人工智能太难，听不懂学不会知识碎片化，不成体系简历上项目经历少实战资源少，实操经验不足学习目标不清晰，不知道要学什么学的太基础，就业面窄

人工智能，AI时代的必修课

随着AI时代到来，人工智能成为热门技术方向之一。飞速发展的行业使人才需求越来越大，薪资随之水涨船高。但由于技术更新快，教育资源有所滞后，真正符合市场需求的人才培养仍面临巨大挑战。

高质量人才缺口大
市场需求大
热门技术薪资高
急需优质教育资源

为迎合人工智能行业飞速发展，市场存在许多“快餐式”人才培养，而具备体系技术能力的人才高度稀缺。
- “快餐式”人才特点
  基础性技术岗位
  
  可替代、可复制
  
  机械执行，缺乏开发思维
  
  晋升难，行业局限性
- 高素质人才特点
  具备完整的开发思维
  
  开发能力可迁移，无行业限制
  
  符合市场人才需求标准
  
  职场晋升快
国家、企业、资本三方力量催化下，人工智能逐渐深入千行百业；同时技术不断进步、应用不断拓展，使人工智能成为近年最缺人行业之一。
- 国家政策
  国务院印发《新一代人工智能》发展规划、《高等学校人工智能创新行动规划》、国家新基建、“智造大国”建设。
- 企业投入
  国内小米、百度、腾讯、京东、字节、美团等互联网巨头，纷纷布局人工智能。
- 资本倾斜
  据工信部数据显示，截止 2024年1月，我国人工智能企业数量超过4400家，产业规模超5000亿元。
人工智能作为当下热门技术之一，月平均薪资可达20.5k。其中，薪资20-30k人数最多，占比33.4%。
目前人工智能培养主要以高校、培训机构为主，但由于资源有限、市场资本催化等因素，仍存在许多不足。
- 高校传统教育
  · 重理论，轻实践
  · 实验资源更新滞后
  · 缺乏项目经验
- “伪”AI人才培训
  · 完全迎合“快餐”需求
  · 课程单薄、片面
  · 就业面窄
- 优质教育资源
  · 课程体系全面
  · 理论+实战
  · 就业面广，难替代

适学人群

拒绝做“可复制”技术人才

在校学生 本科/研究生及以上
理工科相关专业背景，且自身有计算机、数学等专业基础。
IT转行 传统互联网岗位
职业到达瓶颈，初级程序员可复制性高，无行业市场竞争力。
能力提升 架构师/算法工程师/CTO
研发大牛，需要人工智能算法与大数据，提升技术广度与深度。
兴趣驱动 实践意识/创新思维/热爱人工智能
对人工智能感兴趣，并有一定的学习动力和自主学习能力。

打破行业壁垒，培养技术人才“可迁移能力”

边练边学培养开发思维

应用场景中教学，案例融入知识点

注重方法论教学，培养开发思维

不同框架对比学习，就业面更广

注重AI+，与其它技术融合
实战主导配套充足资源

自研元宇宙实验平台

充足的实战资源，拒绝纸上谈兵

大型项目高仿真

课程直接配套实操平台

耗时3年研发元宇宙实验中心，打造身临其境实战环境

交互性学习，大型项目无场地限制

自带多个开发环境

解决了在硬件上部署实验限制、嵌入式端速度慢、开发过程中环境切换等问题，简化了开发流程，开展教学更流畅便捷。
可视化算法教学
构建开发逻辑

将算法过程封装，动态解析代码，按搭积木式组合让用户可视化理解算法原理，构建整体思维，深入学习。
3D应用场景案例实战

逻辑与算法可接入系统里预设的3D场景中，实现可视化交互体验，打造人工智能沉浸式实操环境。
智能捕捉错误

精准捕捉在编程学习和算法学习过程中的异常情况，提醒错误原因，督促及时修改。
代码自动生成

Pyhton代码自动生成，根据封装好的组件自主学习代码，代码资源可以迁移到硬件平台或虚拟场景中验证。
拓展应用，开展比赛

系统里编译的代码可直接迁移到实际行业应用；丰富的实验环境、项目资源可作为人工智能大赛平台。

学完后直接落地高端岗位

学完喜欢领域任你Pick，跨入高薪职业行列

人工智能应用
工程师人工智能
工程师视觉算
法工程师框架推理
优化工程师图形算法
工程师深度学习
架构师 NLP算法
工程师自然语言
处理工程师算法工程师
（工程化） GPT
研究员

