# 人工智能就业课 【课程大纲】
## 1.学科编辑要求说明
1．补充标题3《学科编辑请更新如下内容》，标题结构不可删减。
2.具体内容请根据学科实际填写和增删条数。
3．项目展示需配图。
## 2.设计需求说明
3.学科编辑请更新如下内容
a. 一句话学科概括语
解锁「大模型」 新技能成就「高薪AI」人才
人工智能开发学科主要涵盖自然语言处理、大模型等领域的前沿技术与实战项目，旨在帮助学员掌握相关模型原理与应用，提升AI大模型专业技能与实践能力，以满足企业对高素质人才的需求。
b.课程介绍（一段话）：
大模型时代来袭抢抓就业薪机遇
人工智能开发学科经过多年课程积淀与迭代，紧跟人工智能市场实际需求，不断对课程进行打磨升级，涵盖了互联网前沿技术及企业级实战项目，培养大模型应用型开发人才。
随着大模型时代的到来，人工智能技术和应用发展越来越快，但是以往的人工智能开
发门槛高、入门难，为了帮助梦想进入人工智能行业的学生找到更适宜的入门途径，人工智能学科全新升级——人工智能开发V6.0课程。
学习人工智能开发，以机器学习技术栈完成数据挖掘任务，以深度学习技术栈完成NLP 自然语言处理与大模型开发任务，成为懂 AI、能实战的大模型应用开发人才。
## 课程优势
优势一：热门岗位覆盖(匹配企业岗位需求，拓宽你的职业选择)
大模型方向：设计、实现和优化大规模深度学习模型，包括数据预处理、模型架构设计、训练调优、性能优化以及模型部署，以推动AI大模型技术在各种应用场景中的高效落地与规模化应用
自然语言处理(NLP)方向：通过处理和分析文本数据，实现语言翻译、情感分析、自动摘要、聊天机器人等功能。使计算机能够理解和生成人类语言。
优势二：与大厂深入合作（共建大模型课程，助你掌握前沿技术，增强就业竞争力)
优势三：定制垂直行业大模型专项领域赋能（打造就业速度快、就业薪资高的专精AI大模型人才)
优势四：覆盖NLP、大模型解决方案和技术栈（一个方案解决多个业务问题)
### 优势四
### 覆盖NLP、大模型解决方案和经典技术栈
### 课程新增技术
新增：大模型开发基础与项目
升级：机器学习
升级：自然语言处理项目1
升级：自然语言处理项目
整体内容目录：
第一部分：大模型语言基础
第二部分：大模型语言进阶
第三部分：数据处理与统计分析
第四阶段：机器学习
第五阶段：深度学习基础
第六阶段：NLP自然语言处理基础
第七部分：自然语言处理项目1
第八部分：自然语言处理项目2
第九部分：大模型开发基础与项目
赠送内容一：图像分析基础
赠送内容二：多模态大模型综合项目
## 课程大纲
### 第一部分：大模型语言基础
#### 可解决的现实问题：
熟练掌握人工智能Python 语言，建立编程思维，使学员能够熟练使用Python 技术完成基础程序编写。
#### 可掌握的核心竞争力：
1．掌握Python开发环境基本配置
2．掌握运算符、表达式、流程控制语句、容器等的使用
3．掌握字符串的基本操作
4．掌握函数的定义及使用
5．熟悉异常捕获的基本流程及使用方式
<html><body><table><tr><td>模块</td><td>技术要点</td></tr><tr><td>计算机原理与Python 基础 入门</td><td>1.变量2.注释3.标识符和关键字 4.输入输出5.数据类型转换</td></tr><tr><td>Python判断语句</td><td>1.if判断语句语法格式 2.比较/关系运算符</td></tr><tr><td>循环进阶与字符串容器</td><td>1.while语句语法格式2.while 循环嵌套 3.break 和 continue4.while 循环案例 5.for循环6.字符串定义语法格式 7.字符串遍历8.下标和切片9.字符串常见操作</td></tr><tr><td>Python容器</td><td>1.列表语法格式2.列表的遍历3.列表常见操作 4.列表嵌套5.列表推导式6.元组语法格式7.元组操作 8.字典语法格式9.字典常见操作10.字典的遍历</td></tr><tr><td>Python函数</td><td>1.函数概念和作用、函数定义、调用 2.函数的参数3.函数的返回值4.函数的注释 5.函数的嵌套调用6.可变和不可变类型7.局部变量 8.全局变量9.组包和拆包、引用</td></tr><tr><td>Python文件操作</td><td>1.文件的打开与关闭、文件的读写 2.文件、目录操作及案例 3.os 模块文件与目录相关操作</td></tr><tr><td>Python异常、模块与包</td><td>1.异常概念2.异常捕获3.异常的传递4.模块介绍 5.模块的导入6.包的概念7.包的导入8.模块中的__all_ 9.模块中_name_</td></tr><tr><td>聊天机器人实战</td><td>1.Streamlit 入门 2.Langchain 简介 3.聊天机器人搭建</td></tr></table></body></html>
