面对日新月异的 AI 技术，碎片化的学习往往让你难以构建完整的知识体系，导致在实际开发中无从下手。本课程从 Python 基础出发，带你深度掌握 Transformers、LLMs 与 LangChain 等核心框架，通过实战项目填补理论与应用间的鸿沟，助你在面试中展现出系统性的工程能力。

你将学到什么

  • 本课程提供成为 AI 工程师所需的全套工具体系
  • 理解关键的人工智能概念并打下坚实基础
  • 开始使用 Python 编写代码，并学习如何将其应用于 NLP 和 AI 领域
  • 通过展现对 AI 领域的深刻理解，在面试中脱颖而出
  • 将所学技能应用于真实的商业案例
  • 掌握大语言模型 (LLMs) 的强大能力
  • 利用 LangChain 链接可互操作的组件，实现 AI 驱动应用程序的无缝开发
  • 熟悉 Hugging Face 及其提供的 AI 工具生态
  • 使用 API 连接并调用强大的基座模型
  • 利用 Transformers 实现高级语音转文本功能

AI工程师课程章节概览

01 — 01 – AI 入门模块：快速起步 (9 项)

  1. 001 5 分钟构建 AI 工具：快速演示
  2. 001 AI 入门课程笔记
  3. 002 AI 入门课程笔记
  4. 002 课程大纲概览
  5. 003 AI 入门课程笔记
  6. 003 自然智能 vs 人工智能
  7. 004 AI 简史
  8. 005 揭秘 AI、数据科学、机器学习与深度学习
  9. 006 弱人工智能 (Weak AI) vs 强人工智能 (Strong AI)

02 — 02 – AI 入门模块：数据是构建 AI 的核心 (4 项)

  1. 001 结构化数据 vs 非结构化数据
  2. 002 数据采集方式
  3. 003 有标签数据与无标签数据
  4. 004 元数据：描述数据的数据

03 — 03 – AI 入门模块：关键 AI 技术 (3 项)

  1. 001 机器学习
  2. 002 监督学习、无监督学习与强化学习
  3. 003 深度学习

04 — 04 – AI 入门模块：重要的 AI 分支 (4 项)

  1. 001 机器人技术
  2. 002 计算机视觉
  3. 003 传统机器学习
  4. 004 生成式 AI

05 — 05 – AI 入门模块：深入理解生成式 AI (10 项)

  1. 001 生成式 AI 的兴起：ChatGPT 简介
  2. 002 自然语言处理 (NLP) 的早期方法
  3. 003 NLP 的最新进展
  4. 004 从语言模型到大语言模型 (LLM)
  5. 005 LLM 训练效率：监督学习 vs 半监督学习
  6. 006 从 N-Gram 到 RNN 再到 Transformer：NLP 的演进历程
  7. 007 构建 LLM 的各个阶段
  8. 008 提示工程 vs 微调 vs RAG：AI 优化技术对比
  9. 009 基座模型的重要性
  10. 010 基座模型决策：购买 vs 自研 vs 私有模型

06 — 06 – AI 入门模块：生成式 AI 的现实挑战 (4 项)

  1. 001 不一致性与幻觉问题
  2. 002 预算控制与 API 成本
  3. 003 延迟问题
  4. 004 数据枯竭危机

07 — 07 – AI 入门模块：AI 技术栈 (7 项)

  1. 001 Python 编程
  2. 002 API 调用实战
  3. 003 向量数据库
  4. 004 开源生态的重要性
  5. 005 Hugging Face
  6. 006 LangChain
  7. 007 AI 评估工具

08 — 08 – AI 入门模块：AI 职业岗位 (3 项)

  1. 001 AI 战略师
  2. 002 AI 开发人员
  3. 003 AI 工程师

09 — 09 – AI 入门模块：未来展望 (2 项)

  1. 001 AI 伦理
  2. 002 AI 的未来

10 — 10 – Python 模块：为什么选择 Python (2 项)

  1. 001 几分钟带你了解编程
  2. 002 为什么选择 Python

11 — 11 – Python 模块：环境搭建 (7 项)

  1. 001 Jupyter：简介
  2. 002 Jupyter：安装 Anaconda
  3. 003 Jupyter：使用入门
  4. 004 Jupyter：操作 Notebook 文件
  5. 005 Jupyter：常用快捷键
  6. 006 Jupyter：错误消息处理
  7. 007 Jupyter：重启内核 (Kernel)

12 — 12 – Python 模块 Python 变量和数据类型 (12 项)

  1. 001 Python 变量
  2. 001 Python 变量与数据类型练习
  3. 001 Python 变量与数据类型讲义
  4. 001 Python 变量与数据类型参考答案
  5. 002 Python 编程练习
  6. 008 数据类型 – 数字和布尔值
  7. 015 Python 变量与数据类型练习
  8. 015 Python 变量与数据类型讲义
  9. 015 Python 变量与数据类型参考答案
  10. 015 数据类型 – 字符串
  11. 022 Anaconda AI – 介绍
  12. 023 使用 Anaconda Assistant 处理字符串

