项目

内容

课程名称

机器学习工程师实战课程

岗位定位

负责机器学习模型的开发、训练、调优和部署，解决各类预测、分类、回归问题。

培训目标

使学员系统掌握机器学习全流程，能够独立完成数据预处理、特征工程、模型选择、超参数调优和模型评估，具备解决实际业务问题的能力。

培训对象

数学/统计/计算机背景学生、数据分析师转型、软件开发工程师进阶

核心课程

• 机器学习基础与数学预备：线性代数、概率统计、最优化方法、模型评估指标
• 经典机器学习算法（上）：线性回归、逻辑回归、决策树、K近邻、朴素贝叶斯
• 经典机器学习算法（下）：SVM、聚类算法、降维算法、集成学习（随机森林/GBDT/XGBoost）
• 特征工程实战：特征构建、特征选择、特征提取、特征缩放、特征交叉
• 模型调参与优化：网格搜索、随机搜索、贝叶斯优化、早停策略
• 模型解释与可解释性：SHAP、LIME、特征重要性、部分依赖图
• 不平衡数据处理：过采样（SMOTE）、欠采样、代价敏感学习
• 时间序列分析：平稳性、ARIMA、Prophet、LSTM时序预测
• 模型部署基础：Flask/FastAPI模型API封装、Docker容器化
• 实战项目：金融风控模型、电商销量预测、用户流失预警

项目

内容

课程名称

计算机视觉工程师实战课程

岗位定位

负责图像/视频处理、目标检测、图像分割、人脸识别等视觉任务的算法研发与落地。

培训目标

使学员掌握计算机视觉核心技术，能够独立完成图像分类、目标检测、图像分割等任务，具备模型优化与部署能力。

培训对象

机器学习基础学习者、图像处理从业者、安防/自动驾驶行业转型人员

核心课程

• 机器学习基础与数学预备：线性代数、概率统计、优化方法、模型评估
• 深度学习基础与神经网络：反向传播、激活函数、优化器、正则化
• 卷积神经网络（CNN）：卷积操作、池化层、经典网络（AlexNet/VGG/ResNet）
• 轻量级网络：MobileNet、ShuffleNet、EfficientNet、模型压缩
• 目标检测（一）：两阶段检测器（Faster R-CNN、Mask R-CNN）
• 目标检测（二）：单阶段检测器（YOLO系列、SSD、RetinaNet）
• 图像分割：语义分割（FCN/U-Net/DeepLab）、实例分割（Mask R-CNN）
• 人脸识别：人脸检测（MTCNN）、人脸对齐、人脸识别（FaceNet/ArcFace）
• 图像生成：GAN系列（DCGAN/WGAN/StyleGAN）、扩散模型入门
• 工业实战：缺陷检测、OCR识别、视频分析、模型部署（TensorRT/OpenVINO）

项目

内容

课程名称

自然语言处理工程师实战课程

岗位定位

负责文本处理、情感分析、机器翻译、问答系统等NLP任务的算法研发与落地。

培训目标

使学员掌握自然语言处理核心技术，能够独立完成文本分类、序列标注、语义匹配等任务，具备大模型应用能力。

培训对象

机器学习基础学习者、语言学背景转型人员、文本分析从业者

核心课程

• 机器学习基础与数学预备：概率统计、信息论、优化方法、模型评估
• 深度学习基础与神经网络：反向传播、RNN/LSTM/GRU、优化器
• 词向量表示：Word2Vec、GloVe、FastText、ELMo
• 序列模型：RNN、LSTM、GRU、双向RNN、序列到序列模型
• 注意力机制：注意力计算、自注意力、多头注意力
• Transformer架构：位置编码、Encoder-Decoder、BERT架构解析
• 预训练模型：BERT系列、GPT系列、RoBERTa、ALBERT、T5
• NLP经典任务：文本分类、情感分析、命名实体识别、关系抽取
• 机器翻译与对话系统：编码器-解码器、束搜索、BLEU评估、对话管理
• 大模型应用：提示工程、RAG检索增强生成、LangChain框架、模型微调

