卢菁博士的人工智能体系课-进阶部分

课程简介

聚焦理论底层与架构思维这门进阶课程旨在解决开发者在深入人工智能领域时，往往陷入具体框架 API 调用而忽视底层数学原理与系统架构设计的痛点。它不侧重于手把手教你跑通某个特定模型，而是致力于构建对神经网络、机器学习算法及深度学习核心机制的系统性认知。适合具备一定编程基础，熟悉 Python 语法，并了解基本线性代数与概率统计知识的工程师或研究人员。如果你已…

已有 23 人浏览发布 2026-03-01 更新 2026-10-09

聚焦理论底层与架构思维

这门进阶课程旨在解决开发者在深入人工智能领域时，往往陷入具体框架 API 调用而忽视底层数学原理与系统架构设计的痛点。它不侧重于手把手教你跑通某个特定模型，而是致力于构建对神经网络、机器学习算法及深度学习核心机制的系统性认知。适合具备一定编程基础，熟悉 Python 语法，并了解基本线性代数与概率统计知识的工程师或研究人员。如果你已经能熟练使用 PyTorch 或 TensorFlow 编写简单模型，但希望理解模型背后的收敛逻辑、优化策略以及大规模分布式训练的原理，这门课正是为你准备的。它强调从第一性原理出发，拆解复杂 AI 系统的构成要素，帮助你从“会用”进阶到“懂原理”，从而在面对新问题时具备更强的迁移能力和架构设计直觉。

核心模块解析与学习路径建议

建议优先关注课程中关于深度学习基础理论、优化算法推导以及大规模模型训练架构的部分。这些章节构成了现代 AI 工程的基石，理解梯度下降的变体、正则化技术的有效性以及数据并行与模型并行的区别，对于提升工程实践能力至关重要。其次，应重点研读涉及生成模型、强化学习前沿进展以及大语言模型（LLM）基础原理的章节，这部分内容紧跟技术前沿，有助于把握当前 AI 发展的核心趋势。由于本课程目前仅包含视频讲解，缺乏配套的代码实验室环境，建议采取“边看边推”的学习策略。在观看视频时，准备纸笔或 Markdown 文档，实时记录关键公式的推导过程和架构设计的决策依据。不要被动接受结论，而是尝试在脑海中构建数据流动的完整链路，思考每个模块输入输出的张量形状变化。

实践结合与独立能力构建

学完这门课后，你应能独立设计出符合特定业务场景的深度学习系统架构，而不再局限于套用现有模板。你能够根据数据规模和硬件资源限制，合理选择优化器、学习率调度策略以及分布式训练方案。虽然课程未提供直接可运行的源码，但这要求你将理论与外部开源项目相结合。建议配合 Hugging Face Transformers、DeepSpeed 或 Megatron-LM 等主流开源库的官方文档和示例代码进行实践。当你遇到训练不稳定或显存溢出问题时，可以回溯课程中关于数值稳定性和内存管理的章节，找到根本原因并制定解决方案。这种“理论指导实践，实践验证理论”的闭环，是提升 AI 工程能力的关键。通过这种方式，你不仅能掌握具体的技术细节，更能形成一套可复用的问题解决思维框架，在面对不断变化的 AI 技术栈时，保持持续学习和快速适应的能力。