13 — 13 – Python 模块 基础 Python 语法 (13 项)

  1. 001 基础 Python 语法 – 算术运算符
  2. 001 基础 Python 语法使用入门练习
  3. 001 基础 Python 语法使用入门讲义
  4. 001 基础 Python 语法使用入门参考答案
  5. 011 基础 Python 语法 – 双等号
  6. 014 基础 Python 语法 – 重新赋值
  7. 020 基础 Python 语法 – 添加注释
  8. 022 基础 Python 语法 – 续行
  9. 024 基础 Python 语法 – 索引元素
  10. 028 基础 Python 语法 – 缩进
  11. 028 基础 Python 语法使用入门练习
  12. 028 基础 Python 语法使用入门讲义
  13. 028 基础 Python 语法使用入门参考答案

14 — 14 – Python 模块 更多关于运算符的内容 (5 项)

  1. 001 运算符进阶操作练习
  2. 001 运算符进阶操作讲义
  3. 001 运算符进阶操作参考答案
  4. 001 运算符 – 比较运算符
  5. 007 运算符 – 逻辑和身份运算符

15 — 15 – Python 模块 条件语句 (10 项)

  1. 001 条件语句 – IF 语句
  2. 001 If-Elif-Else 语句练习
  3. 001 If-Elif-Else 语句讲义
  4. 001 If-Elif-Else 语句参考答案
  5. 005 条件语句 – ELSE 语句
  6. 007 条件语句 – ELIF 语句
  7. 010 条件语句 – 关于布尔值的说明
  8. 010 If-Elif-Else 语句练习
  9. 010 If-Elif-Else 语句讲义
  10. 010 If-Elif-Else 语句参考答案

16 — 16 – Python 模块 函数 (13 项)

  1. 001 函数 – 在 Python 中定义函数
  2. 001 函数练习
  3. 001 函数讲义
  4. 001 函数参考答案
  5. 002 函数 – 创建带参数的函数
  6. 005 函数 – 定义函数的另一种方式
  7. 007 函数 – 在另一个函数中使用函数
  8. 009 函数 – 结合条件语句和函数
  9. 011 函数 – 创建包含多个参数的函数
  10. 012 函数 – Python 常用内置函数
  11. 012 函数练习
  12. 012 函数讲义
  13. 012 函数参考答案

17 — 17 – Python 模块 序列 (11 项)

  1. 001 序列 – 列表
  2. 001 序列练习
  3. 001 序列讲义
  4. 001 序列参考答案
  5. 008 序列 – 使用方法
  6. 014 序列 – 列表切片
  7. 022 序列 – 元组
  8. 027 序列 – 字典
  9. 027 序列练习
  10. 027 序列讲义
  11. 027 序列参考答案

18 — 18 – Python 模块 迭代 (15 项)

  1. 001 迭代 – For 循环
  2. 001 迭代练习
  3. 001 迭代讲义
  4. 001 迭代参考答案
  5. 005 迭代 – While 循环和递增
  6. 007 迭代 – 使用 range() 函数创建列表
  7. 012 迭代 – 同时使用条件语句和循环
  8. 016 迭代 – 条件语句、函数和循环
  9. 018 Python 编程提示词
  10. 018 使用 Anaconda Assistant 处理多种 Python 工具
  11. 019 迭代 – 遍历字典
  12. 019 迭代练习
  13. 019 迭代讲义
  14. 019 迭代参考答案
  15. 022 使用 Anaconda Assistant 处理字典

19 — 19 – Python 模块：一些重要的 Python 概念和术语 (10 小节)

  1. 001 面向对象编程 (OOP) 简介
  2. 002 模块、包和 Python 标准库 (Modules, Packages, and the Python Standard Library)
  3. 003 导入模块 (Importing Modules)
  4. 005 Python 列表推导式 (List Comprehensions)
  5. 011 列表推导式与 Lambda 函数 — 练习 (Exercises)
  6. 011 列表推导式与 Lambda 函数 — 理论讲解 (Lectures)
  7. 011 列表推导式与 Lambda 函数 — 解答 (Solutions)
  8. 011 Python 匿名函数 (Lambda Functions)
  9. 016 什么是软件文档 (Software Documentation)
  10. 017 Python 文档 (The Python Documentation)

20 — 20 – NLP 模块：简介 (5 小节)

  1. 001 课程介绍
  2. 002 课程材料与 Notebook 代码文件
  3. 003 NLP 简介
  4. 005 日常生活中的 NLP
  5. 006 有监督与无监督 NLP (Supervised vs Unsupervised NLP)

21 — 21 – NLP 模块：文本预处理 (16 小节)