#### 大模型语言基础实战案例：
项目介绍：
本项目结合了Streamlit和LangChain，构建了一个具备上下文记忆和复杂任务处理能力的智能聊天机器人。Streamlit提供了简洁易用的界面，LangChain 负责对话逻辑和任务链执行，支持定制化对话流程和知识库查询。项目适用于客户服务、学习助手、知识管理等多种场景，具备快速开发、高度可定制和强扩展性的优势。
#### 可解决的现实问题：
1-基于Streamlit完成chatgpt界面设计
2-基于LangChain完成通义模型调用
3-基于LangChain $^+$ Streamlit完成chatgpt机器人案例开发
#### 可掌握的核心竞争力：
1．了解Streamlit作用及Streamlit框架的安装
2．能够基于Streamlit完成chatgpt界面设计
3．了解 LangChain 框架的作用及 LangChain 框架组成
4. 能够基于LangChain完成通义模型调用
5．能够基于LangChain $.+$ Streamlit完成chatgpt机器人案例开发
### 第二部分：大模型语言进阶
#### 可解决的现实问题：
熟练使用Python，建立面向对象程序设计思想，掌握人工智能开发必备Python 高级语法。
#### 可掌握的核心竞争力：
1.初步建立面向对象的编程思维
2．掌握类和对象的基本使用方式
3．掌握网络编程技术，能够实现网络通讯
4．知道通讯协议原理
5．掌握开发中的多任务编程实现方式
6.知道多进程多线程的原理
<html><body><table><tr><td>模块</td><td></td></tr><tr><td>面向对象</td><td>1.面向对象介绍2.类的定义和对象的创建 3.添加和获取对象属性4.self参数5.init方法6.继承 7.子类方法重写8.类属性和实例属性 9.类方法、实例方法、静态方法</td></tr><tr><td>深拷贝浅拷贝</td><td>1.深浅拷贝</td></tr><tr><td>闭包和装饰器</td><td>1.闭包2.装饰器</td></tr><tr><td>网络编程</td><td>1.IP地址的介绍2.端口和端口号的介绍3.TCP的介绍 4.Socket的介绍5.TCP网络应用的开发流程 6.基于TCP通信程序开发</td></tr><tr><td>多线程和生成器</td><td>1.多任务介绍2.多进程的使用3.多线程的使用 4.线程同步5.生成器</td></tr><tr><td>正则表达式</td><td>1.正则表达式</td></tr></table></body></html>
### 第三部分：数据处理与统计分析
#### 可解决的现实问题：
掌握SQL及Pandas完成数据分析与可视化操作。
#### 可掌握的核心竞争力：
1．掌握Linux常用命令，为数据开发后续学习打下的良好基础
2．掌握MySQL数据库的使用
3. 掌握SQL语法
4. 掌握使用Python操作数据库
5. 掌握Pandas案例
6．知道绘图库使用
7．掌握Pandas数据ETL
8.掌握Pandas数据分析项目流程
<html><body><table><tr><td>模块</td><td>技术要点</td></tr><tr><td>Linux</td><td>1.Linux命令使用 2.Linux命令选项的使用 4.Linux权限管理</td></tr><tr><td>MySQL基础</td><td>1.数据库概念和作用 2.MySQL数据类型 3.数据完整性和约束4.数据库、表基本操作命令</td></tr><tr><td>单表查询VS多表查询</td><td>5.表数据操作命令 6.where子句 1.分组聚合 2.连接查询 3.外键的使用</td></tr><tr><td>Python数分入门</td><td>1.Anaconda 2.Jypyter 3.Python数据分析</td></tr><tr><td>Numpy 矩阵运算库</td><td>1.Numpy运算优势，数组的属性，数组的形状 2.Numpy实现数组基本操 3.Numpy实现数组运算，矩阵乘法</td></tr><tr><td>Pandas 数据清洗</td><td>1.数据组合:01_Pandas 数据组合_concat连接;02_Pandas 数据 组合_merge数据;03_Pandas数据组合_join 2.缺失值处理：01_缺失值处理介绍;02_缺失值处理_缺失值数量统 计;03_缺失值处理;04_缺失值处理_删除缺失值;05_缺失值处理_ 填充缺失值 3.Pandas数据类型 4.apply 函数: 01_Series 和 DataFrame 的 apply 方法; 02_apply 使用案例</td></tr><tr><td>Pandas数据整理</td><td>1.数据分组：01_单变量分组聚合;02_通过调用agg进行聚合;03_ 分组后 transform; 04_transform 练习 2.Pandas透视表:01_透视表概述&绘员存量增量分析;02_绘员增 量等级分布;03_增量等级占比分析&整体等级分布;04_线上线下增</td></tr></table></body></html>
