| 第一周-打造你的首个LLM产品：探索顶级模型与Transformers |
|
第一天-直接切入:立即开始大语言模型工程 |
|
00:01:00 |
|
第一天-在Windows和Mac上配置Ollama以部署本地大语言模型 |
|
00:05:00 |
|
第一天-释放本地大语言模型的潜力:使用Ollama构建英语学习助手 |
|
00:05:00 |
|
第一天-搭建你的LLM开发环境:工具与最佳实践 |
|
00:05:00 |
|
第一天-Mac配置指南:为LLM项目安装Jupyter Lab和Conda |
|
00:09:00 |
|
第一天-搭建Anaconda环境玩转大语言模型开发:Windows系统安装指南 |
|
00:09:00 |
|
第一天-为LLM开发配置OpenAI API——密钥申请、费用说明与最佳实践指南 |
|
00:08:00 |
|
第一天-创建.env文件安全存储API密钥 |
FREE |
00:07:00 |
|
第一天-即时满足项目:打造一个AI驱动的网页摘要生成器 |
|
00:13:00 |
|
第一天-用OpenAI的GPT-4和Beautiful Soup实现文本摘要 |
|
00:15:00 |
|
第一天总结-收尾工作:大语言模型工程的关键收获与下一步计划 |
|
00:05:00 |
|
第二天-精通大语言模型工程:AI开发的核心技能与工具 |
|
00:10:00 |
|
第二天-搞懂前沿AI模型:GPT、Claude和开源大语言模型 |
|
00:09:00 |
|
第二天-如何使用Ollama进行本地LLM推理:Python和Jupyter实战教程 |
|
00:12:00 |
|
第二天-实践LLM任务:比较OpenAl和Ollama的文本摘要能力 |
|
00:01:00 |
|
第三天-前沿AI模型大比拼:GPT-4、Claude、Gemini和LLAMA横评 |
|
00:08:00 |
|
第三天-主流大语言模型对比:优势解析与商业场景应用 |
|
00:03:00 |
|
第三天-实测对比GPT-4.5和O4-mini:性能差异全解析 |
|
00:05:00 |
|
第三天-深度解析Claude 4的调校与artifact功能 |
|
00:06:00 |
|
第三天-AI模型对比:用Gemini和deepseek处理脑洞题与分析题的实测 |
|
00:03:00 |
|
第三天-评估grok和Perplexity:模型输出的微妙差异 |
|
00:04:00 |
|
第三天-前沿大语言模型总结及特点 |
|
00:04:00 |
|
第四天-涌现的智能:大语言模型发展简史与核心辩论 |
|
00:07:00 |
|
第四天-探索AI发展历程:从早期模型到Transformer |
|
00:04:00 |
|
第四天-搞懂大模型参数:从GPT-1到万亿参数模型的进化之路 |
|
00:05:00 |
|
第四天-大白话讲明白GPT分词:大语言模型是怎么处理文字的 |
|
00:09:00 |
|
第四天-上下文窗口如何影响AI语言模型:详解token限制 |
|
00:05:00 |
|
第四天-搞懂AI模型成本:接口按量付费VS聊天订阅包月 |
|
00:04:00 |
|
第四天-大模型上下文窗口对比:GPT-4 vs Claude vs Gemini |
|
00:07:00 |
|
第四天-收官总结:第四天核心收获与实践心得 |
|
00:04:00 |
|
第五天-用OpenAI API和Python打造AI营销手册 |
|
00:05:00 |
|
第五天-JupyterLab教程:用网络抓取技术为 AI 驱动的公司制作宣传册 |
|
00:09:00 |
|
第五天-大语言模型的结构化输出:为AI项目优化JSON响应 |
|
00:12:00 |
|
第五天-制作并排版宣传册内容的回复文案 |
|
00:12:00 |
|
第五天-最终调整:优化JupyterLab的Markdown与流式处理 |
|
00:09:00 |
|
第五天-掌握多轮提示技巧:提升AI项目中大语言模型的可靠性 |
|
00:06:00 |
|
第五天-任务:打造你的专属AI导师(基于大语言模型) |
|
00:05:00 |
|
第五天-第一周收官:成果总结与下一步计划 |
|
