为您找到283个相关课程
展开简介
收益目标：1.理解大模型核心原理，模型训练和优化策略 2.掌握设计有效提示词，以及提示词工程优化实践 3.掌握OLlama搭建方法，以及3种调用大模型方式 4.掌握常用大模型推理参数微调方法 5.掌握CV、语音和NLP 大模型在各种业务场景中的应用 6.结合上机实践，调用DeepSeek，llama-vision，Qwen，stable-diffusion，whisper等大模型
适应人群：IT项目管理人员：负责IT项目的整体规划、协调与管理，需要了解如何利用DeepSeek等大模型技术提升项目效能。 软件开发工程师：从事软件开发工作，希望通过学习大模型技术提升开发效率和代码质量。 测试工程师：负责软件测试工作，需要掌握如何利用大模型技术进行自动化测试和缺陷检测。 数据分析师：从事数据分析工作，需要学习如何利用大模型技术进行数据挖掘和趋势分析。 运维工程师：负责系统运维工作，需要了解如何利用大模型技术实现智能化运维和故障诊断。 AI工程师：从事人工智能相关工作，需要深入学习大模型的训练、优化和应用。
关键词：互联网，NLP，大模型
收益目标：1、理解产品从创意到概念再到规划的基本脉络与流程，掌握相关方法和工具 2、由于本课程要求各个学员分组使用贵公司实际的产品/产品创意现场演练、现场归纳、现场打磨，所以在培训结束时已经可以形成一批（每个学员小组都有一个）产品的覆盖3个版本的产品规划路线图 3、培养学员完备的、基于“向外聚焦、向内对其”产品思维的产品观。为产品经理们（特别是研发岗位出身的产品经理）实现从项目管理思维向产品研发思维的转变奠定基础
适应人群：产品经理、产品运营人员，以及高层管理者
关键词：互联网，产品经理，产品创新，需求分析，产品运营，产品规划，团队管理，项目管理，创新，MVP
收益目标：1.思维重塑：构建优秀的用户与思维模式； 2.方法论建设：掌握以体验为中心的产品设计方法； 3.实战实用为主：结合自身业务的实战； 众多案例：通过各行业的正反案例来让学员吸收经验；
适应人群：想提高能力的产品经理们； 企业内部负责产品设计，客户服务设计相关的岗位； 需要具备产品思维的“广义产品经理”：技术、设计、市场运营人员等； 传统行业里，广义“做产品”的，期望从互联网产品的做法中找灵感的人员； 希望跨界学习、开拓视野的企业相关管理人员；
关键词：互联网，产品设计，用户体验，创新
收益目标：暂无
适应人群：暂无
关键词：其他，架构师，软件架构，架构设计，软件设计
收益目标：1. 银行数据可以应用于什么场景？ 2. 如何利用机器学习技术帮助银行创造价值？ 3. 如何实现端到端的数据产品，让银行数据化运营流程化？
适应人群：银行行业的业务主管、技术主管、数据工程师
关键词：互联网，机器学习
收益目标：全面了解大型网站架构演化； 通过案例教学掌握高可用架构设计的原则和方法 掌握互联网高可用高并发关键技术； 掌握互联网大型分布式系统缓存架构的设计； 通过学习高并发系统架构案例掌握如何设计互联网高并发高可用系统
适应人群：无大厂工作经验的服务端开发工程师（外包公司、小型互联网公司为主）
关键词：互联网，架构设计，网站架构，高可用架构
收益目标：1. 机器学习、深度学习平台优化经验 2. 基于Kubernetes的机器学习平台调度系统设计经验 3. 开源社区运作、参与经验
关键词：
收益目标：1. 人工智能的算法原理，设计过程以及构建成一个完整的人工智能系统都需要哪些组件以及对应的设计。 2. 从个测试人工智能的模型的方法开始，讲解到一个完整的人工智能系统的方方面面的测试方案。 3. 学习以spark为例讲解在人工智能系统中，如何构建和处理测试数据。 4. 学习以ffmpeg+opencv为基础如何在计算机视觉场景中构建和处理测试数据。 5. 以yolo为例，讲解如何在使用人工智能来辅助测试人工智能系统。
适应人群：在人工智能背景下工作的测试人员，或者对人工智能感兴趣的技术人员
关键词：互联网，人工智能，机器学习，Spark，分布式，深度学习
收益目标：1、企业数字化架构：了解新市场环境下业态改变对IT创新的要求，明确数据治理在数字化转型中起到的关键作用。 2、精益数据管理最佳实践：总结了国内外企业在数据战略和数据治理方面的最佳实践，识别数据资产、制定数据治理计划、搭建数据架构、落地数据标准、提升数据质量，确实提升企业挖掘数据价值等能力；
适应人群：1、数据管理团队 2、企业业务、数据、技术部门人员
关键词：其他，转型，数据建模，数字化转型
关键词：其他，架构设计，分布式
收益目标：通过此次分享，听众将对大模型在金融领域的应用有一个全面、直观的了解，认识到这一前沿技术如何助力基金管理提升决策效率、降低风险并实现业务的持续创新。
适应人群：有大模型基础认知的工程师和业务人员。对金融有一定的兴趣。
关键词：互联网金融
收益目标：1. 掌握DDD+AI的软件研发新模式，提升研发效率 2. 深刻理解，通过领域驱动指导AI生成高质量代码 3. 通过知识库为AI进行DDD编码制定模板与规范 4. 掌握AI生成代码进行软件研发的工具与研发环境
适应人群：1. 关注领域驱动、微服务开发的软件研发工程师 2. 产品经理、研发管理、质量保障等相关人员 3. 关注AI编程的架构师、CTO及其相关人员 4. 关注AI编程发展方向的相关技术人员
关键词：其他，测试用例，领域驱动设计
To Be Better
注册或 找回密码?