<html><body><table><tr><td></td><td>量分析 3.datetime数据类型:01_日期时间类型介绍;02_提取日期分组案 例;03_股票数据处理;04_datarange函数;05_综合案例</td></tr><tr><td>Pandas数据可视化</td><td>1.Matplotlib 可视化 2.Pandas可视化 3.Seaborn可视化</td></tr><tr><td>RFM项目</td><td>1.RFM概念介绍2.RFM项目_数据加载和数据处理 3.RFM项目_RFM计算 4.RFM项目_RFM可视化 5.RFM项目_业务解读和小结</td></tr></table></body></html>
### 第四部分：机器学习
#### 可解决的现实问题：
掌握机器学习基本概念，利用多场景案例强化机器学习建模。
#### 可掌握的核心竞争力：
1．掌握机器学习算法基本原理
2．掌握使用机器学习模型训练的基本流程
3．掌握Sklearn等常用机器学习相关开源库的使用
4．熟练使用机器学习相关算法进行预测分析
<html><body><table><tr><td>模块</td><td>技术要点</td></tr><tr><td>机器学习入门</td><td>1.人工智能概述 2.机器学习开发流程和用到的数据介绍 3.特征工程介绍4.机器学习算法分类 5.机器学习模型评估6.机器学习开发环境</td></tr><tr><td>KNN算法</td><td>1.K近邻算法基本原理2.K近邻算法进行分类预测 3.sklearn 实现knn4.训练集测试集划分 5.分类算法的评估6.归一化和标准化7.超参数搜索</td></tr><tr><td>线性回归算法</td><td>1.线性回归简介2.线性回归API使用初步 3.导数回顾4.线性回归的损失函数和优化方法 5.梯度下降推导6.波士顿房价预测案例 7.欠拟合和过拟合8.模型的保存和加载</td></tr></table></body></html>
<html><body><table><tr><td></td><td>9.线性回归应用-回归分析</td></tr><tr><td>逻辑回归算法</td><td>1.逻辑回归简介2.逻辑回归API应用案例 3.分类算法评价方法4.逻辑回归应用_分类分析</td></tr><tr><td>决策树算法</td><td>1.决策树算法简介2.决策树分类原理 3.特征工程-特征提取4.决策树算法api5.决策树案例</td></tr><tr><td>集成学习算法</td><td>1.集成学习算法简介2.Bagging和随机森林 3.随机森林案例4.Boosting介绍 5.GBDT介绍6.XGBOOST介绍</td></tr><tr><td>KMeans算法</td><td>1.聚类算法的概念2.聚类算法API的使用 3.聚类算法实现原理4.聚类算法的评估5.聚类算法案例</td></tr><tr><td>数据挖掘案例-电力负荷预测</td><td>1.时序预测介绍2.实现电力负荷预测案例</td></tr></table></body></html>
### 第五部分：深度学习基础
#### 可解决的现实问题：
掌握深度学习基础及神经网络经典算法；掌握全球热门的PyTorch技术。
#### 可掌握的核心竞争力：
1.Pytorch工具处理神经网络涉及的关键点
2．掌握神经网络基础知识
3．掌握反向传播原理
4．了解深度学习正则化与算法优化
5．掌握卷积神经网络（CNN）
6．掌握循环神经网络（RNN）
<html><body><table><tr><td>模块</td><td>技术要点</td></tr><tr><td>Pytorch深度学习 框架</td><td>2.深度学习发展历史</td></tr></table></body></html>