00:04:00 |
| 第二周-打造多模态聊天机器人：大语言模型、Gradio界面与智能体实战 |
|
第一天-玩转多款AI接口:OpenAI、Claude和Gemini大模型工程师速成指南 |
|
00:06:00 |
|
第一天-流式处理 AI 回复:用Python实现大语言模型(LLM)的实时输出 |
|
00:15:00 |
|
第一天-用OpenAI和Claude API制作抬杠式AI对话教程 |
|
00:10:00 |
|
第一天-AI工具篇:开发者实战Transformer与前沿大语言模型 |
|
00:02:00 |
|
第二天-用Gradio搭建AI工具:LLM工程师的快速原型开发 |
|
00:04:00 |
|
第二天-Gradio教程:为OpenAI GPT模型打造交互式AI界面 |
|
00:13:00 |
|
第二天-在Gradio界面中用GPT和Claude实现流式响应 |
|
00:07:00 |
|
第二天-用Gradio搭建多模型AI聊天界面:GPT对战Claude |
|
00:09:00 |
|
第二天-打造高级AI用户界面:从OpenAI接口到Gradio聊天应用开发 |
|
00:02:00 |
|
第三天-打造AI聊天机器人:用Gradio开发客服助手的实战教程 |
|
00:05:00 |
|
第三天-用OpenAI和Gradio搭建对话式AI聊天机器人:手把手教程 |
|
00:10:00 |
|
第三天-用多轮提示和上下文增强让聊天机器人更聪明 |
|
00:08:00 |
|
第三天-玩转AI工具:教你用大语言模型在本地跑代码 |
|
00:03:00 |
|
第四天-搭配AI工具使用LLM:增强大语言模型的能力 |
|
00:07:00 |
|
第四天-打造AI航空助手:用OpenAI GPT-4实现工具集 |
|
00:07:00 |
|
第四天-手把手教你给大模型装外挂:OpenAI函数调用教程 |
|
00:12:00 |
|
第四天-玩转AI工具:用API搭出高级大模型助手 |
|
00:02:00 |
|
第五天-多模态AI助手:图片与声音生成的整合 |
|
00:05:00 |
|
第五天-多模态AI:在JupyterLab中集成DALL-E 3图像生成功能 |
|
00:06:00 |
|
第五天-打造多模态AI助手:整合音频/图像工具 |
|
00:05:00 |
|
第五天-如何打造多模态AI助手:工具与智能体的整合 |
|
00:04:00 |
| 第三周-开源生成式AI：用HuggingFace打造自动化解决方案 |
|
第一天-Hugging Face教程:玩转开源AI模型和数据集 |
|
00:10:00 |
|
第一天-探索HuggingFace Hub:AI开发者必备的模型、数据集与空间 |
|
00:11:00 |
|
第一天-谷歌Colab入门:云端Jupyter Notebooks玩转机器学习 |
|
00:03:00 |
|
第一天-在Google Colab中集成Hugging Face:密钥与API配置技巧 |
|
00:11:00 |
|
第一天-玩转Google Colab:用Hugging Face跑开源AI模型 |
|
00:03:00 |
|
第二天-Hugging Face Transformers:用Python和Pipelines搞定AI任务 |
|
00:05:00 |
|
第二天-Hugging Face Pipelines:用Transformers库简化AI任务 |
|
00:14:00 |
|
第二天-玩转HuggingFace Pipelines:机器学习任务的高效AI推理 |
|
00:02:00 |
|
第三天-开源AI中的分词器探索:Llama、Phi-2、Qwen和Starcode |
|
00:05:00 |
|
第三天-AI中的分词技术:使用AutoTokenizer与LLAMA 3.1模型 |
|
00:12:00 |
|
第三天-比较分词器:Llama、PHI-3 和 QWEN2 在开源AI模型中的应用 |
|
00:11:00 |
|
第三天-Hugging Face 分词器:为高级文本生成做准备 |
|
00:01:00 |
|
第四天-Hugging Face 模型类:在开源AI模型上运行推理 |
|
00:04:00 |
