课程大纲
第一阶段：算法部分（理论篇）

第 1 周：AI 概述与基础知识 + 数学基础

知识点
  • 课程介绍与环境准备：了解课程目标、形式、带练方式，熟悉本地 Python 环境和阿里云 Notebook 的使用。
  • AI 发展与核心概念： 回顾 AI 的发展历程，明确人工智能（AI）、机器学习（ML）、深度学习（DL）和生成式 AI 的基本概念及其相互关系。了解中国 AI 产业化浪潮中互联网大厂的战略布局。
  • 主要学派简介与代表方法： 初步了解符号主义（规则与逻辑、知识图谱）、行为主义（强化学习）、连接主义（神经网络与深度学习）的主要思想和代表方法。
  • 数学基础（微积分初步）:
    • 函数概念：简单介绍函数的概念（例如，输入到输出的映射）。
    • 导数的概念与直观解释：重点讲解导数的概念，可以从斜率入手，解释导数是函数在某一点的变化率。
    • 偏导数简介：简单介绍偏导数的概念，用于理解多元函数的变化。
    • 导数在优化问题中的应用：强调导数在优化问题中的作用，例如寻找函数的最小值（为后续的梯度下降算法做铺垫）。
  • 数学基础（概率论初步）：
    • 概率的基本概念：介绍概率的基本概念（事件、样本空间、概率的定义）。
    • 条件概率简介：简单介绍条件概率的概念。
    • 随机变量：介绍随机变量（离散型和连续型）的概念。
    • 常见概率分布简介：简单介绍常见的概率分布（如均匀分布、正态分布），理解数据分布的概念。
产业案例与实践带练
  • 平台体验与环境配置：登录阿里云 Notebook，演示 Python 环境及 GPU 调用。安装 PyTorch 并验证 GPU 是否可用。
  • 早期 AI 案例体验：了解早期经典案例，如 GPS（简单介绍）与 Deep Blue（结合搜索与评估函数）。快速演示简化的搜索脚本（如 BFS/A* 算法应用于物流路径规划）。展示感知机二分类脚本及可视化边界，帮助学员直观理解基本原理。
  • 数学概念的应用理解：使用简单的函数进行直观解释导数的概念，并思考导数如何在寻找函数最小值时发挥作用。在数据科学与机器学习中，优化算法是模型训练的核心，了解导数和偏导数的概念可以帮助理解梯度下降等算法的本质。
  • 数据准备初步：演示 MNIST、CIFAR 等数据集的下载、准备与初步加载过程。了解数据收集、清洗与预处理的基本概念和常用方法。
第二阶段：AI系统工程师（专业实践）

第 9 周：模型部署与推理优化

知识点
  • 模型部署基础与容器化：了解模型部署的整体流程；初步掌握容器化技术 Docker 的基本概念和常用操作；学习如何构建包含模型推理代码的 Docker 镜像，为不同环境的部署打下基础。
  • 在线推理服务构建：了解如何使用 Flask 或 FastAPI 等框架搭建简单的模型推理 API，为云端和边缘端的在线服务提供基础；理解 RESTful API 设计原则。
  • 推理性能优化初步与框架选型：了解影响模型推理性能的主要因素，如延迟、吞吐量和资源占用；初步了解模型量化、剪枝和知识蒸馏等优化技术，以及它们在不同部署环境下的适用性；重点介绍云端（如 TensorFlow Serving, TorchServe）、边缘端（如 TensorFlow Lite, ONNX Runtime）和端侧设备（如 Core ML, MediaPipe）常用的推理框架及其特点和选型考虑。
  • 云边端模型部署方案：
    • 云端部署： 了解云平台（如阿里云 ModelArts, AWS SageMaker, Google AI Platform）提供的模型部署服务及其优势。
    • 边缘端部署： 理解边缘计算的概念和优势，了解在边缘设备上部署模型的常见方式和挑战。
    • 端侧部署： 了解在移动设备、嵌入式设备等端侧部署模型的特殊考虑，如模型大小、功耗和硬件加速。
产业案例与实践带练
  • 模型容器化与云端推理框架体验：
    • 使用 Dockerfile 构建一个包含模型推理代码的容器。
    • 如何在容器中集成云端常用的推理框架（如 TensorFlow Serving 或 TorchServe），并进行简单的模型部署和测试。
  • 在线推理 API 构建与边缘端推理框架初步：
    • 使用 Flask 或 FastAPI 搭建一个简单的 Web 服务，该服务能够接收输入数据，调用预训练的模型进行推理，并将结果返回给用户。
    • 初步体验在本地使用边缘端推理框架（如 TensorFlow Lite 或 ONNX Runtime）加载模型并进行推理，为后续边缘部署打下基础。
  • 推理性能优化方法与端侧推理框架了解：
    • 演示如何对一个简单的模型进行量化操作，并观察模型大小和推理速度的变化。
    • 介绍端侧推理框架（如 Core ML 或 MediaPipe）的基本概念和使用场景，了解其在移动设备和嵌入式设备上的优势。
  • 云边端模型部署流程了解：
    • 演示如何在阿里云 ModelArts 或类似平台上进行云端模型部署，并了解其提供的不同部署选项（如在线服务、批量预测等）。
    • 介绍边缘计算平台（如阿里云 Link IoT Edge）和端侧部署工具的基本使用流程和注意事项，熟悉不同部署环境的特点和流程，能够帮助选择合适的部署方案。
讲师介绍
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。