<html><body><table><tr><td></td><td>6.张量运算 7.反向传播 8.梯度，自动梯度 9.参数更新 10.数据加载器</td></tr><tr><td>神经网络基础</td><td>1.神经网络基础：神经网络的构成、激活函数、损失函数、优化方法 及正则化 2.反向传播原理：梯度下降算法、链式法则、反向传播算法、改善反 向传播算法性能的迭代法 3.深度学习正则化与算法优化：L1、L2、 DropOut、BN、SGD、 RMSProp、Adagrad、Adam</td></tr><tr><td>卷积神经网络</td><td>4.实现多层神经网络案例 1.图像基础知识 2.卷积神经网络CNN 的构成 3.卷积层计算 4.全连接层的作用 5.池化层</td></tr><tr><td>循环神经网络</td><td>6.基于Cifar10的图像分类案例 1.自然语言处理概述 2.词嵌入的作用 3.RNN的原理 4.RNN实现 5.基于RNN实现文本生成案例</td></tr></table></body></html>
### 第六部分：NLP自然语言处理基础
#### 可解决的现实问题：
掌握自然语言处理基础算法，诸如 RNN、LSTM、GRU、Transformer、BERT 等技术；掌握NLP领域前沿的技术解决方案。
#### 可掌握的核心竞争力：
1．掌握NLP领域前沿的技术解决方案
2．了解NLP应用场景
3．掌握NLP相关知识的原理和实现
4．掌握传统序列模型的基本原理和使用
5．掌握非序列模型解决文本问题的原理和方案
6．能够使用pytorch搭建神经网络
7.构建基本的语言翻译系统模型
8．构建基本的文本生成系统模型
9．构建基本的文本分类器模型
10.使用FastText进行快速的文本分类
11.胜任多数企业的NLP工程师的职位
<html><body><table><tr><td>模块</td><td>技术要点</td></tr><tr><td>自然语言处理基础</td><td>1.自然语言处理的概念 2.自然语言处理的发展简史 3.自然语言处理的应用场景</td></tr><tr><td>文本处理的基本方法</td><td>1.虚拟环境的配置和安装 2.文本处理基本方法类型 3.jieba分词 4.命名实体识别的原理</td></tr><tr><td>文本张量的表示方法</td><td>1.one-hot词向量原理与实现 2.word2vec-cbow模型的原理 3.word2vec-skipgram 模型的原理 4.基于fasttext实现word2vec词向量的训练 5.word Embedding 的原理与实现</td></tr><tr><td>文本数据分析+特征处 理+数据增强</td><td>1.获取标签数量分布 2.获取句子长度分布 3.获取正负样本长度散点分布 4.获取不同词汇总数统计 5.词云 6. n-gram 特征 7.文本长度规范及其作用 8.回译数据增强方法实现文本扩增</td></tr></table></body></html>
<html><body><table><tr><td>RNN系列模型</td><td>1.RNN模型原理、类别与结构分析 2.LSTM模型结构分析 3.Bi-LSTM模型原理介绍 4.使用Pytorch 构建LSTM 模型 5.GRU 模型结构分析 6.Bi-GRU 模型原理介绍</td></tr><tr><td>人名分类器案例</td><td>7.使用 Pytorch 构建 GRU 模型 1.文本分类（人名分类器案例）</td></tr><tr><td>注意力机制</td><td>1.注意力机制原理介绍 2.Attention 计算逻辑 3.有无Attention 模型对比 4.注意力计算规则 5.什么是深度神经网络注意力机制 6.注意力机制的作用</td></tr><tr><td>Seq2Seq英译法案例</td><td>7.注意力机制实现步骤 1.文本翻译（Seq2Seq英译法案例）</td></tr><tr><td>transformer 输入+编 码器架构</td><td>1.输入部分介绍 2.文本嵌入层的作用 3.位置编码器的作用 4.位置编码器的代码分析 5.掩码张量介绍 6.掩码张量的作用 7.生成掩码张量的代码分析 8.注意力计算规则的代码分析 9.带有mask的输入参数 10.多头注意力机制概念 11.多头注意力机制的代码实现 12.前馈全连接层 13.前馈全连接层的代码分析 14.规范化层的作用 15.规范化层的代码实现 16.子层连接结构</td></tr></table></body></html>
