人工智能太難，聽不懂學(xué)不會
知識碎片化，不成體系
簡歷上項目經(jīng)歷少
實戰(zhàn)資源少，實操經(jīng)驗不足
學(xué)習(xí)目標(biāo)不清晰，不知道要學(xué)什么
學(xué)的太基礎(chǔ)，就業(yè)面窄
隨著AI時代到來，人工智能成為熱門技術(shù)方向之一。飛速發(fā)展的行業(yè)使人才需求越來越大，薪資隨之 水漲船高。但由于技術(shù)更新快，教育資源有所滯后，真正符合市場需求的人才培養(yǎng)仍面臨巨大挑戰(zhàn)。
“快餐式”人才特點
基礎(chǔ)性技術(shù)崗位
可替代、可復(fù)制
機械執(zhí)行，缺乏開發(fā)思維
晉升難，行業(yè)局限性
高素質(zhì)人才特點
具備完整的開發(fā)思維
開發(fā)能力可遷移，無行業(yè)限制
符合市場人才需求標(biāo)準(zhǔn)
職場晉升快
在校學(xué)生
本科/研究生及以上
理工科相關(guān)專業(yè)背景， 且自身有計算機、數(shù)學(xué) 等專業(yè)基礎(chǔ)。
IT轉(zhuǎn)行
傳統(tǒng)互聯(lián)網(wǎng)崗位
職業(yè)到達(dá)瓶頸，初級程 序員可復(fù)制性高，無行 業(yè)市場競爭力。
能力提升
架構(gòu)師/算法工程師/CTO
研發(fā)大牛，需要人工智能算法與大數(shù)據(jù)，提升技術(shù)廣度與深度。
興趣驅(qū)動
實踐意識/創(chuàng)新思維/熱愛人工智能
對人工智能感興趣，并 有一定的學(xué)習(xí)動力和自 主學(xué)習(xí)能力。
邊練邊學(xué)培養(yǎng)開發(fā)思維
應(yīng)用場景中教學(xué)，案例融入知識點
注重方法論教學(xué)，培養(yǎng)開發(fā)思維
不同框架對比學(xué)習(xí)，就業(yè)面更廣
注重AI+，與其它技術(shù)融合
實戰(zhàn)主導(dǎo)配套充足資源
自研元宇宙實驗平臺
充足的實戰(zhàn)資源，拒絕紙上談兵
大型項目高仿真
課程直接配套實操平臺
自帶多個開發(fā)環(huán)境
解決了在硬件上部署實驗限制、嵌入式端 速度慢、開發(fā)過程中環(huán)境切換等問題，簡 化了開發(fā)流程，開展教學(xué)更流暢便捷。
可視化算法教學(xué)將算法過程封裝，動態(tài)解析代碼，按搭積木式組合讓用戶可視化理解算法原理，構(gòu)建整體思維，深入學(xué)習(xí)。
3D應(yīng)用場景案例實戰(zhàn)
邏輯與算法可接入系統(tǒng)里預(yù)設(shè)的3D場景中，實現(xiàn)可視化交互體驗，打造人工智能沉浸式實操環(huán)境。
智能捕捉錯誤
精準(zhǔn)捕捉在編程學(xué)習(xí)和算法學(xué)習(xí)過程中的異常情況，提醒錯誤原因，督促及時修改。
代碼自動生成
Pyhton代碼自動生成，根據(jù)封裝好的組件自主學(xué)習(xí)代碼，代碼資源可以遷移到硬件平臺或虛擬場景中驗證。
拓展應(yīng)用，開展比賽
系統(tǒng)里編譯的代碼可直接遷移到實際行業(yè)應(yīng)用；豐富的實驗環(huán)境、項目資源可作為人工智能大賽平臺。
· 灰度與二值化
· 圖像旋轉(zhuǎn)與縮放
· 圖像矯正與仿射變換
· 圖像噪點消除與濾波算法
· 圖像形態(tài)學(xué)變換
· 直方圖與均衡化
隨機案例：顏色識別、道路
邊緣檢測、快遞二維碼識別
· PyTorch
· TensorFlow
· PaddlePaddle
· 張量與矩陣
· 框架的自動微分機制
· 計算圖
· GPU的使用
隨機案例：加減乘
· 機器學(xué)習(xí)認(rèn)識
· Python的機器學(xué)習(xí)庫
· K近鄰算法
· 線性回歸