  1. 001 数据准备的重要性
  2. 002 环境搭建
  3. 003 环境搭建与包探索（图文材料）
  4. 005 文本小写化 (Lowercasing text)
  5. 007 去除停用词 (Removing stop words)
  6. 009 正则表达式 (Regex)
  7. 011 分词 (Tokenization)
  8. 013 词干提取 (Stemming)
  9. 014 词形还原 (Lemmatization)
  10. 016 N-grams
  11. 017 pandas 库讲解
  12. 019 关于实践任务的说明
  13. 020 2.9-Practical-Task-A-Step-by-Step-Practical-Guide
  14. 020 实践任务：文本预处理
  15. 020 tripadvisor-hotel-reviews
  16. 021 补充笔记：使用 pandas 和 NLTK 进行文本预处理

22 — 22 – NLP 模块：识别词性和命名实体 (8 小节)

  1. 001 文本标注 (Text tagging)
  2. 002 Libraries-and-Code-Breakdown
  3. 002 词性 (POS) 标注
  4. 003 3.3-NER-new
  5. 003 命名实体识别 (NER)
  6. 005 关于实践任务的说明
  7. 006 实践任务：POS 和 NER
  8. 006 bbc-news

23 — 23 – NLP 模块：情感分析 (6 小节)

  1. 001 什么是情感分析 (Sentiment Analysis)
  2. 002 基于规则的情感分析 (Rule-based sentiment analysis)
  3. 003 预训练 Transformer 模型 (Pre-trained transformer models)
  4. 004 关于实践任务的说明
  5. 005 实践任务：情感分析
  6. 005 book-reviews-sample

24 — 24 – NLP 模块：文本向量化 (3 小节)

  1. 001 文本的数值表示 (Numerical representation of text)
  2. 002 词袋模型 (Bag of Words)
  3. 003 TF-IDF

25 — 25 – NLP 模块：主题建模 (9 小节)

  1. 001 什么是主题建模 (Topic Modelling)
  2. 002 何时使用主题建模
  3. 003 隐含狄利克雷分布 (LDA)
  4. 004 关于下一课的说明
  5. 005 Python 中的 LDA
  6. 005 news-articles
  7. 006 潜在语义分析 (LSA)
  8. 007 Python 中的 LSA
  9. 009 确定主题数量

26 — 26 – NLP 模块：构建你自己的文本分类器 (4 小节)

  1. 001 构建自定义文本分类器 (Custom text classifier)
  2. 002 逻辑回归 (Logistic Regression)
  3. 003 朴素贝叶斯 (Naive Bayes)
  4. 004 线性支持向量机 (Linear Support Vector Machine)

27 — 27 – NLP 模块：虚假新闻分类（案例研究） (10 小节)

  1. 001 关于案例研究的说明
  2. 002 项目介绍
  3. 002 fake-news-data
  4. 003 通过 POS 标签探索数据
  5. 004 提取命名实体 (NER)
  6. 005 处理文本
  7. 006 不同新闻类型的情感是否存在差异
  8. 007 虚假新闻中出现了哪些主题（第 1 部分）
  9. 008 虚假新闻中出现了哪些主题（第 2 部分）
  10. 009 使用自定义分类器对虚假新闻进行分类

28 — 28 – NLP 模块：NLP 的未来 (4 小节)

  1. 001 什么是深度学习 (Deep Learning)
  2. 002 用于 NLP 的深度学习
  3. 003 非英语 NLP
  4. 004 NLP 的下一步是什么

29 — 29 – LLMs 模块：大语言模型简介 (7 小节)

  1. 001 课程介绍
  2. 002 课程材料与 Notebook 代码文件
  3. 003 什么是大语言模型 (LLMs)
  4. 004 LLM 有多大
  5. 005 通用模型 (General purpose models)
  6. 006 预训练与微调 (Pre-training and Fine-tuning)
  7. 007 LLM 可以用来做什么

30 — 30 – LLMs 模块：Transformer 架构 (9 小节)

  1. 001 深度学习回顾 (Deep learning recap)
  2. 002 循环神经网络 (RNNs) 的问题
  3. 003 解决方案：Attention Is All You Need
  4. 004 Transformer 架构
  5. 005 输入嵌入 (Input embeddings)
  6. 006 多头注意力 (Multi-headed attention)
  7. 007 前馈层 (Feed-forward layer)
  8. 008 掩码多头注意力 (Masked multihead attention)
  9. 009 预测最终输出

31 – LLMs 模块：GPT 模型入门 (11 项)

  1. 001 GPT 的含义
  2. 002 ChatGPT 的发展
  3. 003 环境搭建
  4. 004 OpenAI API
  5. 005 生成文本
  6. 006 自定义 GPT 输出
  7. 007 关键词文本摘要
  8. 008 编写一个简单的聊天机器人
  9. 009 Python 中的 LangChain 简介
  10. 010 LangChain
  11. 011 为我们的聊天机器人添加自定义数据

32 – LLMs 模块：Hugging Face Transformers (6 项)

  1. 001 Hugging Face 包
  2. 002 Transformer 流水线 (Pipeline)
  3. 003 预训练分词器 (Tokenizers)
  4. 004 特殊词元 (Special Tokens)
  5. 005 Hugging Face 与 PyTorch/TensorFlow
  6. 006 保存和加载模型

33 – LLMs 模块：使用 BERT 的问答模型 (7 项)

