本周学习机器学习基础知识，包括机器学习概念、机器学习模型分类、评估目标与优化目标、典型案例实践。

1. 1. 掌握机器学习工具的基本流程
2. 2. 掌握特征的概念与使用
3. 3. 了解不同机器学习模型的分类
4. 4. 学会常见机器学习模型的评估方法
5. 5. 学会常见机器学习模型的学习优化目标
6. 6. 学习使用python机器学习工具sklearn
7. 7. 基于sklearn工具和鸢尾花数据集，进行逻辑回归实战

本周学习神经网络基础知识，包括前馈神经网络与时序神经网络结构、单层神经网络与多层神经网络典型案例实践。

1. 1. 掌握感知器的学习原理
2. 2. 掌握神经网络的模型结构
3. 3. 了解单层神经网络与多层神经网络的能力
4. 4. 掌握梯度下降算法原理与实践
5. 5. 掌握反向传播算法原理与实践
6. 6. 掌握RNN与LSTM模型结构
7. 7. 基于Python进行二维空间线性可分数据单/多层感知器实战

本周学习卷积神经网络基础知识，包括卷积神经网络的基本概念，卷积神经网络模型结构。

1. 1. 掌握二维卷积与多通道卷积的原理
2. 2. 掌握池化的原理
3. 3. 了解步长和填充
4. 4. 掌握反卷积的原理
5. 5. 了解卷积反向传播算法
6. 6. 掌握典型卷积神经网络的搭建

本周学习当前主流的深度学习模型训练与优化相关的技术（参数初始化、激活函数、标准化方法、学习率与最优化方法、正则化方法）

1. 1. 掌握常见的参数初始化方法
2. 2. 掌握常见的激活函数
3. 3. 掌握常见的标准化方法
4. 4. 掌握常见的正则化方法
5. 5. 掌握常见的学习率迭代策略
6. 6. 掌握常见的最优化方法

本周学习深度学习之数据使用的相关内容，使学生了解并且掌握数据获取、数据整理、数据标注、数据增强方法等内容，对imgaug数据增强库进行了解。

1. 1. 了解数据获取方法
2. 2. 掌握一般的数据整理方法
3. 3. 掌握数据标注工具label studio
4. 4. 掌握常见的数据增强方法
5. 5. 学会使用imgaug数据增强工具

PyTorch是目前最火的深度学习框架，本周将从如何配置Pytorch环境开始，掌握一些基本的知识，包括张量、层结构、网络结构搭建、优化器及损失函数，学会数据读取与增强。

1. 1.PyTorch的安装
2. 2.Tensor的相关数据处理
3. 3.如何用dataloader加载数据集
4. 4.不同的数据增强方法
5. 5.卷积层、池化层与全连接层的介绍
6. 6.网络的正则化技术
7. 7.如何逐层搭建自定义的卷积神经网络

本周学习如何对Pytorch模型进行训练，会涉及的内容有，损失函数、优化器、权重保存与加载、迁移学习策略等知识，并介绍如何使用Tensorboard进行训练数据的可视化。

1. 1.损失函数与优化器
2. 2.掌握模型权重文件的保存与加载
3. 3.掌握迁移学习等模型训练效果提升的办法
4. 4.掌握如何在不同设备中进行训练
5. 5.掌握用Tensorboard记录训练数据，并将数据进行可视化

本周学习基础的经典的卷积神经网络模型设计思想，包括简单模型、多分支模型原理。

1. 1. 掌握AlexNet模型结构
2. 2. 掌握VGGNet模型结构
3. 3. 掌握InceptionNet模型结构
4. 4. 掌握1×1卷积模型结构
5. 5. 掌握ResNet和DenseNet模型结构
6. 6. 掌握SqueezeNet模型结构

本周学习适合于移动端使用的通道分组高效率模型原理。

1. 1. 掌握MobileNet V1模型结构
2. 2. 掌握MobileNet V2模型结构
3. 3. 掌握ShuffleNet V1模型结构
4. 4. 掌握ShuffleNet V2模型结构
5. 5. 掌握MixNet等模型结构

本周学习卷积注意力相关的模型（特征通道注意力、空间注意力、自注意力）

1. 本周学习卷积注意力相关的模型（特征通道注意力、空间注意力、自注意力）

本周学习Transformer基础，包括Transformer模型各个模块的结构细节以及代码实现。

1. 1. 掌握Self-Attention（自注意力）机制
2. 2. 掌握多头自注意力机制
3. 3. 掌握Token概念
4. 4. 掌握位置编码原理
5. 5. 掌握掩码的作用
6. 6. 掌握解码的原理

本周学习典型的Vision Transformer模型，包括基础ViT模型以及高效率的ViT模型。

1. 1. 掌握ViT模型结构
2. 2. 掌握DeViT模型结构
3. 3. 掌握Mobile ViT等高效率模型结构

本周学习深度学习之图像分类的相关理论与实践内容，带领学生进行以下实战内容：从零完成人脸表情识别、生活用品多标签图像分类。

1. 1. 了解图像分类问题划分
2. 2. 了解多类别图像分类模型结构
3. 3. 了解多标签图像分类方法
4. 4. 掌握从零搭建图像分类模型并实现训练与测试的完整流程
5. 5. 掌握多标签图像分类方法并实现训练与测试的完整流程

