卢菁博士AI进阶课：深度学习与实战

 1. 课程核心价值：从理论到实践的深度学习体系   
卢菁博士的AI进阶课程专为具备基础的学习者设计，覆盖深度学习核心算法与前沿技术应用。课程通过30+课时系统讲解距离计算、向量数据库、GBDT/XGBoost、GAN模型、NLP三大主流模型（BERT/T5/GPT）等关键技术，并搭配乳腺癌识别、以图搜图、文本纠错等6大实战项目，帮助学习者建立从数学原理到工业落地的完整认知框架。   

 2. 三大技术模块解析：构建AI工程师核心能力   
• 机器学习进阶：深入剖析特征选择、正则化、Dropout等防过拟合策略，详解ID3/C4.5/Cart决策树与集成学习原理，手写线性回归代码实践。   

• 深度学习实战：包含ResNet图像搜索、GAN生成对抗网络训练技巧、扩散模型原理，以及ChatGPT技术路径解析。   

• 工业级项目闭环：从推荐系统（召回/排序/AB测试）到NLP应用（文本分类、智能摘要），均提供可复用的代码实现方案。   

 3. 讲师背景：学界与工业界的双重经验   
卢菁博士作为人工智能领域专家，兼具顶尖学术研究背景与头部企业实战经验。其课程特色在于：用推土机距离等数学原理解构复杂模型，通过WGan、Transformer等案例演示如何平衡理论严谨性与工程实用性，尤其适合希望突破技术瓶颈的开发者。   

 4. 前沿技术全覆盖：紧跟AIGC发展浪潮   
课程独家包含扩散模型、零样本学习、大模型训练难点等新兴内容，详解ChatGPT背后的技术演进逻辑。在NLP板块中，对比分析BERT、T5、GPT系列的优劣，并通过HuggingFace实战演示模型微调技巧，帮助学习者掌握行业最新方法论。   

 5. 适合人群与学习路径建议   
本课程适合：   

- 已掌握Python和机器学习基础，希望进阶深度学习的工程师   

- 需要系统理解树模型、神经网络优化原理的研究人员   

- 计划落地推荐系统、计算机视觉项目的技术团队   

建议按「基础理论→单模型精讲→综合项目」三阶段学习，重点掌握XGBoost调参、GAN数学推导、YOLO目标检测等高频面试考点。   

通过卢菁博士由浅入深的讲解，学习者不仅能掌握算法本质，更将获得解决实际业务问题的能力。课程提供的代码框架和模型优化技巧，可直接应用于工作中的AI项目开发。

资源目录列表：

├─卢菁博士的人工智能体系课(进阶版)
│  ├─01_1.距离精讲.mp4
│  ├─02_2.向量数据库基础.mp4
│  ├─03_3.Annoy原理和手写线性回归.mp4
│  ├─04_4.逻辑回归的分类间隔，线性不可分问题，FM模型.mp4
│  ├─05_5.特征选择和正则化.mp4
│  ├─06_6.Dropout技术，模型集成，多分类和多标签.mp4
│  ├─07_7.过拟合、欠拟合，树模型.mp4
│  ├─08_8.ID3，C4.5，Cart树.mp4
│  ├─09_9.集成学习，dropout，GBDT.mp4
│  ├─10_10.GBDT和XGboost.mp4
│  ├─11_11实战项目以图搜图-resnet.mp4
│  ├─12_12以图搜图.mp4
│  ├─13_13.GAN模型的原理和实战.mp4
│  ├─14_14.GAN模型背后的数学原理以及训练技巧.mp4
│  ├─15_15.推土机距离和WGan.mp4
│  ├─16_16.AIGC和扩散学习.mp4
│  ├─17_17.NLP系列1：NLP发展脉络和BERT模型.mp4
│  ├─18_18.NLP系列2：Bert的改良版本和T5模型.mp4
│  ├─19_19.NLP系列3：GPT系列模型.mp4
│  ├─20_20.项目实战：huggingface和文本分类.mp4
│  ├─21_21实战项目：文本纠错和Bart模型.mp4
│  ├─22_22零样本学习和小样本学习.mp4
│  ├─23_23.智能文本摘要和关键词提取.mp4
│  ├─24_24聊天机器人和chatgpt.mp4
│  ├─25_25，目标检测yolo和transformer.mp4
│  ├─26_乳腺癌识别项目1-图像识别的原理.mp4
│  ├─27_乳腺癌识别项目2-图像分类的代码实战.mp4
│  ├─28_乳腺癌识别项目3-图像识别新方法之迁移学习.mp4
│  ├─29_乳腺癌识别项目4-乳腺癌识别代码实战.mp4
│  ├─30_大模型训练为什么这么难.mp4
│  ├─31_ChatGPT的技术发展路径和带来的影响.mp4
│  ├─32_推荐系统1：推荐系统概述.mp4
│  ├─33_推荐系统2：召回环节.mp4
│  ├─34_推荐系统3：召回和AB测试[.mp4
│  ├─35_推荐系统4：排序（上）.mp4
│  ├─36_推荐系统5：排序（下）.mp4
│  ├─37_推荐系统6：内容分类和打标.mp4