  1. 001 GPT 对比 BERT
  2. 002 BERT 架构
  3. 003 加载模型和分词器
  4. 004 BERT 嵌入 (Embeddings)
  5. 005 计算响应
  6. 006 创建一个问答机器人
  7. 007 BERT, RoBERTa, DistilBERT

34 – LLMs 模块：使用 XLNet 的文本分类 (9 项)

  1. 001 GPT 对比 BERT 对比 XLNet
  2. 002 关于下一讲的说明
  3. 003 预处理我们的数据
  4. 003 emotion-labels-test（课件/文件）
  5. 003 emotion-labels-train（课件/文件）
  6. 003 emotion-labels-val（课件/文件）
  7. 004 XLNet 嵌入
  8. 005 微调 XLNet
  9. 006 评估我们的模型

35 – LangChain 模块：简介 (6 项)

  1. 001 课程简介
  2. 002 课程材料和笔记本 (Notebooks)
  3. 002 langchain-module-files（课件/文件）
  4. 003 LangChain 的商业应用
  5. 004 LangChain 的强大之处
  6. 005 课程涵盖哪些内容

36 – LangChain 模块：词元 (Tokens)、模型与价格 (2 项)

  1. 001 词元 (Tokens)
  2. 002 模型与价格

37 – LangChain 模块：环境搭建 (4 项)

  1. 001 为 Jupyter 集成设置自定义 Anaconda 环境
  2. 002 获取 OpenAI API 密钥
  3. 003 03-Setting-Up-the-Env-03（课件/文件）
  4. 003 将 API 密钥设置为环境变量

38 – LangChain 模块：OpenAI API (7 项)

  1. 001 04-The-OpenAI-API-01（课件/文件）
  2. 001 第一步
  3. 002 系统、用户和助手角色
  4. 003 04-The-OpenAI-API-03（课件/文件）
  5. 003 创建一个讽刺的聊天机器人
  6. 004 04-The-OpenAI-API-04（课件/文件）
  7. 004 Temperature、最大词元数和流式传输

39 – LangChain 模块：模型 I/O (13 项)

  1. 001 LangChain 框架
  2. 002 05-Model-IO-02（课件/文件）
  3. 002 ChatOpenAI
  4. 003 05-Model-IO-03（课件/文件）
  5. 003 系统与用户消息
  6. 004 05-Model-IO-04（课件/文件）
  7. 004 AI 消息
  8. 005 05-Model-IO-05（课件/文件）
  9. 005 提示词模板与提示词值
  10. 006 05-Model-IO-06（课件/文件）
  11. 006 聊天提示词模板与聊天提示词值
  12. 007 05-Model-IO-07（课件/文件）
  13. 007 少样本 (Few-shot) 聊天消息提示词模板

40 – LangChain 模块：输出解析器 (7 项)

  1. 001 07-Output-Parsers-01（课件/文件）
  2. 001 字符串输出解析器
  3. 002 07-Output-Parsers-02（课件/文件）
  4. 002 逗号分隔列表输出解析器
  5. 003 07-Output-Parsers-03-Updated（课件/文件）
  6. 003 07-Output-Parsers-03（课件/文件）
  7. 003 日期时间输出解析器

41 – LangChain 模块：LangChain 表达式语言 (LCEL) (20 项)

  1. 001 08-LCEL-01（课件/文件）
  2. 001 通过管道操作连接提示词、模型和输出解析器
  3. 002 08-LCEL-02（课件/文件）
  4. 002 批处理
  5. 003 08-LCEL-03（课件/文件）
  6. 003 流式传输
  7. 004 08-LCEL-04（课件/文件）
  8. 004 Runnable 和 RunnableSequence 类
  9. 005 08-LCEL-05（课件/文件）
  10. 005 通过管道操作连接链与 RunnablePassthrough 类
  11. 006 08-LCEL-06（课件/文件）
  12. 006 可视化 Runnable 图
  13. 007 08-LCEL-07（课件/文件）
  14. 007 RunnableParallel
  15. 008 08-LCEL-08（课件/文件）
  16. 008 将 RunnableParallel 与其他 Runnable 进行管道连接
  17. 009 08-LCEL-09（课件/文件）
  18. 009 RunnableLambda
  19. 010 08-LCEL-10（课件/文件）
  20. 010 @chain 装饰器

42 — 42 – LangChain 模块：检索增强生成 (RAG) (33 项)