· 激活函數(shù)與非線性化
· 邏輯回歸
· 支持向量機
· 貝葉斯
· 聚類算法
· 前向與反向過程
· 訓(xùn)練過程可視化
· 優(yōu)化器與優(yōu)化方法
· 欠擬合與過擬合
· 模型效果評估
隨機案例：分開兩個圓
· 計算機眼中的圖像
· 卷積為什么能識別圖像
· 池化為什么能增強特征
· 多通道卷積與偏置過程
· 經(jīng)典神經(jīng)網(wǎng)絡(luò)
實戰(zhàn)：人臉識別
· NLP的發(fā)展與技術(shù)棧
· 傳統(tǒng)的RNN
· LSTM
· Bi-LSTM
· GRU
· ChatGPT的發(fā)展與技術(shù)棧
· 基礎(chǔ)與動機
· Transformer 架構(gòu)
· 注意力機制
· 位置編碼
· 注意力掩碼
· 經(jīng)典神經(jīng)網(wǎng)絡(luò)
· 安裝與配置
· 組件的介紹與使用
· 信號與槽函數(shù)
· PyQT的線程與進程
· SQLite數(shù)據(jù)庫
· PyQtGraph數(shù)據(jù)可視化
· LLM大語言模型介紹
· 經(jīng)典大模型
· 大模型的微調(diào)方法
· LLM中attention的優(yōu)化
· nlp評價指標(biāo)
· 3D場景數(shù)據(jù)交互
· 數(shù)據(jù)采集
· 數(shù)據(jù)增強與分類數(shù)據(jù)集制作
· MobileNetV3的small與large
· 網(wǎng)絡(luò)fine-tuning
· 模型部署到場景
· 后端部署與前端檢測
· 3D場景數(shù)據(jù)交互
· 數(shù)據(jù)采集
· 目標(biāo)檢測基礎(chǔ)知識
· 目標(biāo)檢測發(fā)展與經(jīng)典神經(jīng)網(wǎng)絡(luò)
· YOLO的發(fā)展與關(guān)鍵概念
· 數(shù)據(jù)增強與分類數(shù)據(jù)集制作
· 網(wǎng)絡(luò)fine-tuning
· 模型部署到場景
· 后端部署與前端檢測
· 交通監(jiān)控分析
· 車輛違停檢測
· 道路邊緣和車道標(biāo)線識別
基于目標(biāo)的人臉查找檢測，并結(jié)合機器學(xué)習(xí)算法 實現(xiàn)1:N的人臉識別。關(guān)鍵點檢測可以實現(xiàn)數(shù)字 化妝、數(shù)字美顏等功能。
3D場景的垃圾分類系統(tǒng)，實現(xiàn)可回收垃圾、廚余垃圾、有害垃圾和其他垃圾的正確分類，垃圾可以自定義多角度采集與識別。
3D場景流水線分揀物品可高度自定義，通過動態(tài)的自動上貨、識別殘次品、自動分揀、自動傳送帶控制，實現(xiàn)智能化工業(yè)流水線作業(yè)
基于車輛檢測、車牌檢測、車牌識別實現(xiàn)違章停車識別功能，精準(zhǔn)快速識別出違停車輛并進一步行動，車輛可自動駕駛到某一區(qū)域，動態(tài)獲取場景攝像頭數(shù)據(jù)。
車輛檢測與跟蹤在交通監(jiān)控、智能城市等方向都具有廣泛應(yīng)用，通過目標(biāo)檢測算法與跟蹤算法，檢測其道路車輛實時性計數(shù)。
采用車牌檢測與光學(xué)OCR，實現(xiàn)場景中的車牌識別功能，與車庫的數(shù)據(jù)庫進行匹配對比，實現(xiàn)智能化停車場、自動收費等系統(tǒng)的放行與收費功能。
基于分割算法的車道線檢測，并使用輕量化分割方案實現(xiàn)車道線檢測，結(jié)合車輛檢測可實現(xiàn)壓線檢測與逆行檢測。
基于視覺處理實現(xiàn)仿射變換、車道識別。并通過PID實現(xiàn)車輛方向盤和前輪的控制，通過后驅(qū)的速度調(diào)節(jié)車輛行駛的速度。
國家政策
企業(yè)投入
資本傾斜
