Learning (19.85 MB), 10:17
* 02 Task-Specific Soft Prompt (13.18 MB), 07:32
* 03 Virtual Tokens 的初始化 (14.75 MB), 07:44
* 04 Virtual Tokens 的训练 (19.00 MB), 10:17
* 05 高效的多任务 Serving (21.79 MB), 10:23
* 06 Prompt Tuning 的特性及优缺点 (27.07 MB), 13:39
* 07 实战创建 config 和 peft 模型 (43.96 MB), 14:56
* 08 输入文本作为初始化参数以及训练 (31.37 MB), 09:45
* 09 使用模型进行推理 (13.26 MB), 07:08
* 10 加载已有 checkpoint 进行模型推理 (32.66 MB), 07:54
* 04 PEFT 之 P-Tuning 理论 + 实战/
* 01 理解 P-Tuning (9.93 MB), 06:00
* 02 设置 PromptEncoderConfig 与查看 PromptEncoder 源码 (28.08 MB), 10:22
* 03 P-Tuning 模型训练和推理 (29.57 MB), 08:19
* 05 PEFT 之 Prefix Tuning 理论 + 实战/
* 01 掌握 Prefix-tuning 原理 (18.82 MB), 10:11
* 02 Prefix-tuning 只会影响 MHA 中的 K 和 V (4.85 MB), 03:03
* 03 Prefix-tuning 配置以及模型训练 (62.18 MB), 19:05
* 06 PEFT 之 LoRA 理论 + 实战/
* 01 LoRA 的设计思想是学习 ΔW (13.35 MB), 08:08
* 02 Low-Rank 低秩分解与上线时的模型融合 (28.07 MB), 15:39
* 03 LoRA 配置与模型训练 (62.37 MB), 17:55
* 07 PEFT 之 IA3 理论 + 实战/
* 01 用一张图总结讲过的 PEFT 方法 (20.27 MB), 10:51
* 02 理解 IA3 (12.85 MB), 07:00
* 03 IA3 代码实战 (35.44 MB), 12:32
* 08 PEFT 进阶操作/
* 01 自定义模型的 PEFT 微调 (11.24 MB), 05:46
* 02 多适配器的加载 (19.79 MB), 07:21
* 03 多适配器间切换 (35.70 MB), 11:15
* 04 禁用适配器以得到原始模型输出 (9.31 MB), 03:07
* 05 适配器与大模型的 merge 融合 (27.86 MB), 13:40
* 02 大模型微调和部署/
* 01 大模型微调和部署/
* 01 PEFT 大模型高效微调理论/
* 01 微调、提示词工程、RAG 均为提高大模型质量的技术手段 (17.46 MB), 10:15
* 02 传统大模型训练（微调）流程 (18.44 MB), 10:02
* 03 微调与 RAG 区别、微调的优势 (18.44 MB), 11:17
* 04 指令数据集构造方式 (15.33 MB), 08:55
* 05 PEFT 与传统微调区别、PEFT 不同方法 (15.27 MB), 08:54
* 02 PEFT 之整体流程代码实战 + BitFit 算法实现/
* 01 模块导入与加载数据集 (36.80 MB), 14:21
* 02 分词器的加载与使用 (29.87 MB), 10:12
* 03 构建训练所需样本格式 (22.32 MB), 10:10
* 04 调用封装好的函数对数据预处理 (17.86 MB), 06:31
* 05 加载模型、统计模型参数量 (35.92 MB), 10:25
* 06 Bitfit 算法实现 (18.61 MB), 07:09
* 07 配置训练参数、创建训练器及训练 (26.56 MB), 12:58
* 08 查看显存在程序执行过程中的变化 (35.69 MB), 12:45
* 03 PEFT 之 Prompt Tuning 理论 + 实战/
* 01 理解 Soft Prompt Learning (19.85 MB), 10:17
* 02 Task-Specific Soft Prompt (13.18 MB), 07:32
* 03 Virtual Tokens 的初始化 (14.75 MB), 07:44
* 04 Virtual Tokens 的训练 (19.00 MB), 10:17
* 05 高效的多任务 Serving (21.79 MB), 10:23
* 06 Prompt Tuning 的特性及优缺点 (27.07 MB), 13:39
* 07 实战创建 config 和 peft 模型 (43.96 MB), 14:56
* 08 输入文本作为初始化参数以及训练 (31.37 MB), 09:45
* 09 使用模型进行推理 (13.26 MB), 07:08
* 10 加载已有 checkpoint 进行模型推理 (32.66 MB), 07:54
* 04 PEFT 之 P-Tuning 理论 + 实战/
* 01 理解 P-Tuning (9.93 MB), 06:00
* 02 设置 PromptEncoderConfig 与查看 PromptEncoder 源码 (28.08 MB), 10:22
* 03 P-Tuning 模型训练和推理 (29.57 MB), 08:19
* 05 PEFT 之 Prefix Tuning 理论 + 实战/
* 01 掌握 Prefix-tuning 原理 (18.82 MB), 10:11
* 02 Prefix-tuning 只会影响 MHA 中的 K 和 V (4.85 MB), 03:03