  1. 001 如何将自定义数据集成到大语言模型 (LLM) 中
  2. 002 RAG 简介
  3. 003 文档加载与拆分简介
  4. 004 文档嵌入简介
  5. 005 文档存储、检索与生成简介
  6. 006 09-RAG-06
  7. 006 索引：使用 PyPDFLoader 加载文档
  8. 006 数据与数据科学简介 (Introduction-to-Data-and-Data-Science)
  9. 007 09-RAG-07
  10. 007 索引：使用 Docx2txtLoader 加载文档
  11. 007 数据与数据科学简介 (Introduction-to-Data-and-Data-Science)
  12. 008 索引：使用字符文本拆分器拆分文档（理论）
  13. 009 09-RAG-09
  14. 009 索引：使用字符文本拆分器拆分文档（代码实操）
  15. 010 09-RAG-10
  16. 010 索引：使用 Markdown 标题文本拆分器拆分文档
  17. 010 数据与数据科学简介 – 2 (Introduction-to-Data-and-Data-Science-2)
  18. 011 09-RAG-11
  19. 011 索引：使用 OpenAI 进行文本嵌入
  20. 012 09-RAG-12
  21. 012 索引：创建 Chroma 向量存储
  22. 013 09-RAG-13
  23. 013 索引：在向量存储中检查并管理文档
  24. 014 09-RAG-14
  25. 014 检索：相似度搜索
  26. 015 09-RAG-15
  27. 015 检索：最大边际相关性 (MMR) 搜索
  28. 016 09-RAG-16
  29. 016 检索：基于向量存储的检索器
  30. 017 09-RAG-17
  31. 017 生成：Stuff 策略合并文档
  32. 018 09-RAG-18
  33. 018 生成：生成响应

43 — 43 – LangGraph 模块：简介 (3 项)

  1. 001 欢迎来到本课程！
  2. 002 课程涵盖的内容
  3. 003 课程先决条件

44 — 44 – LangGraph 模块：环境搭建 (1 项)

  1. 001 环境搭建

45 — 45 – LangGraph 模块：图组件与实现 (11 项)

  1. 001 状态、节点与边
  2. 002 03-02-First-Graph
  3. 002 第一个图：导入相关类
  4. 003 03-03-First-Graph
  5. 003 第一个图：定义状态与节点
  6. 004 03-04-First-Graph
  7. 004 第一个图：构建图
  8. 005 03-05-Conditional-Edges
  9. 005 条件边：定义节点与路由函数
  10. 006 03-06-Conditional-Edges
  11. 006 条件边：构建图

46 — 46 – LangGraph 模块：消息管理 (12 项)

  1. 001 04-01-The-Annotated-Construct-and-Reducer-Functions
  2. 001 Annotated 类型标注结构与 Reducer 函数
  3. 002 04-02-Reducer-Functions-in-Action
  4. 002 实战中的 Reducer 函数
  5. 003 04-03-The-MessagesState-Class
  6. 003 MessagesState 类
  7. 004 04-04-The-RemoveMessages-Class
  8. 004 RemoveMessages 类
  9. 005 04-05-Trimming-Messages
  10. 005 修剪消息
  11. 006 04-06-Summarizing-Messages
  12. 006 总结消息

47 — 47 – LangGraph 模块：线程级持久化 (7 项)

  1. 001 检查点保存器 (Checkpointers) 与线程
  2. 002 05-02-Short-Term-Memory-with-the-InMemorySaver-Class
  3. 002 使用 InMemorySaver 类的短期记忆
  4. 003 05-03-The-StateSnapshot-Class
  5. 003 StateSnapshot 类
  6. 004 05-04-Long-Term-Memory-with-SQLite
  7. 004 使用 SQLite 的长期记忆

48 — 48 – 向量数据库模块：简介 (5 项)

  1. 001 课程简介
  2. 002 课程材料与笔记本 (Notebooks)
  3. 002 vector-db-module-files
  4. 003 数据库对比：SQL、NoSQL 与向量数据库
  5. 004 理解向量数据库

49 — 49 – 向量数据库模块：向量空间与高维数据基础 (3 项)

  1. 001 向量空间简介
  2. 002 向量空间中的距离度量
  3. 003 向量嵌入全流程演示

50 — 50 – 向量数据库模块 Pinecone 向量数据库介绍 (13 项)

  1. 001 向量数据库对比
  2. 002 Pinecone 注册、流程演示及创建索引
  3. 003 使用 Python 连接到 Pinecone
  4. 004 3.5-Pinecone-Homework-solution
  5. 004 作业
  6. 005 3.3-Introduction-to-Pinecone
  7. 005 使用 Python 创建和删除 Pinecone 索引
  8. 006 3.4-Introduction-to-Pinecone
  9. 006 向 Pinecone 向量数据库更新插入 (Upserting) 数据
  10. 007 3.Pinecone-Intro-Full
  11. 007 了解 FineWeb 数据集并将其加载到 Jupyter
  12. 008 3-Fineweb-VectorDB
  13. 008 从文本文件更新插入数据并使用嵌入算法

51 — 51 – 向量数据库模块 使用 Pinecone 进行语义搜索及自定义案例研究 (28 项)

