课程简介
本课程旨在帮助大家深入了解和应用大模型，从而利用其强大的自然语言处理能力解决各种现实世界的问题。内容包括介绍大型语言模型的基本原理、架构和训练方法，帮助大家建立对大模型的理解和认知。深入探讨LLAMA在各个领域的实际应用，包括自动文本生成、机器翻译、情感分析、问答系统等，帮助大家了解如何将LlAMA应用于实际项目中。
目标收益
1. 系统化了解AIGC生态体系和发展趋势
2. 系统化了解LLMs大语言模型生态体系和发展趋势
3. 掌握大语言模型LLama2的基座模型微调方法
5. 掌握大语言模型开发框架Langchain的使用方法。
6. 构建基于LangChain完整项目的开发过程和经验
7 大模型在产业应用实践（金融/电信/教育科技/制造业/公共服务业）
8 探索可落地的商用前景及实施路径
培训对象
课程大纲
| 第一部分: LLM大模型核心原理 |
1.大模型基础：理论与技术的演进 2.LLMs大语言模型的概念定义 3.LLMs大语言模型的发展演进 4.LLMs大语言模型的生态体系 5.大语言模型技术发展与演进 6.基于统计机器学习的语言模型 7.基于深度神经网络的语言模型 8.基于 Transformer 的大语言模型 9.LLMs大语言模型的关键技术 10.LLMs大语言模型的核心框架：商业&开源 11.LLMs大语言模型的行业应用 12.动⼿开发第⼀个 ChatGPT Plugin |
| 第二部分: LLM大模型微调 |
1.大模型高效微调技术 2.Parameter-Efficient 3. Fine-Tuning (PEFT) 初探 4.大模型轻量级高效微调方法 LoRA 5.少样本 PEFT 新方法 IA3 6.统一微调框架 UniPELT 7.基于人类反馈的强化学习微调技术 RLHF 8.混合专家模型 Mixture of Experts（MoE）技术架构揭秘 |
| 第三部分: 国内外大模型研究进展 |
1.国内外大模型研究进展 2.百度文心、 3.阿里通义 4.科大讯飞星火大模型 5.0pen API GPT 6.腾讯混元 7.华为鲲鹏大模型; |
| 第四部分: 大语言模型微调与Prompt提示工程 |
1.大语言模型微调与Prompt 2.大语言模型微调对象和层次 3.语言模型微调的主流方法 4.Prompt如何使用和进阶 5.什么是提示与提示工程 6.提示工程的巨大威力：从Let’s think step by step说起 7.拆解、标准化、流程化：如何用AI改造工作 8.使用BROKE框架设计ChatGPT提示 9.通过案例分析，展示如何使用大模型prompt技术辅助开发 |
| 第五部分: 基于智谱 AI GLM 篇-案例分析 |
1.GLM 大模型家族介绍 2.智谱第四代 API 介绍 3.AP| 基础教学和实战 4.使用 GLM-4 AP| 构建模型和应用 5.使用 GLM-4从0到1搭建并优化 RAG 程序 6.Diffusion 原理介绍 7.模型训练的数据优化(DALLE3) 8.CogView3 及 API 调用演示 9.超拟人大模型 10.CharacterGLM:理论与实战 |
| 第六部分: ⼤模型应⽤开发框架 LangChain |
1.⼤模型应⽤开发框架 LangChain 2.LangChain 是什么 3.为什么需要 LangChain 4.LangChain 典型使⽤场景 5.LangChain 基础概念与模块化设计 6.LangChain 核⼼模块⼊⻔与实战 7.LangChain 的3 个场景 8.LangChain 的6 大模块 9.LangChain 的开发流程 10.创建基于LangChain聊天机器人 |
| 第七部分: 构建Llama2 +LangChain构建文档问答系统 |
1.构建复杂LangChain应⽤ 2.LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择 3. LangChain提示(Prompts)：管理 LLM 输入 4. LangChain链(Chains)：将 LLM 与其他组件相结合 5. LangChain索引(Indexs)：访问外部数据 6. LangChain记忆(Memory)：记住以前的对话 7. LangChain代理(Agents)：访问其他工具 8.Agent 理论基础：ReAct 9.使⽤Llama大模型构建文档问答系统 |
| 第八部分: 基于大模型 + LangChain 产业应用场景和案例分析 |
1.大模型应用聊天机器人场景 2.大模型应用智能文档和智能写作场景 3.大模型应用知识图谱场景 4.大模型应用用户体验管理场景 5.大模型应用搜索场景 6.大模型应用智能机器人场景 7.大模型LangChain程序设计案例：聊天机器人 8.大模型LangChain程序设计案例：代码理解 9.大模型LangChain程序设计案例：API交互 10.大模型LangChain程序设计案例：文档摘要 |
| 第九部分: 大模型技术在金融业应用的思考与建议 |
1.大模型技术在金融业应用的思考与建议 2.大模型技术的特点及局限性分析 3.大模型技术在金融领域的适用场景 4.大模型技术与金融智能营销 5.大模型技术与金融智能风控 6.大模型技术与金融智能客服 7.大模型技术与金融虚拟营业厅和数字人 8.大模型技术与金融其他通用场景 |
| 第十部分: 大模型技术在软件开发行业应用-以GPT为工具 |
1.大模型应用软件架构设计阶段场景与案例 2.大模型应用详细设计阶段阶段场景与案例 3.大模型应用编码阶段阶段场景与案例 4.大模型应用代码重构与优化阶段场景与案例 5.大模型应用代码评审阶段场景与案例 6.大模型单元测试阶段场景与案例 |