* 03 Prefix-tuning 配置以及模型训练 (62.18 MB), 19:05
* 06 PEFT 之 LoRA 理论 + 实战/
* 01 LoRA 的设计思想是学习 ΔW (13.35 MB), 08:08
* 02 Low-Rank 低秩分解与上线时的模型融合 (28.07 MB), 15:39
* 03 LoRA 配置与模型训练 (62.37 MB), 17:55
* 07 PEFT 之 IA3 理论 + 实战/
* 01 用一张图总结讲过的 PEFT 方法 (20.27 MB), 10:51
* 02 理解 IA3 (12.85 MB), 07:00
* 03 IA3 代码实战 (35.44 MB), 12:32
* 08 PEFT 进阶操作/
* 01 自定义模型的 PEFT 微调 (11.24 MB), 05:46
* 02 多适配器的加载 (19.79 MB), 07:21
* 03 多适配器间切换 (35.70 MB), 11:15
* 04 禁用适配器以得到原始模型输出 (9.31 MB), 03:07
* 05 适配器与大模型的 merge 融合 (27.86 MB), 13:40
* 02 大模型核心硬件选型和私有化/
* 01 大模型核心硬件选型/
* 01 GPU与显卡概述/
* 01 01GPU的介绍 (39.72 MB), 10:16
* 02 02CUDA核心和Tenser核心 (69.04 MB), 15:55
* 03 03大模型推理和微调所需显存 (80.71 MB), 19:29
* 04 04AI大模型的云平台 (84.35 MB), 16:44
* 02 硬件选型和私有化大模型/
* 01 05准备大模型部署的环境 (78.74 MB), 13:24
* 02 06下载模型和加载模型文件 (128.42 MB), 21:14
* 03 07大模型处数据格式和输入 (92.35 MB), 19:22
* 04 08大模型流式处理数据 (91.97 MB), 16:56
* 05 09大模型私有化的应用案例 (98.53 MB), 14:31
* 06 10私有化部署并启动AI应用 (71.52 MB), 12:47
* 07 11AI大模型的对外调用接口 (81.63 MB), 17:37
* 08 12大模型提供调用接口实现(一) (192.16 MB), 38:34
* 09 13大模型提供调用接口实现(二) (97.42 MB), 18:00
* 10 14大模型提供调用接口实现(三) (34.38 MB), 05:40
* 11 15大模型提供调用接口实现(四) (78.48 MB), 17:19
* 12 16大模型调用并输出 (65.16 MB), 11:23
* 13 17大模型提供调用接口实现(六) (105.74 MB), 20:18
* 14 18大模型提供调用接口实现(七) (138.59 MB), 24:38
* 15 19大模型提供调用接口实现(八) (101.27 MB), 18:05
* 16 20大模型提供调用接口实现(九) (155.29 MB), 28:27
* 17 21大模型提供调用接口实现(十) (87.18 MB), 14:00
* 03 从0到1训练私有大模型/
* 01 训练大模型/
* 01 模型训练时显存占用问题/
* 01 模型训练 GPU 空间占用的计算 (36.56 MB), 16:17
* 02 如何降低模型本身对 GPU 空间的占用 (25.58 MB), 13:45
* 02 从 ModelScope 魔搭社区获取模型/
* 01 代码实战通过 modelscope 下载模型文件 (42.23 MB), 17:20
* 03 半精度 half precision 模型训练/
* 01 半精度 float16 和其优势 (23.44 MB), 12:19
* 02 上溢出和下溢出、启用半精度的方法 (23.58 MB), 12:42
* 04 LLaMA 3.1 模型训练实战/
* 01 LLaMA3.1 介绍与不同版本区别 (34.27 MB), 11:24
* 02 LLaMA3.1 整体概览与模型架构升级 (45.63 MB), 13:40
* 03 代码实战之导包和数据预处理 (71.01 MB), 16:36
* 04 Llama3.1-8B 模型加载 (35.91 MB), 11:01
* 05 半精度模型本地训练 (42.64 MB), 12:31
* 06 租用云端服务器和 vscode 远程登陆 (36.00 MB), 16:38
* 07 云端服务器下载 Llama3.1 模型 (32.05 MB), 12:45
* 08 学会云端服务器之克隆实例的妙用 (26.28 MB), 10:49
* 09 云端服务器运行 Llama3.1 半精度训练 (42.69 MB), 14:04
* 10 模型训练优化技巧之开启梯度检查点 (38.72 MB), 13:26
* 11 Llama3.1 模型训练细节总结 (21.78 MB), 11:07
* 05 ChatGLM 4 模型训练实战/
* 01 因果模型 CausalLM 与前缀模型 PrefixLM 的区别 (25.60 MB), 12:07
* 02 GLM4 架构涉及的技术点与 GLM family (18.70 MB), 08:18
* 03 作为 PrefixLM 的 GLM 模型是怎样预训练的 (33.52 MB), 14:04
* 04 GLM4 模型训练时该如何组织数据 (27.36 MB), 12:06
* 05 云服务器 GLM4 模型下载和升级 transformers 模块 (25.23 MB), 08:53
* 06 云服务器跨实例拷贝大模型 GLM4 (27.33 MB), 09:51
* 07 测试加载 GLM4 分词器与模型 (31.06 MB), 09:56