10-15k 15-20k 25-40k 40+k

结果导向，4大阶段+3大框架并行+大型综合实战平台

深入开发思维，培养真正掌握人工智能技术的人才

01了解AI技术体系

02 入门基础学习

03 系统知识体系

04大型项目进阶

AI认知
· 人工智能介绍与发展
· 图像-分类场景与案例
· 图像-检测场景与案例
· 图像-分割场景与案例
· NLP-文本预处理场景与案例
· NLP-生成式对话场景与案例
环境搭建
· 环境与IDE认知与搭建
· CPU/GPU/NPU环境熟悉

Python与库
· 基本语法与使用
· Numpy与矩阵
· Pandas与数据处理
· Matplotlib与绘图设计
· Pillow与图像处理
随机案例：绘制一颗爱心
随机案例：成绩分析和可视化
Python数据结构
· 运行效率与时间复杂度
· 分类与排序算法
· 树与图
随机案例：成绩排序可视化
Git使用与学习
· 搜索GitHub项目
· 基本Git操作
· 仓库与分支管理
随机案例：创建自己的开源项目

图像认知与OpenCV
· 灰度与二值化
· 图像旋转与缩放
· 图像矫正与仿射变换
· 图像噪点消除与滤波算法
· 图像形态学变换
· 直方图与均衡化
随机案例：颜色识别、道路
边缘检测、快递二维码识别
深度学习框架基础
· PyTorch
· TensorFlow
· PaddlePaddle
· 张量与矩阵
· 框架的自动微分机制
· 计算图
· GPU的使用
随机案例：加减乘
机器学习算法原理实践
· 机器学习认识
· Python的机器学习库
· K近邻算法
· 线性回归
· 激活函数与非线性化
· 逻辑回归
· 支持向量机
· 贝叶斯
· 聚类算法
全连接神经网络
· 前向与反向过程
· 训练过程可视化
· 优化器与优化方法
· 欠拟合与过拟合
· 模型效果评估
随机案例：分开两个圆

卷积神经网络
· 计算机眼中的图像
· 卷积为什么能识别图像
· 池化为什么能增强特征
· 多通道卷积与偏置过程
· 经典神经网络
实战：人脸识别
循环神经网络
· NLP的发展与技术栈
· 传统的RNN
· LSTM
· Bi-LSTM
· GRU
Transformer
· ChatGPT的发展与技术栈
· 基础与动机
· Transformer 架构
· 注意力机制
· 位置编码
· 注意力掩码
· 经典神经网络

PyQT开发与实践
· 安装与配置
· 组件的介绍与使用
· 信号与槽函数
· PyQT的线程与进程
· SQLite数据库
· PyQtGraph数据可视化
大模型部署与微调
· LLM大语言模型介绍
· 经典大模型
· 大模型的微调方法
· LLM中attention的优化
· nlp评价指标
垃圾分类系统(3D场景)
· 3D场景数据交互
· 数据采集
· 数据增强与分类数据集制作
· MobileNetV3的small与large
· 网络fine-tuning
· 模型部署到场景
· 后端部署与前端检测
工业流水线系统(3D场景)
· 3D场景数据交互
· 数据采集
· 目标检测基础知识
· 目标检测发展与经典神经网络
· YOLO的发展与关键概念
· 数据增强与分类数据集制作
· 网络fine-tuning
· 模型部署到场景
· 后端部署与前端检测