|
第四天-Hugging Face Transformers:使用Bits和Bytes加载和量化大语言模型 |
|
00:15:00 |
|
第四天-Hugging Face Transformers:使用开源AI模型生成笑话 |
|
00:09:00 |
|
第四天-掌握Hugging Face Transformers:模型、管道和分词器 |
|
00:02:00 |
|
第五天-结合前沿和开源模型进行音频转文本总结 |
|
00:04:00 |
|
第五天-使用Hugging Face和OpenAI进行AI驱动的会议纪要生成 |
|
00:14:00 |
|
第五天-构建合成测试数据生成器:用于业务的开源AI模型 |
|
00:05:00 |
| 第四周-大模型对决：评估用于代码生成和业务任务的模型 |
|
第一天-如何选择合适的LLM:比较开源和闭源模型 |
|
00:12:00 |
|
第一天-优化大语言模型参数和训练数据规模 |
|
00:06:00 |
|
第一天-大模型基准的局限性:过拟合和训练数据泄露 |
|
00:07:00 |
|
第一天-评估大语言模型:下一代基准测试揭晓 |
|
00:06:00 |
|
第一天-HuggingFace开源大模型排行榜:横向评测开源语言模型 |
|
00:09:00 |
|
第一天-大模型排行榜全解析:开源vs闭源模型谁更强 |
|
00:02:00 |
|
第二天-大模型对比:评估语言模型的权威排行榜 |
|
00:06:00 |
|
第二天-玩转AI排行榜:人工评分、HuggingFace那些事儿 |
|
00:06:00 |
|
第二天-人工分析深度剖析:模型智商与成本大比拼 |
|
00:12:00 |
|
第二天-Vellum、SEAL和LiveBench:AI模型必备排行榜 |
|
00:11:00 |
|
第二天-LM Arena:社区蒙眼测试AI模型,用Elo评分打分 |
|
00:05:00 |
|
第二天-商业应用场景:自动化、增强与智能体 |
|
00:09:00 |
|
第三天-如何选大模型来生成代码:把Python转成C++ |
|
00:09:00 |
|
第三天-选模型:GPT-5、Claude、Gemini搞C++代码生成 |
|
00:11:00 |
|
第三天-用GPT-5把Python转成C++:性能狂飙51倍 |
|
00:13:00 |
|
第三天-AI编程对决:GPT-5vsClaudevsGeminivsGrok性能大比拼 |
|
00:04:00 |
|
第四天-代码生成的开源模型:Qwen、DeepSeek和Ollama |
|
00:10:00 |
|
第四天-搭建Gradio界面来测试Python转C++的代码转换模型 |
|
00:07:00 |
|
第四天-qwen3 Coder vs GPT开源模型:模型性能大比拼 |
|
00:08:00 |
|
第五天-模型评估:技术指标与业务成果的碰撞 |
|
00:11:00 |
|
第五天-Python代码转Rust:测试Gemini 2.5 Pro |
|
00:12:00 |
|
第五天-Python移植到Rust:测试GPT、Claude和Qwen模型 |
|
00:08:00 |
|
第五天-开源模型胜出？Rust代码生成速度挑战 |
|
00:10:00 |
| 第五周-精通RAG：用向量嵌入构建高级解决方案 |
|
第一天-RAG入门:检索增强生成基础 |
|
00:10:00 |
|
第一天-使用GPT-5-nano构建简易RAG知识助手 |
|
00:12:00 |
|
第一天-搭建简易RAG系统:词典查询与上下文检索 |
|
00:14:00 |
|
第一天-向量嵌入与编码器大语言模型:RAG技术的基石 |
|
00:11:00 |
|
第一天-向量嵌入如何表达含义:从word2vec到编码器 |
|
00:09:00 |
|
第一天-理解RAG与向量数据库的核心概念 |
|
00:08:00 |
|
第二天-RAG中的向量应用:LangChain与向量数据库入门 |
|
00:09:00 |
|
第二天-使用LangChain文本分割器将文档拆分成块 |
|
00:13:00 |
|
第二天-编码器模型vs向量数据库:OpenAI、BERT、Chroma 与 FAISS |
|