<html><body><table><tr><td>1.解码器层的作用</td><td>18.编码器层的作用 19.编码器层的代码分析 20.编码器的作用 21编码器的代码分析</td></tr><tr><td>transformer 输出+解 码器架构</td><td>2.解码器层的代码实现 3.解码器的作用 4.解码器的代码分析 5.输出部分介绍 6.线性层的作用 7.softmax 层的作用 8.线性层和softmax层的代码分析 9.编码器-解码器结构的代码实现</td></tr><tr><td>FastText工具应用</td><td>10.Transformer 模型构建过程的代码分析 1.讲解FastText工具的概念和原理 2.安装FastText工具包 3.分析FastText模型的原理 4.讲解层次softmax方法的原理 5.讲解负采样方法的原理 6.基于FastText实现词向量的训练 7.基于FastText实现文本分类</td></tr><tr><td>迁移学习介绍</td><td>8.基于FastText实现词向量的迁移 1讲解迁移学习有关概念 2.理解什么是预训练模型(Pretrained model) 3.掌握预训练模型的应用方式微调(Fine-tuning) 4.了解NLP中常见评估数据集 5.了解NLP中的常见预训练模型</td></tr><tr><td>迁移学习案例实践</td><td>6.掌握transformers 库的三种使用方式 1.迁移学习案例实践（中文分类、中文填空、中文句子关系）</td></tr></table></body></html>
### 第七部分（项目阶段）：自然语言处理项目1
项目配图：
#### 可解决的现实问题：
海量文本快速分类基线模型解决方案
基于预训练模型优化的解决方案
模型量化优化的解决方案
模型剪枝优化的解决方案
模型知识蒸馏优化的解决方案
主流迁移学习模型微调优化的解决方案
#### 可掌握的核心竞争力：
1．基于大规模业务留存数据构建快速文本分类系统
2. 基于推荐系统内部分频道投递的需求，快速搭建短文本精准分类投递的模型
3. 基于随机森林和FastText搭建快速基线模型，验证业务通道的能力
4. 基于BERT的迁移学习优化模型搭建的能力
5. 实现神经网络量化的优化与测试
6. 实现神经网络剪枝的优化与测试
7．实现神经网络知识蒸馏的优化与测试
8. 更多主流预训练模型的优化与深度模型剖析
9. BERT模型在生成式任务和工程优化上的深入扩展
<html><body><table><tr><td>模块</td><td>技术要点</td></tr><tr><td>基线模型1.0</td><td>1.项目背景介绍</td></tr></table></body></html>
<html><body><table><tr><td></td><td>2.实现基于随机森林的基线模型1.0</td></tr><tr><td>基线模型2.0</td><td>实现基于FastText的基线模型2.0</td></tr><tr><td>迁移学习优化</td><td>实现基于BERT的迁移学习模型搭建和训练,并对比模型关键 指标的提升</td></tr><tr><td>模型的量化</td><td>实现对大型预训练模型的量化，并对比原始模型与量化模型 的差异</td></tr><tr><td>模型的剪枝</td><td>实现对模型的剪枝的操作，包含主流的对特定网络模块的剪 枝，多参数模块的剪枝，全局剪枝，用户自定义剪枝，包含 处理细节和理论知识</td></tr><tr><td>迁移学习微调</td><td>BERT模型微调</td></tr><tr><td>模型的知识蒸馏</td><td>详细解析知识蒸馏的原理和意义，并实现知识蒸馏模型的搭 建，对比知识蒸馏后的新模型的优异表现，并做详细的对比 测试</td></tr></table></body></html>
### 第八部分（项目阶段）：自然语言处理项目2
配图：
#### 项目流程图：
#### 可解决的现实问题：
1．智能搜索优化——利用语义理解与实体关联提升搜索准确性(图谱智能搜索)
2．医疗诊断与研发——构建医疗知识图谱，支持疾病诊断及药物研发
3．高效知识存储与查询——基于Neo4j存储与查询SPO三元组数据
4．智能问答系统——结合NLU与知识图谱实现精准问答
5．异构数据整合——通过实体抽取融合多源数据构建一致知识图谱
#### 可掌握的核心竞争力：
1．图谱全流程管理——掌握从数据获取到图谱构建的全生命周期。
2．图谱理论与应用——熟悉知识图谱定义、类型及多领域应用。
3．Neo4j技术——精通图数据库的存储与查询优化。
4．深度学习NER——掌握CRF、BERT、BiLSTM+CRF 等实体识别方法。
5．多样化关系抽取 —熟练运用规则、Pipeline与Casrel模型提取关系。
6．知识融合与消歧 一掌握实体消歧和关系对齐技术。
7．医疗问答开发 实现意图识别与对话管理的智能问答系统。
8．NLP语义处理—精通自然语言理解（NLU）与生成（NLG)。
9．模型工程化——掌握数据预处理与模型训练全流程。
10.垂直领域图谱——构建医疗、商业等领域的定制知识图谱。