注意：此课程目前只有视频，没有代码，介意勿拍

课程目录：

鈹溾攢鈹€01_1.璺濈绮捐.mp4 190.87M
├──02_2.向量数据库基础.mp4 174.43M
├──03_3.Annoy原理和手写线性回归.mp4 218.48M
├──04_4.逻辑回归的分类间隔，线性不可分问题，FM模型.mp4 213.13M
├──05_5.特征选择和正则化.mp4 242.98M
├──06_6.Dropout技术，模型集成，多分类和多标签.mp4 181.47M
├──07_7.过拟合、欠拟合，树模型.mp4 191.00M
鈹溾攢鈹€10_10.GBDT鍜孹Gboost.mp4 318.04M
├──11_11实战项目以图搜图-resnet.mp4 191.79M
鈹溾攢鈹€12_12浠ュ浘鎼滃浘.mp4 169.27M
├──13_13.GAN模型的原理和实战.mp4 195.68M
├──14_14.GAN模型背后的数学原理以及训练技巧.mp4 221.81M
├──15_15.推土机距离和WGan.mp4 167.92M
├──17_17.NLP系列1：NLP发展脉络和BERT模型.mp4 196.48M
├──18_18.NLP系列2：Bert的改良版本和T5模型.mp4 139.06M
├──19_19.NLP系列3：GPT系列模型.mp4 132.18M
├──20_20.项目实战：huggingface和文本分类.mp4 183.15M
├──21_21实战项目：文本纠错和Bart模型.mp4 210.74M
├──22_22零样本学习和小样本学习.mp4 229.59M
├──23_23.智能文本摘要和关键词提取.mp4 282.52M
├──24_24聊天机器人和chatgpt.mp4 232.86M
鈹溾攢鈹€25_25锛岀洰鏍囨娴媦olo鍜宼ransformer.mp4 358.85M
├──26_乳腺癌识别项目1-图像识别的原理.mp4 183.60M
├──27_乳腺癌识别项目2-图像分类的代码实战.mp4 142.85M
├──28_乳腺癌识别项目3-图像识别新方法之迁移学习.mp4 103.19M
├──29_乳腺癌识别项目4-乳腺癌识别代码实战.mp4 150.02M
├──30_大模型训练为什么这么难.mp4 117.28M
├──31_ChatGPT的技术发展路径和带来的影响.mp4 177.64M
├──32_推荐系统1：推荐系统概述.mp4 168.37M
├──33_推荐系统2：召回环节.mp4 333.81M
├──34_推荐系统3：召回和AB测试[.mp4 357.39M
├──35_推荐系统4：排序（上）.mp4 380.52M
├──36_推荐系统5：排序（下）.mp4 130.68M
└──37_推荐系统6：内容分类和打标.mp4 282.29M

课程目录

01_1.距离精讲.mp4 190.87M
02_2.向量数据库基础.mp4 174.43M
03_3.Annoy原理和手写线性回归.mp4 218.48M
04_4.逻辑回归的分类间隔，线性不可分问题，FM模型.mp4 213.13M
05_5.特征选择和正则化.mp4 242.98M
06_6.Dropout技术，模型集成，多分类和多标签.mp4 181.47M
07_7.过拟合、欠拟合，树模型.mp4 191.00M
08_8.ID3，C4.5，Cart树.mp4 192.25M
09_9.集成学习，dropout，GBDT.mp4 189.43M
10_10.GBDT和XGboost.mp4 318.04M
11_11实战项目以图搜图-resnet.mp4 191.79M
12_12以图搜图.mp4 169.27M
13_13.GAN模型的原理和实战.mp4 195.68M
14_14.GAN模型背后的数学原理以及训练技巧.mp4 221.81M
15_15.推土机距离和WGan.mp4 167.92M
16_16.AIGC和扩散学习.mp4 299.80M
17_17.NLP系列1：NLP发展脉络和BERT模型.mp4 196.48M
18_18.NLP系列2：Bert的改良版本和T5模型.mp4 139.06M
19_19.NLP系列3：GPT系列模型.mp4 132.18M
20_20.项目实战：huggingface和文本分类.mp4 183.15M
21_21实战项目：文本纠错和Bart模型.mp4 210.74M
22_22零样本学习和小样本学习.mp4 229.59M
23_23.智能文本摘要和关键词提取.mp4 282.52M
24_24聊天机器人和chatgpt.mp4 232.86M
25_25，目标检测yolo和transformer.mp4 358.85M
26_乳腺癌识别项目1-图像识别的原理.mp4 183.60M
27_乳腺癌识别项目2-图像分类的代码实战.mp4 142.85M
28_乳腺癌识别项目3-图像识别新方法之迁移学习.mp4 103.19M
29_乳腺癌识别项目4-乳腺癌识别代码实战.mp4 150.02M
30_大模型训练为什么这么难.mp4 117.28M
31_ChatGPT的技术发展路径和带来的影响.mp4 177.64M
32_推荐系统1：推荐系统概述.mp4 168.37M
33_推荐系统2：召回环节.mp4 333.81M
34_推荐系统3：召回和AB测试[.mp4 357.39M
35_推荐系统4：排序（上）.mp4 380.52M
36_推荐系统5：排序（下）.mp4 130.68M
37_推荐系统6：内容分类和打标.mp4 282.29M