├─001开班典礼
│ 00-开班典礼.mp4
│ 【聚客AI】AI大模型应用技术2025 – V1.0(1).PDF
│
├─01-HuggingFace核心组件介绍
│ 01-HuggingFace核心组件介绍.mp4
│ day01_HuggingFace核心组件介绍.zip
│
├─02-基于Bert的中文评价情感分析（训练篇）
│ day02_基于Bert的中文评价情感分析（训练篇）.zip
│ 基于Bert的中文评价情感分析.mp4
│
├─03-基于Bert的中文评价情感分析（实现篇）
│ day03_基于Bert的中文评价情感分析（实现篇）.zip
│ _基于Bert的中文评价情感分析-实现.mp4
│
├─04-GPT2-中文生成模型定制化（训练篇）
│ 04-GPT2-中文生成模型定制化（训练篇）.zip
│ GPT2-中文生成模型定制化_训练篇.mp4
│
├─05-GPT2-中文生成模型定制化
│ day05_GPT2-中文生成模型定制化.mp4
│ day05学习附件.zip
│
├─06-本地私有化部署大模型（Ollama&vLLM&LMDeploy
│ day06_本地私有化部署大模型.zip
│ 本地私有化部署大模型.mp4
│
├─07-大模型微调（使用LLama Factory微调Qwen）
│ day07_大模型微调.mp4
│ day07_大模型微调（使用LLama Factory微调Qwen）.zip
│
├─08-大模型微调（LLama Factory自定义微调数据集）
│ day08_大模型微调.mp4
│ day08_大模型微调（LLama Factory自定义微调数据集）.zip
│
├─09-大模型微调（QLora微调&GGUF模型转换）
│ day09_大模型微调（QLora微调&GGUF模型转换）.zip
│ 视频.mp4
│
├─10-大模型微调（LLamaFactory微调效果与vllm部署效果不一致如何解决）
│ day10_大模型微调（LLamaFactory微调效果与vllm部署效果不一致如何解决）.zip
│ day_10视频.mp4
│
├─11-大模型微调分布式训练（LLama Factory与Xtuner分布式微调大模型）
│ day11.mp4
│ day11_大模型微调分布式训练（LLama Factory与Xtuner分布式微调大模型）.zip
│
├─12-大模型压缩训练（知识蒸馏）
│ day12_大模型压缩训练（知识蒸馏）.zip
│ day_12.mp4
│
├─13-大模型推理部署（分布式推理与量化部署）
│ day13.mp4
│ day13_大模型推理部署（分布式推理与量化部署）.zip
│
├─14-大模型评估测试（OpenCompass）
│ day14.mp4
│ day14_大模型评估测试（OpenCompass）.zip
│
├─15-大模型微调项目实战（情绪对话模型-数据工程篇）
│ day15.mp4
│ day15_大模型微调项目实战（情绪对话模型-数据工程篇）.zip
│
├─16-大模型微调项目实战（情绪对话模型-最终效果）
│ day16.mp4
│ day16_大模型微调项目实战（情绪对话模型-最终效果）.zip
│ demo_16.rar
│
├─17-LlamAIndex快速构建RAG
│ day17.mp4
│ day17_LlamAIndex快速构建RAG.zip
│
├─18-Llama_indexRAG进阶_Embedding_model与Chroma
│ day18.mp4
│ day18_Llama_indexRAG进阶_Embedding_model与ChromaDB.zip
│
├─19-Llama_indexRAG进阶_文档切分与重排序
│ day19.mp4
│ day19_Llama_indexRAG进阶_文档切分与重排序.zip
│
├─20-Dify实现RAG
│ day20.mp4
│ day20_Dify实现RAG.zip
│
├─21-RAGFlow
│ day21.mp4
│ day21_RAGFlow.zip
│
├─22-基于RAG的法律条文智能助手（方案篇）
│ day22.mp4
│ day22_基于RAG的法律条文智能助手（方案篇）.zip
│
├─23-基于RAG的法律条文智能助手-实现与部署
│ day23.mp4
│ day23_基于RAG的法律条文智能助手-实现与部署.zip
│
├─24-基于RAG的法律条文智能助手-微调与部署
│ day24.mp4
│ day24_基于RAG的法律条文智能助手-微调与部署.zip
│
├─25-Dify构建Agent
│ day25.mp4
│ 【课件】Agent 智能体应用（Dify构建Agent）.zip
│
├─26-LangGraph构建多智能体
│ day26.mp4
│ day26_LangGraph构建多智能体.zip
│
├─27-DeepSeek原理与应用
│ day27.mp4
│ day27_DeepSeek原理与应用.zip
│
└─28-多模态大模型应用
day28.mp4
day28_多模态大模型应用.zip
有需要联系v；加客服窗口的联系方式
摘要：2025年聚客AI大模型工程师第四期，作为AI领域的顶尖培训项目，将深入探讨AI大模型技术，培养具备前沿技能的AI工程师。本文将从课程设置、师资力量、实践机会和行业前景四个方面对这一期培训进行详细阐述，旨在为读者提供全面了解。
1、课程设置
2025年聚客AI大模型工程师第四期课程设置紧跟行业发展趋势，涵盖了深度学习、自然语言处理、计算机视觉等多个领域。课程内容丰富，包括理论讲解、实战演练和项目实战，旨在培养学员具备解决实际问题的能力。
课程设置注重理论与实践相结合，通过案例分析和项目实战，让学员在实际操作中掌握AI大模型技术。此外，课程还邀请行业专家进行授课，分享最新的研究成果和实践经验。
课程设置灵活，学员可根据自身需求选择学习模块，实现个性化学习。同时，课程还提供在线学习平台，方便学员随时随地进行学习。
2、师资力量
2025年聚客AI大模型工程师第四期拥有一支强大的师资队伍，包括国内外知名高校教授、行业领军人物和实战经验丰富的工程师。师资力量雄厚，为学员提供高质量的教学服务。
教授们具有丰富的教学经验，能够深入浅出地讲解AI大模型技术。同时，他们还具备丰富的行业经验，能够为学员提供宝贵的职业发展建议。
师资队伍注重与学员的互动，鼓励学员提出问题，共同探讨AI大模型技术的发展趋势和应用场景。
3、实践机会
2025年聚客AI大模型工程师第四期注重实践，为学员提供丰富的实践机会。学员在课程期间可参与多个项目实战，将所学知识应用于实际项目中。
项目实战涵盖多个领域，如金融、医疗、教育等，让学员了解不同行业对AI大模型技术的需求。此外，学员还可参与校内外的竞赛，提升自己的实战能力。
实践机会丰富，有助于学员积累经验，提高就业竞争力。
4、行业前景
随着人工智能技术的快速发展，AI大模型工程师成为行业急需人才。2025年聚客AI大模型工程师第四期旨在培养具备前沿技能的AI工程师，为学员提供广阔的就业前景。
毕业生可在互联网、金融、医疗、教育等多个行业从事AI大模型相关工作，如算法工程师、数据科学家、AI产品经理等。
行业前景广阔，为学员提供良好的职业发展空间。
总结：
2025年聚客AI大模型工程师第四期作为AI领域的顶尖培训项目，通过课程设置、师资力量、实践机会和行业前景等方面的优势，为学员提供全面、系统的AI大模型技术培训。学员通过学习，将具备解决实际问题的能力，为未来的职业发展奠定坚实基础。
本文由nayona.cn整理
联系我们
关注公众号
微信扫一扫
支付宝扫一扫