00:12:00 |
|
第二天-用Chroma创建向量存储,并用 t-SNE可视化嵌入 |
|
00:12:00 |
|
第二天:三维向量可视化与嵌入模型对比 |
|
00:13:00 |
|
第三天:用LangChain和Chroma构建完整的RAG全链路 |
|
00:10:00 |
|
第三天-用LangChain搭建RAG管线:LLM 与检索器配置 |
|
00:11:00 |
|
第三天-使用LangChain构建RAG系统:检索器与大语言模型集成 |
|
00:12:00 |
|
第三天:使用Python模块和Gradio UI构建生产级RAG系统 |
|
00:16:00 |
|
第三天-带会话历史的RAG:构建Gradio界面并调试文本分块 |
|
00:15:00 |
|
第四天-RAG评估:衡量性能并优化你的处理流程 |
|
00:09:00 |
|
第四天-评估 RAG 系统:检索指标、大语言模型作为评判者与黄金数据集 |
|
00:14:00 |
|
第四天-评估RAG系统:使用Pydantic实现MRR、NDCG与测试数据验证 |
|
00:13:00 |
|
第四天:使用大语言模型作为评估工具——通过结构化输出评判RAG答案质量 |
|
00:12:00 |
|
第四天:在RAG中尝试分块策略与嵌入模型实验 |
|
00:10:00 |
|
第四天-测试OpenAI嵌入模型并评估RAG性能提升效果 |
|
00:07:00 |
|
第五天-高级RAG技巧:预处理、再排序与评估 |
|
00:06:00 |
|
第五天-高级 RAG 技术:分块、编码器和查询重写 |
|
00:09:00 |
|
第五天-高级RAG技术:查询扩展、重排序与GraphRAG |
|
00:12:00 |
|
第五天-不用LangChain构建高级RAG：使用大型语言模型进行语义分块 |
|
00:15:00 |
|
第五天-使用Chroma创建嵌入，用tSNE可视化，以及重新排序 |
|
00:12:00 |
|
第五天-不使用LangChain构建RAG：重新排序和查询重写 |
|
00:11:00 |
|
第五天-使用查询扩展和多进程构建生产级RAG |
|
00:15:00 |
|
第五天-高级RAG评估:使用GPT将MRR指标提升 |
|
00:12:00 |
|
第五天-RAG挑战:打败我的成绩以及打造你的知识员工 |
|
00:10:00 |
| 第六周-从传统机器学习到深度学习，再到微调前沿模型 |
|
第一天-训练、数据集和泛化：你的毕业项目开搞啦 |
|
00:10:00 |
|
第一天-微调大语言模型/价格猜猜猜之毕业设计项目介绍 |
|
00:10:00 |
|
第一天-整理数据集：找数据来源和建训练集 |
|
00:09:00 |
|
第一天-用Hugging Face整理亚马逊数据来做价格预测 |
|
00:10:00 |
|
第一天-探索亚马逊数据集分布,去除重复数据 |
|
00:10:00 |
|
第一天-用 NumPy 做加权采样,顺便把数据集传到 Hugging Face |
|
00:12:00 |
|
第二天-选型与应用大模型解决业务问题的五步策略 |
|
00:09:00 |
|
第二天-五步AI流程之用MLOps做产品化 |
|
00:07:00 |
|
第二天-用大语言模型和DeepSeek批处理模式做数据预处理 |
|
00:09:00 |
|
第二天-使用 DeepSeek API 和 JSONL 文件搞批量处理来实现 LLM 工作流 |
|
00:10:00 |
|
第二天-用DeepSeek做批量处理:花不到1美元跑22K个LLM请求 |
|
00:15:00 |
|
第三天-用传统机器学习和XGBoost搭基线模型 |
|
00:12:00 |
|
第三天-使用 Random Pricer 和 Scikit-learn 构建第一个基线模型 |
|
00:10:00 |
|
第三天-使用 Scikit-Learn 构建基线模型和线性回归 |
|
00:11:00 |
|
第三天-用于线性回归 NLP 的 Bag of Words 和 CountVectorizer |
|
00:08:00 |
|
第三天-Random Forest 和 XGBoost：Scikit-Learn 中的集成模型 |
|