| 第十一部分: 大模型技术在其他行业应用 |
1.大模型技术在教育科技应用-可汗学院(Khan Academy) 2.大模型技术在大型企业数字化转型应用-法务智能辅助审核 3.大模型技术在企业应用-安防企业智能文本审阅系统 4.大模型技术在电信应用-智能运维 5.大模型技术在互联网和传媒应用-智能搜索与推荐系统 6.大模型技术在建筑行业应用-智能工程图纸管理 |
|
第一部分: LLM大模型核心原理 1.大模型基础：理论与技术的演进 2.LLMs大语言模型的概念定义 3.LLMs大语言模型的发展演进 4.LLMs大语言模型的生态体系 5.大语言模型技术发展与演进 6.基于统计机器学习的语言模型 7.基于深度神经网络的语言模型 8.基于 Transformer 的大语言模型 9.LLMs大语言模型的关键技术 10.LLMs大语言模型的核心框架：商业&开源 11.LLMs大语言模型的行业应用 12.动⼿开发第⼀个 ChatGPT Plugin |
|
第二部分: LLM大模型微调 1.大模型高效微调技术 2.Parameter-Efficient 3. Fine-Tuning (PEFT) 初探 4.大模型轻量级高效微调方法 LoRA 5.少样本 PEFT 新方法 IA3 6.统一微调框架 UniPELT 7.基于人类反馈的强化学习微调技术 RLHF 8.混合专家模型 Mixture of Experts（MoE）技术架构揭秘 |
|
第三部分: 国内外大模型研究进展 1.国内外大模型研究进展 2.百度文心、 3.阿里通义 4.科大讯飞星火大模型 5.0pen API GPT 6.腾讯混元 7.华为鲲鹏大模型; |
|
第四部分: 大语言模型微调与Prompt提示工程 1.大语言模型微调与Prompt 2.大语言模型微调对象和层次 3.语言模型微调的主流方法 4.Prompt如何使用和进阶 5.什么是提示与提示工程 6.提示工程的巨大威力：从Let’s think step by step说起 7.拆解、标准化、流程化：如何用AI改造工作 8.使用BROKE框架设计ChatGPT提示 9.通过案例分析，展示如何使用大模型prompt技术辅助开发 |
|
第五部分: 基于智谱 AI GLM 篇-案例分析 1.GLM 大模型家族介绍 2.智谱第四代 API 介绍 3.AP| 基础教学和实战 4.使用 GLM-4 AP| 构建模型和应用 5.使用 GLM-4从0到1搭建并优化 RAG 程序 6.Diffusion 原理介绍 7.模型训练的数据优化(DALLE3) 8.CogView3 及 API 调用演示 9.超拟人大模型 10.CharacterGLM:理论与实战 |
|
第六部分: ⼤模型应⽤开发框架 LangChain 1.⼤模型应⽤开发框架 LangChain 2.LangChain 是什么 3.为什么需要 LangChain 4.LangChain 典型使⽤场景 5.LangChain 基础概念与模块化设计 6.LangChain 核⼼模块⼊⻔与实战 7.LangChain 的3 个场景 8.LangChain 的6 大模块 9.LangChain 的开发流程 10.创建基于LangChain聊天机器人 |
|
第七部分: 构建Llama2 +LangChain构建文档问答系统 1.构建复杂LangChain应⽤ 2.LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择 3. LangChain提示(Prompts)：管理 LLM 输入 4. LangChain链(Chains)：将 LLM 与其他组件相结合 5. LangChain索引(Indexs)：访问外部数据 6. LangChain记忆(Memory)：记住以前的对话 7. LangChain代理(Agents)：访问其他工具 8.Agent 理论基础：ReAct 9.使⽤Llama大模型构建文档问答系统 |
|
第八部分: 基于大模型 + LangChain 产业应用场景和案例分析 1.大模型应用聊天机器人场景 2.大模型应用智能文档和智能写作场景 3.大模型应用知识图谱场景 4.大模型应用用户体验管理场景 5.大模型应用搜索场景 6.大模型应用智能机器人场景 7.大模型LangChain程序设计案例：聊天机器人 8.大模型LangChain程序设计案例：代码理解 9.大模型LangChain程序设计案例：API交互 10.大模型LangChain程序设计案例：文档摘要 |
|
第九部分: 大模型技术在金融业应用的思考与建议 1.大模型技术在金融业应用的思考与建议 2.大模型技术的特点及局限性分析 3.大模型技术在金融领域的适用场景 4.大模型技术与金融智能营销 5.大模型技术与金融智能风控 6.大模型技术与金融智能客服 7.大模型技术与金融虚拟营业厅和数字人 8.大模型技术与金融其他通用场景 |
|
第十部分: 大模型技术在软件开发行业应用-以GPT为工具 1.大模型应用软件架构设计阶段场景与案例 2.大模型应用详细设计阶段阶段场景与案例 3.大模型应用编码阶段阶段场景与案例 4.大模型应用代码重构与优化阶段场景与案例 5.大模型应用代码评审阶段场景与案例 6.大模型单元测试阶段场景与案例 |
|
第十一部分: 大模型技术在其他行业应用 1.大模型技术在教育科技应用-可汗学院(Khan Academy) 2.大模型技术在大型企业数字化转型应用-法务智能辅助审核 3.大模型技术在企业应用-安防企业智能文本审阅系统 4.大模型技术在电信应用-智能运维 5.大模型技术在互联网和传媒应用-智能搜索与推荐系统 6.大模型技术在建筑行业应用-智能工程图纸管理 |
近期公开课推荐