* 08 构建测试数据并且使用GLM4进行推理 (35.44 MB), 12:23
* 09 组织 GLM4 训练数据 (76.54 MB), 24:47
* 10 构建 GLM4 半精度模型以及 Lora 模型 (39.19 MB), 12:20
* 11 GLM4 模型半精度训练及数值下溢问题的解决 (37.19 MB), 11:25
* 12 批次变大后模型训练内存溢出的解决和训练后模型推理 (32.11 MB), 09:16
* 06 8 bit 量化与模型训练/
* 01 量化与最大绝对值量化 (19.93 MB), 10:16
* 02 零点量化与离群值对量化的影响 (20.78 MB), 12:27
* 03 混合精度分解量化 (36.24 MB), 13:31
* 04 8 bit 量化模型训练实战 (60.16 MB), 21:39
* 07 4 bit 量化与 QLoRA 模型训练/
* 01 4 bit 模型量化存在的问题 (12.25 MB), 07:38
* 02 探究大模型权重整体分布 (35.93 MB), 14:10
* 03 分位数量化 (19.83 MB), 10:42
* 04 QLoRA (26.25 MB), 14:47
* 05 QLoRA 代码实战 (42.03 MB), 15:11
* 03 大模型核心硬件选型和私有化/
* 01 大模型核心硬件选型/
* 01 GPU与显卡概述/
* 01 01GPU的介绍 (39.72 MB), 10:16
* 02 02CUDA核心和Tenser核心 (69.04 MB), 15:55
* 03 03大模型推理和微调所需显存 (80.71 MB), 19:29
* 04 04AI大模型的云平台 (84.35 MB), 16:44
* 02 硬件选型和私有化大模型/
* 01 05准备大模型部署的环境 (78.74 MB), 13:24
* 02 06下载模型和加载模型文件 (128.42 MB), 21:14
* 03 07大模型处数据格式和输入 (92.35 MB), 19:22
* 04 08大模型流式处理数据 (91.97 MB), 16:56
* 05 09大模型私有化的应用案例 (98.53 MB), 14:31
* 06 10私有化部署并启动AI应用 (71.52 MB), 12:47
* 07 11AI大模型的对外调用接口 (81.63 MB), 17:37
* 08 12大模型提供调用接口实现(一) (192.16 MB), 38:34
* 09 13大模型提供调用接口实现(二) (97.42 MB), 18:00
* 10 14大模型提供调用接口实现(三) (34.38 MB), 05:40
* 11 15大模型提供调用接口实现(四) (78.48 MB), 17:19
* 12 16大模型调用并输出 (65.16 MB), 11:23
* 13 17大模型提供调用接口实现(六) (105.74 MB), 20:18
* 14 18大模型提供调用接口实现(七) (138.59 MB), 24:38
* 15 19大模型提供调用接口实现(八) (101.27 MB), 18:05
* 16 20大模型提供调用接口实现(九) (155.29 MB), 28:27
* 17 21大模型提供调用接口实现(十) (87.18 MB), 14:00
* 04 从0到1训练私有大模型/
* 01 训练大模型/
* 01 模型训练时显存占用问题/
* 01 模型训练 GPU 空间占用的计算 (36.56 MB), 16:17
* 02 如何降低模型本身对 GPU 空间的占用 (25.58 MB), 13:45
* 02 从 ModelScope 魔搭社区获取模型/
* 01 代码实战通过 modelscope 下载模型文件 (42.23 MB), 17:20
* 03 半精度 half precision 模型训练/
* 01 半精度 float16 和其优势 (23.44 MB), 12:19
* 02 上溢出和下溢出、启用半精度的方法 (23.58 MB), 12:42
* 04 LLaMA 3.1 模型训练实战/
* 01 LLaMA3.1 介绍与不同版本区别 (34.27 MB), 11:24
* 02 LLaMA3.1 整体概览与模型架构升级 (45.63 MB), 13:40
* 03 代码实战之导包和数据预处理 (71.01 MB), 16:36
* 04 Llama3.1-8B 模型加载 (35.91 MB), 11:01
* 05 半精度模型本地训练 (42.64 MB), 12:31
* 06 租用云端服务器和 vscode 远程登陆 (36.00 MB), 16:38
* 07 云端服务器下载 Llama3.1 模型 (32.05 MB), 12:45
* 08 学会云端服务器之克隆实例的妙用 (26.28 MB), 10:49
* 09 云端服务器运行 Llama3.1 半精度训练 (42.69 MB), 14:04
* 10 模型训练优化技巧之开启梯度检查点 (38.72 MB), 13:26
* 11 Llama3.1 模型训练细节总结 (21.78 MB), 11:07
* 05 ChatGLM 4 模型训练实战/
* 01 因果模型 CausalLM 与前缀模型 PrefixLM 的区别 (25.60 MB), 12:07
* 02 GLM4 架构涉及的技术点与 GLM family (18.70 MB), 08:18
* 03 作为 PrefixLM 的 GLM 模型是怎样预训练的 (33.52 MB), 14:04
* 04 GLM4 模型训练时该如何组织数据 (27.36 MB), 12:06
* 05 云服务器 GLM4 模型下载和升级 transformers 模块 (25.23 MB), 08:53
* 06 云服务器跨实例拷贝大模型 GLM4 (27.33 MB), 09:51