项目

内容

课程名称

推荐/广告算法工程师实战课程

岗位定位

负责推荐系统、搜索引擎、广告系统的算法研发，提升用户点击率、转化率和商业价值。

培训目标

使学员掌握推荐/广告算法核心技术，能够独立完成召回、排序、重排等模块的设计与优化，具备亿级数据量下的算法工程能力。

培训对象

机器学习基础学习者、算法工程师转型、电商/短视频行业从业者

核心课程

• 机器学习基础与数学预备：线性代数、概率统计、优化方法、模型评估
• 推荐系统架构：召回-排序-重排全链路、冷启动策略、实时/离线特征
• 召回算法：协同过滤（UserCF/ItemCF）、矩阵分解（SVD/SVD++）
• 向量召回：双塔模型、YoutubeDNN、Faiss/HNSW索引、ANN检索
• 排序算法（一）：LR、GBDT+LR、FM/FFM
• 排序算法（二）：DeepFM、DIN、DIEN、多任务学习（MMoE/ESMM）
• 重排与混排：多样性控制（MMR/DPP）、上下文感知排序
• 广告算法：点击率预估（CTR）、转化率预估（CVR）、实时竞价（RTB）
• 搜索引擎：倒排索引、Query理解、语义召回、排序学习（LTR）
• 工业实战：大规模特征存储、在线学习、AB实验系统、模型监控

项目

内容

课程名称

数据科学家实战课程

岗位定位

负责从海量数据中挖掘洞察、构建预测模型、驱动业务决策，是技术与业务的桥梁。

培训目标

使学员掌握数据科学全流程，能够独立完成数据探索、统计分析、模型构建、结果解读和商业建议输出。

培训对象

统计学/数学背景学生、数据分析师进阶、业务团队转型人员

核心课程

• 机器学习基础与数学预备：概率统计、线性代数、微积分、优化方法
• 探索性数据分析（EDA）：数据可视化（Matplotlib/Seaborn）、统计描述、异常检测
• 统计学基础：假设检验、方差分析、相关分析、回归分析
• 特征工程与数据清洗：缺失值处理、异常值处理、数据变换、特征构造
• 机器学习模型：线性模型、树模型、集成学习、聚类分析
• 因果推断：相关性vs因果性、倾向性评分、双重差分法、工具变量
• A/B测试：实验设计、样本量计算、假设检验、结果解读
• 商业分析：RFM模型、漏斗分析、留存分析、用户生命周期价值
• 数据可视化与报告：Tableau/Power BI、数据故事化表达、可视化仪表盘
• 实战项目：用户行为分析、营销响应模型、价格弹性分析

项目

内容

课程名称

AI平台与MLOps工程师实战课程

岗位定位

负责AI基础设施、模型服务平台、MLOps体系建设，保障算法模型的稳定部署和高效运行。

培训目标

使学员掌握AI工程化核心技术，能够独立构建模型训练平台、推理服务系统和MLOps流程，具备大规模分布式训练和模型服务能力。

培训对象

后端开发工程师、运维工程师转型、算法团队工程化支撑人员

核心课程

• 机器学习基础：AI模型生命周期、模型评估基础、特征存储概念
• Python工程能力：设计模式、单元测试、性能优化、CI/CD基础
• 容器化与编排：Docker深度实践、Kubernetes基础、Helm包管理
• 分布式训练框架：PyTorch Distributed、Horovod、混合精度训练
• 模型推理加速：模型量化（INT8/FP16）、TensorRT优化、ONNX Runtime
• 推理服务框架：Triton Inference Server、TF Serving、TorchServe
• MLOps平台：MLflow实验追踪、Kubeflow工作流、模型版本管理
• 特征平台：实时特征计算、特征存储（Feast）、在线离线一致性
• 模型监控：数据漂移检测、概念漂移、模型质量监控、告警系统
• 云原生AI：Kubeflow、阿里云PAI、AWS SageMaker、边缘AI部署