本周学习深度学习之目标检测的相关理论与实践内容，，包括One-stage算法-YOLO系列详解、带领学生进行YOLO v5车牌检测实战

1. 1. 了解目标检测基本流程
2. 2. 了解目标检测评估指标
3. 3. 掌握非极大值抑制目标检测后处理方法
4. 4. 掌握YOLO v1-v8的系列算法原理
5. 5. 掌握基于YOLO v5实现车牌目标检测任务的完整流程

本周学习深度学习之语义分割的相关理论与实践内容，带领学生进SimpleNet人脸分割实战

1. 1. 了解图像分割问题划分
2. 2. 掌握语义分割经典模型FCN
3. 3. 掌握语义分割经典模型UNet
4. 4. 掌握膨胀卷积原理
5. 5. 掌握语义分割经典模型系列Deeplab
6. 6. 掌握从零搭建图像分割模型并实现训练与测试的完整流程

本周学习深度学习之视频分类的相关理论与实践内容，包括3D模型与双流模型、带领学生进行3DCNN模型视频分类实战

1. 1. 了解3D卷积原理
2. 2. 掌握3DCNN模型结构
3. 3. 掌握C(2+1)D模型结构
4. 4. 了解视频分类任务与数据集
5. 5. 掌握从零搭建3DCNN模型并实现训练与测试的完整流程

本周针对自动驾驶领域中的核心感知算法，带领学生进行道路分割与车牌识别实战

1. 1. 学习CityScape数据集
2. 2. 使用语义分割经典模型HRNet训练道路分割模型并测试使用
3. 3. 学习LPRNet框架
4. 4. 学习使用LPRNet训练车牌识别模型

本周学习生成对抗网络模型的相关理论与实践内容，带领学生进行GAN模型图像生成实战

1. 1.掌握生成对抗网络(GAN)原理
2. 2.掌握生成对抗网络(GAN)的优化目标与评估指标
3. 3.掌握生成对抗网络(GAN)基本结构
4. 4.掌握条件生成对抗网络模型结构
5. 5.掌握从零搭建DCGAN模型并实现训练与测试的完整流程

本周学习扩散模型的相关理论与实践内容，带领学生进行扩散模型图像生成实战

1. 1.掌握扩散模型原理
2. 2.掌握从零搭建扩散模型并实现训练与测试的完整流程
3. 3.掌握稳定扩散模型Stable Diffusion原理
4. 4.了解Huggingface社区
5. 5.学习使用Huggingface社区接口进行扩散模型图像生成

本周学习AIGC领域中基于扩散模型的图像生成与编辑最新前沿技术，并实战ControlNet的交互式图像生成与编辑。

1. 1.掌握ControlNet原理
2. 2.掌握基于ControlNet的交互式图像生成与编辑实战
3. 3.了解stable diffusion webui等工具
4. 4.了解视频生成工具Moonvalley

通过介绍自然语言处理的历史、发展和基本任务以及自然语言处理最基础的分词、词向量，学习到自然语言处理解决什么问题以及解决问题最基本的方法。

1. 1.自然语言处理发展历史；
2. 2.自然语言处理常见任务；
3. 3.自然语言处理中的分词；
4. 4.自然与语言处理中的词嵌入

通过介绍自然语言处理中主要的特征抽取器LSTM、CNN以及Transformer，掌握NLP中文本特征抽取的流程与主要方法

1. 1.循环神经网络及LSTM；
2. 2.NLP中的卷积神经网络CNN；
3. 3.attention机制及Transformer；
4. 4.LSTM与文本分类；
5. 5.膨胀卷积与命名实体识别

通过介绍BERT、GPT等预训练模型及其实战，掌握NLP中主流的预训练模型的结构，用法和差异，以及在实际场景中如何应用

1. 1.预训练模型BERT及非结构化数据信息抽取实战；
2. 2.GPT模型及生成式任务实战；

通过学习AI大语言模型的预训练和微调理论，掌握大语言模型的分布式训练方法；通过学习最新的大模型agent思想及框架，掌握大模型落地应用的方法；

1. 1.大语言模型分布式预训练；
2. 2.分布式训练框架deepspeed;
3. 3.大模型有监督微调；
4. 4.大模型高效参数微调lora;
5. 5.langchain框架介绍

通过学习常见的开源大语言模型，掌握常见大语言模型的差异和使用方法；通过学习人类反馈式强化学习的方法，掌握大模型引入人类反馈的技术。

1. 1.Llama，chatglm等大模型介绍；
2. 2.RLHF中的奖励模型；
3. 3.RLHF中的PPO算法；
4. 4.基于大模型构建智能客服系统

通过学习搜索和推荐中的召回和排序算法，掌握在搜索和推荐体系中如何应用NLP模型。

1. 1.搜索和推荐常见架构介绍；
2. 2.基于Faiss的item召回算法；
3. 3.基于wide&deep模型的点击率预估模型排序算法

本周给大家进行AI工程师入行与面试相关的指导，了解公司对AI算法工业者的能力要求，掌握更高效率的学术前沿知识获取方法，提高项目完整度与面试成功率。

1. 1. 如何在简历中写好项目经历
2. 2. 如何提升编程能力与算法能力
3. 3. 常见的一些面试笔试问题
4. 4. 如何保持学习，了解前沿技术