* 07 测试加载 GLM4 分词器与模型 (31.06 MB), 09:56
* 08 构建测试数据并且使用GLM4进行推理 (35.44 MB), 12:23
* 09 组织 GLM4 训练数据 (76.54 MB), 24:47
* 10 构建 GLM4 半精度模型以及 Lora 模型 (39.19 MB), 12:20
* 11 GLM4 模型半精度训练及数值下溢问题的解决 (37.19 MB), 11:25
* 12 批次变大后模型训练内存溢出的解决和训练后模型推理 (32.11 MB), 09:16
* 06 8 bit 量化与模型训练/
* 01 量化与最大绝对值量化 (19.93 MB), 10:16
* 02 零点量化与离群值对量化的影响 (20.78 MB), 12:27
* 03 混合精度分解量化 (36.24 MB), 13:31
* 04 8 bit 量化模型训练实战 (60.16 MB), 21:39
* 07 4 bit 量化与 QLoRA 模型训练/
* 01 4 bit 模型量化存在的问题 (12.25 MB), 07:38
* 02 探究大模型权重整体分布 (35.93 MB), 14:10
* 03 分位数量化 (19.83 MB), 10:42
* 04 QLoRA (26.25 MB), 14:47
* 05 QLoRA 代码实战 (42.03 MB), 15:11
* 04 多模态大模型项目实战/
* 01 多模态大模型项目实战/
* 01 视觉大模型微调项目之医疗图像诊断/
* 01 构建环境及安装模块 (21.14 MB), 08:00
* 02 下载模型以及加载模型 (40.30 MB), 15:55
* 03 得到可以进行LoRA参数高效微调的Model (47.33 MB), 16:41
* 04 加载数据集 (31.74 MB), 12:42
* 05 数据预处理 (28.03 MB), 12:16
* 06 训练之前先使用模型对数据进行预测 (21.20 MB), 09:34
* 07 模型推理预测时超参数的设置 (40.10 MB), 15:03
* 08 配置训练器、设置梯度累积 (27.90 MB), 12:47
* 09 设置学习率和优化器 (29.69 MB), 12:05
* 10 设置权重衰减和日志记录等相关参数 (36.28 MB), 11:38
* 11 模型训练 (31.71 MB), 10:53
* 12 推理预测及多模态大模型输入的理解 (62.02 MB), 15:35
* 13 保存模型到本地、加载测试LoRA模型 (51.25 MB), 16:38
* 05 Huggingface 实战项目/
* 01 Huggingface 实战项目/
* 01 中文分类/
* 01 回顾 Transformers 基础组件、NLP 流程 (26.31 MB), 12:01
* 02 导包、加载数据集、数据集划分 (32.99 MB), 10:05
* 03 模型下载、数据集预处理 (40.16 MB), 14:38
* 04 加载模型、加载评估函数 (38.17 MB), 13:23
* 05 设置模型训练参数、创建训练器 (37.41 MB), 13:33
* 06 模型训练、推理预测 (42.95 MB), 15:22
* 02 命名实体识别/
* 01 什么是命名实体识别 (23.83 MB), 11:55
* 02 导包与数据集加载 (18.54 MB), 08:51
* 03 数据集预处理 (56.76 MB), 21:55
* 04 加载模型和定义评估函数 (39.21 MB), 16:01
* 05 使用Trainer训练、评估和预测 (41.41 MB), 12:18
* 06 使用pipeline预测 (22.98 MB), 10:11
* 03 多项选择/
* 01 什么是多项选择任务 (18.46 MB), 09:27
* 02 导包与数据集加载 (34.48 MB), 12:23
* 03 数据集预处理 (57.80 MB), 20:45
* 04 模型训练 (31.76 MB), 09:51
* 05 模型预测 (30.58 MB), 11:55
* 05 多模态大模型项目实战/
* 01 多模态大模型项目实战/
* 01 视觉大模型微调项目之医疗图像诊断/
* 01 构建环境及安装模块 (21.14 MB), 08:00
* 02 下载模型以及加载模型 (40.30 MB), 15:55
* 03 得到可以进行LoRA参数高效微调的Model (47.33 MB), 16:41
* 04 加载数据集 (31.74 MB), 12:42
* 05 数据预处理 (28.03 MB), 12:16
* 06 训练之前先使用模型对数据进行预测 (21.20 MB), 09:34
* 07 模型推理预测时超参数的设置 (40.10 MB), 15:03
* 08 配置训练器、设置梯度累积 (27.90 MB), 12:47
* 09 设置学习率和优化器 (29.69 MB), 12:05
* 10 设置权重衰减和日志记录等相关参数 (36.28 MB), 11:38
* 11 模型训练 (31.71 MB), 10:53
* 12 推理预测及多模态大模型输入的理解 (62.02 MB), 15:35
* 13 保存模型到本地、加载测试LoRA模型 (51.25 MB), 16:38
* 06 Huggingface 实战项目/
* 01 Huggingface 实战项目/
* 01 中文分类/
* 01 回顾 Transformers 基础组件、NLP 流程 (26.31 MB), 12:01
* 02 导包、加载数据集、数据集划分 (32.99 MB), 10:05
* 03 模型下载、数据集预处理 (40.16 MB), 14:38
* 04 加载模型、加载评估函数 (38.17 MB), 13:23
* 05 设置模型训练参数、创建训练器 (37.41 MB), 13:33