  1. 001 语义搜索简介
  2. 002 案例研究简介 —— 数据科学课程智能搜索
  3. 003 了解案例研究的数据
  4. 003 course-descriptions
  5. 004 数据加载与预处理
  6. 005 4.365-Courses-Vector-Store-Data-Preprocessing
  7. 005 Pinecone Python API 及连接到 Pinecone 服务器
  8. 006 嵌入算法
  9. 007 4.365-Courses-Vector-Store-Creating-Index
  10. 007 嵌入数据并将文件更新插入到 Pinecone
  11. 008 4.365-Courses-Vector-Store-Embedding
  12. 008 相似度搜索与数据查询
  13. 009 如何更新和更改您的向量数据库
  14. 010 包含章节数据的课程数据预处理与嵌入
  15. 010 course-section-descriptions
  16. 011 4.10-Pinecone-Semantic-Search-Course-Description-weighted-assignment
  17. 011 作业 2
  18. 012 4.365-Courses-and-Sections-Semantic-Search-Embedding
  19. 012 将更新后的文件更新插入到 Pinecone
  20. 013 4.365-Courses-and-Sections-Semantic-Search-Upserting-the-data
  21. 013 相似度搜索与课程及章节数据查询
  22. 014 作业 3
  23. 014 Pinecone-Semantic-Search-Course-Section-Weighted
  24. 015 4.365-Courses-and-Sections-Semantic-Search
  25. 015 使用 BERT 嵌入算法
  26. 016 用于推荐引擎的向量数据库
  27. 017 用于语义图像搜索的向量数据库
  28. 018 用于生物医学研究的向量数据库

52 — 52 – 语音识别模块 简介 (6 项)

  1. 001 欢迎来到语音识别的世界
  2. 002 下载
  3. 002 模块资源
  4. 003 课程方法
  5. 004 溯源：共振峰、谐波与音素
  6. 005 发展与演变

53 — 53 – 语音识别模块 声音与语音基础 (3 项)

  1. 001 人类如何识别语音
  2. 003 声音与声波基础
  3. 004 声波特性

54 — 54 – 语音识别模块 模数转换 (2 项)

  1. 001 核心概念：采样率、位深与比特率
  2. 002 用于机器学习和人工智能的音频信号处理

55 — 55 – 语音识别模块 用于 AI 应用的音频特征提取 (4 项)

  1. 001 时域音频特征
  2. 002 频域和时频域音频特征
  3. 003 时域特征提取：分帧与特征计算
  4. 004 频域特征提取：傅里叶变换

56 — 56 – 语音识别模块 技术原理 (8 项)

  1. 001 声学与语言建模
  2. 002 隐马尔可夫模型 (HMMs) 与传统神经网络
  3. 003 深度学习模型：CNNs、RNNs 与 LSTMs
  4. 004 高级语音识别系统：Transformers
  5. 005 构建语音识别模型（第一部分）
  6. 006 构建语音识别模型（第二部分）
  7. 007 选择合适的语音识别工具
  8. 008 进阶：探索更多工具

57 — 57 – 语音识别模块 环境搭建 (5 项)

  1. 001 安装 Anaconda
  2. 002 设置新环境
  3. 003 安装语音识别相关的包
  4. 003 Setting-Up-Packages-for-Speech-Recognition
  5. 004 在 Jupyter 中导入相关包

58 — 58 – 语音识别模块：使用 Google Web Speech API 转录音频 (7 项)

  1. 001 语音识别的音频文件格式
  2. 002 在 Jupyter Notebook 中导入音频文件
  3. 002 Speech-Recognition-with-Python
  4. 002 speech-01
  5. 003 SpeechRecognition 库与 Google Web Speech API
  6. 004 评估指标 WER 和 CER
  7. 005 在 Python 中计算 WER 和 CER

59 — 59 – 语音识别模块：背景噪声与语谱图 (3 项)

  1. 001 理解音频文件中的噪声
  2. 002 用 Python 创建语谱图
  3. 003 处理背景噪声

60 — 60 – 语音识别模块：使用 OpenAI 的 Whisper 转录音频 (7 项)

  1. 001 9.1 基于 Transformer 的 Whisper AI 语音转文本
  2. 001 Speech-Recognition-with-Python
  3. 002 关于差异性的说明
  4. 003 录音
  5. 003 转录目录中的多个音频文件
  6. 004 将音频转录保存为 CSV 以便分析
  7. 005 反向应用：AI 驱动的文本转语音

61 — 61 – 语音识别模块：最终讨论与未来方向 (3 项)

  1. 001 现代实践与应用
  2. 002 挑战与局限
  3. 003 AI 语音识别的未来

62 — 62 – LLM 工程模块：导论 (3 项)

  1. 001 课程介绍
  2. 002 课程涵盖内容
  3. 003 面试工具详情

63 — 63 – LLM 工程模块：规划阶段 (10 项)

  1. 001 托管 LLM 与使用 API 的对比
  2. 002 开源与闭源模型对比
  3. 003 词元 (Tokens)
  4. 004 定价：托管 LLM 与按词元付费的对比
  5. 005 初始提示词开发（第一部分）
  6. 006 初始提示词开发（第二部分）
  7. 007 数据库设计与模式开发
  8. 008 什么是活动图
  9. 009 创建活动图
  10. 010 规划阶段总结

64 — 64 – LLM 工程模块：编写与测试 AI 提示词 (6 项)