00:11:00 |
|
第四天-训练你的第一个神经网络和测试前沿模型 |
|
00:12:00 |
|
第四天-人类基准性能对比 PyTorch 中的机器学习模型 |
|
00:07:00 |
|
第四天-使用PyTorch构建你的第一个神经网络 |
|
00:12:00 |
|
第四天-测试 Qwen 和 DeepSeek 对抗神经网络 |
|
00:11:00 |
|
第四天-测试 Deepseek、GLM的价格预测能力 |
|
00:11:00 |
|
第五天-使用监督微调对OpenAI前沿模型进行微调 |
|
00:13:00 |
|
第五天-使用百炼的API微调Qwen构建自定义模型 |
|
00:08:00 |
|
第五天-微调Qwen模型:运行任务和监控训练 |
|
00:07:00 |
|
第五天-微调结果:当Qwen变差而非变好 |
|
00:13:00 |
|
第五天-前沿模型微调失败时/构建深度神经网络 |
|
00:11:00 |
|
第五天-深度神经网络的救赎！2.89亿参数 vs 前沿模型 |
|
00:10:00 |
| 第七周-微调开源模型与前沿模型竞争 |
|
第一天-用于微调开源模型的 QLoRA 介绍 |
|
00:09:00 |
|
第一天-LoRA：使用低秩适配器训练 LLaMA 3.2 |
|
00:08:00 |
|
第一天-LoRA 超参数与 QLoRA 量化详解 |
|
00:13:00 |
|
第一天-配置 Google Colab 并探索 LLaMA 3.2 模型架构 |
|
00:17:00 |
|
第一天-用QLoRA加载8位和4位量化模型 |
|
00:13:00 |
|
第一天-LoRA参数计算与Hugging Face上的模型大小 |
|
00:10:00 |
|
第二天-为微调准备数据集并处理Token限制 |
|
00:12:00 |
|
第二天-微调数据准备：价格四舍五入与 Token 长度优化 |
|
00:13:00 |
|
第二天-准备 Hugging Face 数据集并测试基础 LLaMA 3.2 模型 |
|
00:14:00 |
|
第二天-基础模型与聊天模型：理解 LLaMA 微调 |
|
00:13:00 |
|
第三天-微调超参数：QLoRA 设置与训练配置 |
|
00:12:00 |
|
第三天-LoRA 的学习率、优化器和训练超参数 |
|
00:10:00 |
|
第三天-设置训练：超参数、QLoRA 配置与 Weights & Biases |
|
00:16:00 |
|
第三天-设置 Weights & Biases 和 Hugging Face SFT Trainer |
|
00:11:00 |
|
第三天-使用 TRL 运行微调，并在 Weights & Biases 中监控训练 |
|
00:10:00 |
|
第四天-使用 Weights & Biases 监控微调运行 |
|
00:10:00 |
|
第四天-在 Google Colab A100 上使用 80 万数据点进行全量数据集训练 |
|
00:11:00 |
|
第四天-在 Weights & Biases 中监控训练损失和学习率 |
|
00:10:00 |
|
第四天-分析 Weights & Biases 结果并发现过拟合 |
|
00:08:00 |
|
第四天-在 Weights & Biases 中管理运行并选择最佳模型 checkpoint |
|
00:09:00 |
|
第五天-结果日：运行微调模型推理与损失计算 |
|
00:08:00 |
|
第五天-交叉熵损失：LLM 如何计算概率分布 |
|
00:10:00 |
|
第五天-测试我们的微调 LoRA 模型，对比 DeepSeek 与 GLM |
|
00:08:00 |
|
第五天-微调后的 LLaMA 3.2 击败 Deep Neural Network 和前沿模型 |
|
00:11:00 |
| 第八周-构建自主多智能体系统 |
|
第一天-Agentic AI 入门与 Modal 无服务器部署 |
|
00:12:00 |
|
第一天-设计 Agent 架构并设置 Modal 平台 |
|
00:10:00 |
|
第一天-使用 Modal 远程执行在本地和云端运行 Python |
|
00:11:00 |