* 06 模型训练、推理预测 (42.95 MB), 15:22
* 02 命名实体识别/
* 01 什么是命名实体识别 (23.83 MB), 11:55
* 02 导包与数据集加载 (18.54 MB), 08:51
* 03 数据集预处理 (56.76 MB), 21:55
* 04 加载模型和定义评估函数 (39.21 MB), 16:01
* 05 使用Trainer训练、评估和预测 (41.41 MB), 12:18
* 06 使用pipeline预测 (22.98 MB), 10:11
* 03 多项选择/
* 01 什么是多项选择任务 (18.46 MB), 09:27
* 02 导包与数据集加载 (34.48 MB), 12:23
* 03 数据集预处理 (57.80 MB), 20:45
* 04 模型训练 (31.76 MB), 09:51
* 05 模型预测 (30.58 MB), 11:55
* 06 基于AI大模型开发问答系统/
* 01 基于ChatGPT的 问答系统/
* 01 销售客服问答系统项目/
* 01 23销售客服AI机器人项目介绍 (135.97 MB), 24:17
* 02 24创建Vector数据库 (42.03 MB), 07:32
* 03 25加载向量数据库并得到Chain (64.57 MB), 14:23
* 04 26测试Langchain的结果 (73.70 MB), 12:03
* 05 27项目的UI可视化 (80.93 MB), 12:42
* 06 28AI机器人正式启动 (54.35 MB), 10:03
* 07 基于AI大模型开发问答系统/
* 01 基于ChatGPT的 问答系统/
* 01 销售客服问答系统项目/
* 01 23销售客服AI机器人项目介绍 (135.97 MB), 24:17
* 02 24创建Vector数据库 (42.03 MB), 07:32
* 03 25加载向量数据库并得到Chain (64.57 MB), 14:23
* 04 26测试Langchain的结果 (73.70 MB), 12:03
* 05 27项目的UI可视化 (80.93 MB), 12:42
* 06 28AI机器人正式启动 (54.35 MB), 10:03
* 05 算法篇/
* 01 程序员的数学/
* 01 程序员的数学/
* 01 微积分基础/
* 01 导数的定义与作用 (15.15 MB), 06:30
* 02 左右导数与可导函数 (22.87 MB), 08:21
* 03 导数的几何与物理意义 (10.10 MB), 03:51
* 04 基本函数求导公式 (16.25 MB), 06:43
* 05 导数四则运算法则 (12.52 MB), 04:52
* 06 复合函数求导法则 (6.88 MB), 03:04
* 07 神经网络激活函数Sigmoid求导 (16.37 MB), 07:01
* 08 神经网络激活函数Tanh求导 (9.10 MB), 03:11
* 09 神经网络激活函数Softmax求导 (40.53 MB), 15:35
* 10 高阶导数 (4.53 MB), 01:45
* 11 导数与函数单调性 (5.35 MB), 02:18
* 12 极值定理 (10.38 MB), 03:54
* 13 导数与函数凹凸性 (19.41 MB), 07:58
* 14 一元函数泰勒展开 (31.95 MB), 11:58
* 02 线性代数基础/
* 01 向量是什么 (21.43 MB), 08:05
* 02 行向量和列向量 (7.49 MB), 03:06
* 03 向量运算 (14.68 MB), 06:07
* 04 向量的范数 (38.74 MB), 14:20
* 05 特殊向量 (9.89 MB), 04:36
* 06 矩阵是什么 (7.97 MB), 03:37
* 07 常见矩阵 (11.83 MB), 05:28
* 08 矩阵运算 (26.14 MB), 10:43
* 09 逆矩阵 (41.22 MB), 14:08
* 10 行列式 (25.01 MB), 08:36
* 11 伴随矩阵 (80.08 MB), 25:09
* 03 线性代数高级/
* 01 特征值与特征向量概念 (85.40 MB), 22:05
* 02 满秩矩阵 (25.74 MB), 07:26
* 03 特征值与行列式 (22.68 MB), 07:15
* 04 特征值分解定义与操作 (42.40 MB), 10:23
* 05 特征值分解意义 (25.41 MB), 06:46
* 06 矩阵和向量的求导公式 (19.10 MB), 07:12
* 07 奇异值分解（SVD） (59.04 MB), 21:34
* 08 奇异值分解计算方式 (83.88 MB), 17:35
* 09 奇异值分解性质 (42.23 MB), 11:55
* 10 SVD 进行数据压缩 (34.93 MB), 07:37
* 11 SVD 进行 PCA 降维 (65.26 MB), 16:01
* 12 SVD 进行矩阵求逆 (75.63 MB), 16:38
* 13 SVD 进行协同过滤 (39.48 MB), 10:27
* 04 多元函数微分学/
* 01 多元函数定义 (7.69 MB), 03:09
* 02 偏导数 (9.65 MB), 03:43
* 03 高阶偏导数 (8.67 MB), 04:01
* 04 梯度 (13.95 MB), 05:26
* 05 雅可比矩阵 (22.49 MB), 08:40
* 06 Hessian 矩阵 (25.69 MB), 10:59
* 07 极值判别法则 (56.71 MB), 17:55
* 08 二次型 (46.60 MB), 17:48
* 05 概率论/
* 01 概率论与机器学习 (11.51 MB), 03:33