  1. 001 为您的 OpenAI API 账户充值
  2. 002 OpenAI Playground (游乐场)
  3. 003 Model-Settings-Usecases
  4. 003 为不同用例优化 Temperature 和 Top P
  5. 004 用于软件开发的提示工程
  6. 005 如何测试提示词模板

65 — 65 – LLM 工程模块：了解 Streamlit (7 项)

  1. 001 环境搭建
  2. 002 Streamlit 的优缺点
  3. 003 Streamlit 元素：标题、页眉和格式化
  4. 004 Streamlit 元素：文本方法
  5. 005 Streamlit 元素：聊天元素
  6. 006 会话状态 (Session State)
  7. 006 session-st-solution

66 — 66 – LLM 工程模块：开发原型 (13 项)

  1. 001 初始化 OpenAI 客户端
  2. 002 实现聊天功能
  3. 002 app1
  4. 003 构建设置页面
  5. 003 app2
  6. 004 利用会话状态增强聊天机器人交互
  7. 004 app3
  8. 005 完善我们的项目
  9. 006 实现反馈功能（第一部分）
  10. 007 实现反馈功能（第二部分）
  11. 007 app
  12. 008 将您的项目上传到 GitHub
  13. 009 部署您的 Streamlit 应用

67 — 67 – LLM 工程模块：解决现实世界的 AI 挑战 (11 项)

  1. 001 简介
  2. 002 应用结构
  3. 003 HR 面试的提示词结构
  4. 004 技术面试的提示词结构
  5. 005 额外的错误防护
  6. 006 幻觉
  7. 007 提示词注入
  8. 008 计算词元 (Tokens) 数量
  9. 009 降低成本
  10. 010 规模化
  11. 011 结论

68 — 68 – AI 伦理模块：AI 与数据伦理导论 (6 项)

  1. 001 课程涵盖内容
  2. 002 AI-Ethics-Course-Notes
  3. 002 AI-Lifecycle-Infographic
  4. 002 AI 生命周期：从数据收集到 model 应用
  5. 003 为什么 AI 伦理比以往任何时候都重要
  6. 004 伦理与法律

69 — 69 – AI 伦理模块：AI 伦理的核心原则 (4 项)

  1. 001 隐私
  2. 002 透明度
  3. 003 问责制
  4. 004 公平性

第 70 模块：数据收集伦理 (6 个项目)

  1. 001 数据合规来源与类型
  2. 002 专有数据
  3. 003 公开数据
  4. 004 网页抓取数据
  5. 005 处理敏感和受保护信息
  6. 006 数据偏差与公平代表性

第 71 模块：AI 开发伦理 (6 个项目)

  1. 001 使用标注数据的伦理挑战
  2. 002 未标注数据的伦理考量
  3. 003 无监督训练中的伦理挑战
  4. 004 有监督微调的伦理考量
  5. 005 RLHF 与伦理 AI 行为
  6. 006 包容且公平的 AI 开发实践

第 72 模块：AI 部署伦理 (6 个项目)

  1. 001 AI 交互中的知识产权与用户同意
  2. 002 基础模型开发者的伦理责任
  3. 003 基础模型开源数据中的常见问题
  4. 004 不一致性
  5. 005 幻觉
  6. 006 已部署 AI 的持续监控与风险缓解

第 73 模块：面向企业用户的 AI 伦理 (4 个项目)

  1. 001 各种规模的企业获取 AI 技术的途径
  2. 002 AI 决策过程中的透明度
  3. 003 企业对 AI 输出内容的伦理使用
  4. 004 企业负责任的 AI 采用与风险管理

第 74 模块：面向个人用户的 AI 伦理 (3 个项目)

  1. 001 获取 AI 技术的公平性
  2. 002 人机协作中的伦理考量
  3. 003 负责任地使用 AI 生成的输出内容

第 75 模块：ChatGPT 伦理 (6 个项目)

  1. 001 了解 ChatGPT
  2. 002 ChatGPT 的隐私担忧
  3. 003 OpenAI 的隐私政策与数据处理
  4. 004 虚假信息与 AI 生成内容
  5. 005 ChatGPT 剽窃问题
  6. 006 ChatGPT 与环境

第 76 模块：数据与 AI 监管框架 (5 个项目)

  1. 001 全球 AI 与数据监管
  2. 002 欧盟 GDPR 与欧盟人工智能法案
  3. 003 美国各州的 AI 监管
  4. 004 亚太地区：强有力的政府管控
  5. 005 非洲对 AI 治理的推动

第 77 模块：加餐内容 (1 个项目)

  1. 001 赠送讲座

要求

  • 无需先验经验。我们将从最基础的内容开始。
  • 您需要安装 Anaconda。我们将一步步向您演示如何操作。

描述

问题所在

AI 工程师是 AI 时代最能大展宏图的职业。该岗位致力于帮助企业利用生成式 AI，在现有网站、应用和数据库的基础上构建 AI 驱动的应用程序。因此，就业市场对 AI 工程师的需求激增也就不足为奇了。