<html><body><table><tr><td>模块</td><td>技术要点</td></tr><tr><td>知识图谱项目简介</td><td>1.项目背景介绍 2.知识图谱技术概括</td></tr><tr><td>项目工具介绍</td><td>1.项目应用工具概览 2.doccano 数据标注平台 3.知识查询语言 4.Neo4j图数据库</td></tr><tr><td>实体抽取</td><td>1.实体识别基本知识 2.基于规则实现NER 3.基于深度学习模型实现NER 4.Viterbi 算法介绍</td></tr><tr><td>关系抽取</td><td>1.关系抽取基本知识 2.规则方法实现关系抽 3.Pipeline方法实现关系抽取 4.Joint方法实现关系抽取</td></tr><tr><td>知识融合</td><td>1.知识融合基本知识 2.实体消歧任务</td></tr><tr><td>图谱搭建</td><td>1.Neo4j图数据库 2.医疗知识图谱的搭建</td></tr><tr><td>图谱应用</td><td>1.问答系统基础知识 2.问答系统关键技术 3.医疗KBQA系统架构 4.医疗KBQA系统实现</td></tr></table></body></html>
### 第九部分（项目阶段）：大模型开发基础与项目
#### 可解决的现实问题：
了解大语言模型的主要方法与主要架构;
了解主流大模型;
理解向量知识库的基本概念和技术原理;
掌握Langchain开发框架;掌握RAG检索增强技术;
掌握大模型主要微调方法；
掌握大模型评价指标及模型部署上线
#### 可掌握的核心竞争力：
1．大模型 Prompt-Engineering 实践
2．基于Functioncall打造个人专属助手
3．基于AIAgent实现邮件的自动编写及发送
4．物流行业信息咨询智能问答系统（RAG检索）
5．基于GPT2模型搭建医疗问诊机器人
6．新零售行业决策评价系统
7．新媒体行业评论智能分类与信息抽取系统
<html><body><table><tr><td>模块</td><td>技术要点</td></tr><tr><td>大模型背景简介</td><td>1.大语言模型介绍 2.语言模型的基本定义 3.N-Gram 语言模型详解 4.transformer预训练和大语言模型 5.bleu 评估指标 6.rouge 评估指标 7.ppl 困惑度 8.大语言模型的主要类别 9.AE自编码模型-bert介绍 10.AR 自回归模型-gpt介绍</td></tr><tr><td>主流大模型介绍</td><td>11.Encoder-Decoder 模型-T5 介绍 1.ChatGPT的发展史 2.ChatGPT模型训练的原理 3.ChatGLM-6B模型原理详解 4.LLaMA模型原理详解 5.BLOOM模型的原理详解</td></tr><tr><td>大模型prompt-Tuning 技术</td><td>6.BaiChuan 模型的原理详解 1.大模型Prompt工程指南</td></tr></table></body></html>
<html><body><table><tr><td></td><td>2.金融行业动态方问评估项自介绍 3.LLM实现金融文本分类 4.LLM实现金融文本信息抽取 5.LLM 实现金融文本匹配 1.LangChain 的概念介绍</td></tr><tr><td>LangChain 大模型应用框架</td><td>2.Models 组件的介绍 3.LLMs_MOdels 模型组件的使用 4.Chat_Models 模型组件的使用 5.Embedding_Models 模型组件的使用 6. Prompt-ZeroShot方法介绍 7. Prompt-FewShot 方法介绍 8.SimpleSequnetialChain 组件的应用实践 9.data_loader文档加载器的介绍 10.document_splitter 文档分割器的介绍 11.vector_database向量数据库介绍</td></tr><tr><td>大模型在金融业务领域的实践</td><td>12.LangChain 检索器的应用 1.提示词工程简介 2.清洗的指令形式构造方法 3.文本参考和拆分子任务 4.给模型思考和借助外部工具方法 5.Few-shot 和 Zero-shot 思想 6.基于ChatGLM实现金融文本分类 7.基于ChatGLM实现金融信息抽取</td></tr><tr><td>基于GPT2模型搭建聊天机器人</td><td>8.基于ChatGLM实现金融文本匹配 1.GPT2实现聊天机器人项目 2.基于Flask开发网页界面</td></tr><tr><td>新零售行业评价决策系统实战 基于大模型联合任务开发应用实战</td><td>1.实现新零售文本评价项目 2.PET方法 3.BERT+PET 模型 5.BERT+P-Tuning 1.基于ChatGLM+Lora 模型开发应用 4.P-Tuning</td></tr></table></body></html>