* 02 随机事件 (15.82 MB), 06:17
* 03 条件概率和贝叶斯公式 (26.37 MB), 09:17
* 04 随机事件的独立性 (5.61 MB), 02:19
* 05 随机变量 (83.26 MB), 19:59
* 06 期望 (26.01 MB), 07:22
* 07 方差 (37.19 MB), 10:27
* 08 数学期望与方差重要公式 (27.22 MB), 07:29
* 09 随机向量 (9.64 MB), 03:38
* 10 随机变量独立性 (6.35 MB), 02:13
* 11 协方差 (42.18 MB), 10:35
* 12 机器学习中常见分布 (9.96 MB), 03:45
* 13 最大似然估计 (25.11 MB), 07:57
* 06 最优化/
* 01 最优化概念 (24.41 MB), 07:05
* 02 求导与迭代求解 (26.09 MB), 08:18
* 03 梯度下降法公式推导 (52.14 MB), 15:53
* 04 梯度下降代码演示 (128.41 MB), 22:55
* 05 牛顿法解方程原理 (24.27 MB), 07:43
* 06 牛顿法解方程代码演示 (49.57 MB), 11:51
* 07 牛顿法求解最优化问题 (45.16 MB), 13:04
* 08 牛顿法求解最优化代码演示 (76.39 MB), 13:25
* 09 拟牛顿法介绍 (28.08 MB), 08:48
* 10 坐标下降法 (14.21 MB), 03:58
* 11 数值优化算法瓶颈 (26.56 MB), 07:01
* 12 凸优化问题 (6.66 MB), 02:25
* 13 凸集 (10.77 MB), 03:23
* 14 凸函数 (12.94 MB), 04:00
* 15 凸函数表达形式 (13.61 MB), 03:31
* 16 拉格朗日乘数法 (32.19 MB), 07:01
* 17 KKT 条件 (22.98 MB), 04:52
* 18 拉格朗日对偶 (79.15 MB), 20:05
* 02 线性回归算法/
* 01 线性回归算法/
* 01 线性回归正规方程/
* 01 承前启后数据分析概要 (15.99 MB), 02:25
* 02 什么是线性回归 (21.27 MB), 08:04
* 03 线性回归基本概念 (57.16 MB), 20:30
* 04 线性回归概念更上一层楼 (47.70 MB), 17:35
* 05 正规方程 (40.72 MB), 14:08
* 06 正规方程应用求解多元一次方程 (60.43 MB), 19:59
* 07 sklearn线性回归正规方程运算 (43.53 MB), 13:32
* 08 sklearn带截距运算 (77.23 MB), 22:29
* 02 多元线性回归推导/
* 01 八元一次方程问题再现 (65.81 MB), 20:48
* 02 八元一次方程增加截距求解 (84.00 MB), 25:58
* 03 正规方程推导过程 (69.62 MB), 18:01
* 04 凸函数判定 (32.08 MB), 07:16
* 05 最大似然估计 (58.53 MB), 17:32
* 06 最小二乘法公式推导 (65.31 MB), 19:30
* 07 正规方程线性回归演示 (56.52 MB), 13:03
* 08 sklearn线性回归演示 (33.77 MB), 06:32
* 03 梯度下降/
* 01 波士顿房价加载与查看 (66.13 MB), 12:10
* 02 数据拆分建模与预测 (112.09 MB), 22:43
* 03 模型评估 (81.76 MB), 19:02
* 04 梯度下降概念介绍 (84.39 MB), 16:43
* 05 梯度下降步骤 (44.38 MB), 09:14
* 06 函数与导函数求解最优解 (37.32 MB), 09:45
* 07 梯度下降代码演示 (139.62 MB), 23:17
* 08 梯度下降可视化 (61.64 MB), 09:09
* 04 梯度下降进阶/
* 01 三种常用梯度下降介绍对比 (33.05 MB), 10:46
* 02 线性回归梯度下降更新公式 (54.31 MB), 19:10
* 03 BGD批量梯度下降更新公式 (28.79 MB), 09:15
* 04 SGD和MBGD更新公式 (36.03 MB), 09:38
* 05 BGD批量梯度下降代码实现 (112.41 MB), 31:37
* 06 BGD批量梯度下降求解多元一次方程 (24.29 MB), 06:10
* 07 SGD随机梯度下降求解一元一次方程 (73.89 MB), 19:12
* 08 SGD随机梯度下降求解多元一次方程 (33.19 MB), 06:30
* 09 MBGD小批量梯度下降代码实现 (30.68 MB), 06:43
* 05 梯度下降优化/
* 01 归一化目的 (91.15 MB), 23:44
* 02 最小值最大值归一化 (61.67 MB), 18:29
* 03 Z-score归一化 (46.46 MB), 14:55
* 04 天池工业蒸汽量项目归一化实战（一） (76.59 MB), 19:14
* 05 天池工业蒸汽量项目归一化实战（二） (101.34 MB), 17:51
* 06 过拟合欠拟合与正则化 (82.25 MB), 20:47
* 06 梯度下降优化进阶/
* 01 归一化内容总结重点目标值归一化 (24.71 MB), 07:39
* 02 作业 (4.35 MB), 01:11
* 03 套索回归介绍 (33.93 MB), 11:15
* 04 L1正则化可视化图形 (44.74 MB), 15:48
* 05 L1正则化稀松性缩小系数到0 (55.49 MB), 15:35