然而，人才供给一直匮乏，获得被聘为 AI 工程师所需的技能也颇具挑战。

那么，如何实现这一目标呢？

大学在开设专注于实际 AI 工程技能的专业课程方面进展缓慢。少数现有的尝试往往既昂贵又耗时。

大多数在线课程只提供 ChatGPT 速成套路和孤立的技术技能，而如何整合这些技能依然是个难题。

解决方案

AI 工程是一个多学科领域，涵盖：

  • AI 原理与实际应用
  • Python 编程
  • Python 自然语言处理
  • 大语言模型与 Transformer
  • 使用 LangChain 等编排工具开发应用
  • 使用 PineCone 的向量数据库
  • 创建 AI 驱动的应用

每个主题都环环相扣，跳过步骤可能会导致困惑。例如，应用大语言模型需要熟悉 LangChain——正如如果没有基础的 Python 编程技能，学习自然语言处理会让人无从下手。

因此，我们创建了 2025 年 AI 工程师训练营，旨在提供在线最有效、最省时且系统化的 AI 工程培训。

本开创性培训计划整合了所有核心资源，扫清了进入 AI 工程领域最主要障碍。

我们的课程旨在将相互关联的主题有机结合，实现无缝教学——以远低于传统项目的成本和时间投入，提供成为 AI 工程师所需的一切。

核心技能

1. 人工智能导论

结构化和非结构化数据、监督和无监督机器学习、生成式 AI 以及基础模型——这些都是耳熟能详的 AI 流行语，但它们究竟意味着什么？

为什么要学习 AI？ 通过引导式探索，你将深入了解 AI 基础知识、高质量数据的重要性、核心技术、生成式 AI，以及 GPT、Llama、Gemini 和 Claude 等先进模型的开发，从而获得对该领域的深刻见解。

2. Python 编程

精通 Python 编程是成为优秀 AI 开发者的必经之路——仅靠无代码工具是远远不够的。

Python 是一种现代通用编程语言，适用于构建 Web 应用、电脑游戏和处理数据科学任务。其丰富的库生态系统使其成为开发 AI 模型的理想选择。

为什么要学习 Python 编程？

Python 编程将成为你与 AI 模型沟通、并将模型功能集成到产品中的核心工具。

3. Python NLP 导论

探索自然语言处理（NLP），学习使计算机能够理解、生成和分类人类语言的技术。

为什么要学习 NLP？

NLP 是尖端生成式 AI 模型的基础。本计划将赋予你开发 AI 系统所需的核心技能，使其能与人类语言进行有意义的交互。

4. 大语言模型导论

本模块通过教授如何利用大语言模型（LLM）的强大功能，进一步提升你的自然语言处理技能。你将学习 Transformer 架构、GPT、LangChain、HuggingFace、BERT 和 XLNet 等关键工具。

为什么要学习 LLM？

本模块是你理解大语言模型运作机制的门户，并教你如何应用它们来解决需要深度上下文理解的复杂语言任务。

5. 使用 LangChain 构建应用程序

LangChain 是一个通过链接可互操作组件，实现 AI 驱动应用无缝开发的框架。

为什么要学习 LangChain？

学习如何构建具备推理能力的应用程序。LangChain 助力开发者创建复杂的系统，将语言模型、数据库和推理算法等独立组件相互连接，从而增强整体功能。

6. 向量数据库

随着 AI 技术的演进，向量化和向量数据库的重要性日益凸显。在“使用 Pinecone 的向量数据库”模块中，你将有机会深入探索领先的向量数据库解决方案——Pinecone。

为什么要学习向量数据库？

学习向量数据库至关重要，它能让你高效管理和查询机器学习与 AI 应用中常见的大规模高维数据。掌握这些技术技能，你将能够部署性能优化的 AI 驱动应用。

7. 使用 Python 进行语音识别

深入探索迷人的语音识别领域，了解 AI 系统如何将口语转化为实用的见解。本模块涵盖音频处理、声学建模等基础概念，以及使用 Python 构建语音转文本应用的高级技术。

为什么要学习语音识别？

语音识别是语音助手、自动转录工具和语音驱动交互界面的核心。掌握这项技能，你将能创建与用户自然交互的应用，并充分释放 AI 解决方案中音频数据的潜力。

你将获得

  • 价值 1,250 美元的 AI 工程培训计划

  • 活跃的问答支持

  • AI 工程师就业必备技能
  • AI 学习者社区访问权限
  • 结业证书
  • 课程内容持续更新
  • 助力就业的真实商业案例实战

我们致力于助你从零开始转型 AI 工程师，并提供 30 天无条件全额退款保证。

凭借卓越的课程内容，零风险加入，我们坚信你会爱上这门课。

还在犹豫什么？虚度一日，便是错失良机。立即点击“立即购买”按钮，加入我们的 AI 工程师培养计划。

本课程适合人群

  • 立志成为 AI 工程师或对该领域感兴趣的人士
  • 追求理想职业生涯、渴望大好前程的学习者
  • 零基础初学者：课程从基础讲起，循序渐进夯实你的实战技能

主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网