* 06 L1正则化套索回归权重衰减梯度下降公式 (34.45 MB), 10:02
* 07 L2正则化岭回归原理详解 (51.97 MB), 16:21
* 08 Ridge算法使用 (58.03 MB), 16:39
* 09 Lasso回归使用 (85.68 MB), 22:47
* 10 ElasticNet弹性网络使用 (25.07 MB), 06:31
* 07 线性回归升维与实战/
* 01 天池工业蒸汽量不同模型不同处理得分整理 (33.49 MB), 11:12
* 02 多项式回归升维概念介绍 (26.07 MB), 10:07
* 03 多项式回归升维实战（一） (42.53 MB), 16:39
* 04 多项式回归升维维度概念详解 (23.55 MB), 09:00
* 05 多项式回归升维实战（二） (41.93 MB), 18:49
* 06 多项式回归实战天猫双十一销量预测（线性回归模型） (65.00 MB), 25:25
* 07 多项式回归实战天猫双十一销量预测（随机梯度下降模型） (29.84 MB), 10:39
* 08 中国人寿保费预测（EDA数据探索） (50.19 MB), 18:47
* 03 线性分类/
* 01 线性分类算法/
* 01 逻辑回归二分类/
* 01 逻辑回归介绍 (48.87 MB), 15:55
* 02 Sigmoid 函数介绍 (46.68 MB), 16:33
* 03 逻辑回归损失函数推导 (28.22 MB), 09:38
* 04 损失函数立体化呈现（一） (109.86 MB), 30:09
* 05 损失函数立体化呈现（二） (168.88 MB), 35:08
* 06 逻辑回归代码实现与概率手动计算 (75.57 MB), 19:48
* 02 逻辑回归多分类softmax/
* 01 逻辑回归梯度下降更新公式 (53.95 MB), 19:11
* 02 逻辑回归多分类OVR (46.90 MB), 14:48
* 03 逻辑回归OVR建模与概率预测 (62.75 MB), 20:45
* 04 代码实战逻辑回归OVR概率计算 (65.59 MB), 18:41
* 05 Softmax函数与概率计算 (37.97 MB), 11:27
* 06 代码实战逻辑回归Softmax概率计算 (78.68 MB), 21:29
* 07 Sigmoid与Softmax异同 (19.10 MB), 05:53
* 04 深度学习基础/
* 01 深度学习基础/
* 01 深度学习介绍/
* 01 深度学习介绍 (173.45 MB), 30:47
* 02 神经网络基础/
* 01 神经网络基础 (112.16 MB), 32:23
* 03 浅层神经网络/
* 01 浅层神经网络 (184.43 MB), 32:48
* 04 深层神经网络/
* 01 深层神经网络 (25.22 MB), 06:22
* 05 深度学习进阶/
* 01 深度学习进阶/
* 01 梯度下降算法改进/
* 01 梯度下降优化算法 (236.13 MB), 53:14
* 02 正则化/
* 01 正则化 (164.09 MB), 34:29
* 06 自然语言处理(NLP)/
* 01 自然语言处理(NLP)/
* 01 自然语言处理基础概念/
* 01 NLP介绍和NLP初期发展 (195.04 MB), 56:33
* 02 序列数据研究 (221.93 MB), 01:09:25
* 03 文本预处理 (206.25 MB), 55:27
* 04 NLTK分词的使用 (206.74 MB), 46:17
* 05 jieba分词的使用 (157.18 MB), 39:21
* 06 语言模型 (174.24 MB), 46:07
* 07 序列数据采样 (226.68 MB), 01:04:03
* 02 自然语言处理深度学习算法/
* 01 循环神经网络(RNN) (181.17 MB), 52:35
* 02 从零实现RNN之读取数据和初始化模型参数 (165.53 MB), 46:17
* 03 从零实现RNN之构建RNN模型 (96.67 MB), 27:28
* 04 从零实现RNN之预测代码 (38.21 MB), 16:58
* 05 从零实现RNN之训练 (139.51 MB), 52:09
* 06 pytorch实现RNN (105.15 MB), 35:41
* 07 RNN反向传播数学细节 (85.93 MB), 31:40
* 08 长短期记忆网络(LSTM) (201.62 MB), 01:03:32
* 09 门控循环单元(GRU) (66.25 MB), 24:19
* 10 深层循环神经网络 (59.90 MB), 14:46
* 11 双向循环神经网络 (49.96 MB), 14:07
* 03 自然语言处理高级/
* 01 机器翻译之数据处理 (147.37 MB), 46:06
* 02 编码器-解码器结构 (165.20 MB), 01:02:54
* 03 seq2seq之训练 (150.61 MB), 01:06:37
* 04 seq2seq之预测和评估 (102.82 MB), 46:23
* 05 注意力机制(Attention) (236.22 MB), 01:24:07
* 06 注意力分数函数 (188.31 MB), 01:07:05
* 07 使用注意力机制的Seq2Seq (191.33 MB), 01:01:53
* 08 多头注意力 (144.36 MB), 56:44
* 09 自注意力 (100.68 MB), 44:02
* 10 Transformer结构 (29.93 MB), 12:43
* 11 Transformer模块之FFN (43.71 MB), 18:53
* 12 Transformer模块之addnorm (67.49 MB), 25:49
* 13 Transformer模块之encoderblock (91.37 MB), 28:36
* 14 Transformer模块之decoder和训练预测 (235.90 MB), 58:11
* 15 BERT结构 (52.43 MB), 20:06
* 16 BERT实现 (196.07 MB), 01:07:27
* 17 BERT训练之数据预处理 (106.43 MB), 26:06
* 18 BERT训练环节 (50.14 MB), 10:50
* 19 BERT微调训练 (60.51 MB), 12:09
* 20 神经网络语言模型 (95.84 MB), 24:34
* 21 word2vec (53.92 MB), 14:07
* 22 word2vec推导 (71.63 MB), 21:49
* 23 skip-gram的改进 (26.34 MB), 08:37
* 24 word2vec之训练数据预处理 (214.50 MB), 38:32
* 25 word2vec之训练代码详解 (288.96 MB), 01:25:48
* 26 word2vec应用.txt (0.00 MB)
* 27 GloVe原理 (158.00 MB), 43:36
* 28 GloVe使用 (93.76 MB), 25:24
* 29 fastText原理 (77.32 MB), 19:37
* 30 预训练词向量的使用 (424.31 MB), 01:09:24
* 31 ELMo模型 (81.03 MB), 15:50
* 32 IMDB情感分析之数据预处理 (164.85 MB), 42:00
* 33 IMDB情感分析项目模型搭建和训练预测 (259.42 MB), 55:27
* 34 GPT系列模型 (89.43 MB), 23:44
* 35 huggingface介绍和安装 (64.44 MB), 14:07
* 36 huggingface之tokenizer (147.64 MB), 32:01
* 37 huggingface之datasets用法 (157.59 MB), 31:12
* 38 huggingface实现中文文本分类任务 (286.26 MB), 56:51
* 39 nlp实战任务之预测最后一个词 (387.69 MB), 01:22:20
* 40 nlp实战任务之预测中间词 (335.56 MB), 01:10:49
* 41 nlp实战任务之阅读理解 (596.70 MB), 01:32:34
* 42 nlp实战任务之文本摘要 (434.91 MB), 01:30:37
* 43 nlp实战任务之文本分类 (295.42 MB), 50:08
* 44 nlp实战任务之命名实体识别 (695.12 MB), 02:01:03
* 45 nlp实战任务之翻译 (372.93 MB), 01:08:46
* 46 AI写诗之数据处理 (201.04 MB), 26:55
* 47 AI写诗之创建数据集 (68.13 MB), 12:17
* 48 AI写诗之创建模型 (36.87 MB), 07:18
* 49 AI写诗之训练 (97.85 MB), 23:43
* 50 AI写诗之预测 (116.35 MB), 27:27
* 07 Pytorch深度学习框架/
* 01 Pytorch深度学习框架/
* 01 PyTorch安装/
* 01 Python环境准备与CUDA下载 (30.16 MB), 12:24
* 02 CUDA、cudnn和torch模块的安装 (30.75 MB), 12:21
* 02 PyTorch张量运算/
* 01 PyTorch张量基础操作 (97.08 MB), 42:10
* 02 PyTorch张量运算操作 (31.80 MB), 13:35
* 03 PyTorch张量形状变换 (83.38 MB), 36:08
* 04 PyTorch与Numpy的互操作 (52.75 MB), 21:29
* 05 PyTorch自动求导 (132.90 MB), 53:29
* 03 PyTorch实战多元线性回归/
* 01 PyTorch实现简单线性回归 (125.51 MB), 48:17
* 02 PyTorch实现多元线性回归 (55.23 MB), 19:24
* 03 PyTorch源码解读nn.Linear (39.73 MB), 12:26
* 04 PyTorch实战卷积神经网络/
* 01 PyTorch实现CNN卷积神经网络 (105.03 MB), 42:33
* 02 PyTorch加载mnist数据集和进行数据预处理 (40.49 MB), 15:00
* 03 PyTorch定义训练函数逻辑 (129.98 MB), 45:02
* 04 PyTorch分轮次训练以及模型的保存 (61.00 MB), 19:52
* 05 PyTorch模型训练以及可视化训练过程 (55.55 MB), 15:57
* 06 PyTorch绘制测试图片和预测结果 (33.58 MB), 11:53
* 07 PyTorch计算每个类别的准确率 (41.84 MB), 13:35
* 08 PyTorch项目中TensorBoard的运用 (165.95 MB), 52:27
* 05 PyTorch加载本地数据集/
* 01 自定义读取本地数据集的Dataset类 (41.91 MB), 15:37
* 02 保存本地数据并修改训练脚本为从本地数据文件读取 (76.60 MB), 23:26
* 03 保存MNIST一张张图片到本地文件夹中 (73.46 MB), 23:59
* 04 自定义边训练边读取本地图片的Dataset类 (70.97 MB), 23:05
* 06 PyTorch混合精度训练/
* 01 什么是混合精度训练 (42.57 MB), 21:56
* 02 AMP混合精度训练实战 (72.53 MB), 23:09