项目

内容

课程名称

大模型应用开发工程师实战课程

岗位定位

负责基于大语言模型（LLM）的应用开发，包括Prompt工程、RAG系统、Agent智能体、模型微调等，是AI落地的新兴核心岗位。

培训目标

使学员掌握大模型应用开发核心技术，能够独立构建RAG系统、智能体应用、微调垂直领域模型，具备企业级AI应用开发能力。

培训对象

全栈开发转型AI应用、AI算法工程师拓展、产品经理技术进阶

核心课程

• 大模型基础：Transformer架构、GPT系列、Llama系列、主流模型对比
• 提示词工程（Prompt Engineering）：提示词设计原则、Few-shot/COT/ToT、提示词优化
• 大模型API调用：OpenAI API、DeepSeek API、智谱API、通义千问API
• RAG系统构建：文档解析、分块策略、Embedding模型、向量数据库（FAISS/Pinecone）
• 检索优化：混合检索、重排序、查询改写、多路召回、上下文压缩
• Agent智能体：ReAct框架、工具调用、多智能体协作、AutoGPT原理
• 工作流编排：LangChain、LlamaIndex、Dify平台、Flowise
• 模型微调（Fine-tuning）：LoRA/QLoRA、全量微调、指令微调（SFT）
• 评估与监控：RAG评估指标、幻觉检测、应用日志分析、用户反馈
• 企业级部署：私有化部署、模型量化、推理优化、安全控制

项目

内容

课程名称

算法架构师实战课程

岗位定位

负责算法技术战略规划、架构设计、团队技术决策，主导复杂AI系统的设计与落地。

培训目标

使学员具备算法系统全局视野，能够设计可扩展、高可用、低延迟的AI系统架构，主导技术选型、架构演进和团队技术能力建设。

培训对象

资深算法工程师、技术团队负责人、AI实验室研究员

核心课程

• AI系统架构设计：数据流架构、模型服务架构、训练平台架构
• 大规模分布式训练：3D并行（数据/张量/流水线）、ZeRO优化、混合精度
• 高可用推理服务：多副本部署、负载均衡、弹性伸缩、容灾设计
• 数据平台架构：实时/离线数据管道、特征平台设计、数据湖集成
• MLOps体系设计：全链路自动化、实验管理、模型版本控制、监控告警
• 技术选型决策：框架选型（PyTorch/TensorFlow）、硬件选型（GPU/TPU）
• 算法团队管理：技术梯队建设、代码规范、知识沉淀、项目管理
• 技术战略规划：技术路线图、技术债务管理、创新孵化机制
• 行业解决方案：金融AI、电商AI、工业AI等场景架构设计
• 前沿技术追踪：多模态大模型、AI for Science、具身智能

岗位方向

数学基础

机器学习基础

深度学习基础

专业方向课程

工程实践

机器学习工程师

必备

深度

基础

特征工程、模型调优

模型部署

计算机视觉工程师

必备

基础

深度

CNN、目标检测、图像分割

TensorRT/OpenVINO

自然语言处理工程师

必备

基础

深度

Transformer、BERT、大模型

LangChain/RAG

推荐/广告算法工程师

必备

深度

基础

召回、排序、CTR预估

在线学习

数据科学家

深度

深度

基础

统计分析、A/B测试

商业分析

AI平台/MLOps工程师

基础

基础

基础

分布式训练、推理服务

Kubernetes/MLflow

大模型应用开发工程师

基础

基础

深度

RAG、Agent、微调

LangChain/向量库

算法架构师

基础

全面

全面

系统架构、技术战略

全流程设计

学员类型

推荐岗位路径

学习重点

数学/统计背景学生

数据科学家 → 机器学习工程师 → 算法架构师

强化编程和工程能力

计算机背景学生

机器学习工程师 → CV/NLP工程师 → 算法架构师

强化数学和理论基础

软件开发工程师转型

AI平台/MLOps → 大模型应用 → 算法工程师

强化算法基础

算法工程师进阶

专业方向（CV/NLP/推荐） → 算法架构师

拓宽技术广度

产品经理/业务人员

大模型应用开发

掌握AI应用能力

特色

说明

岗位导向

八大课程精准对应2026年主流AI算法岗位需求

分层递进

基础-专业-架构三层递进，适应不同阶段学员

工程实战

强调工业级实战能力，覆盖模型训练到部署全链路

前沿覆盖

大模型、RAG、Agent等2026年热点技术深度融入

工具链完整

覆盖PyTorch/TensorFlow、LangChain、MLflow、Kubernetes等主流工具

  微信咨询

随时听讲课

聚焦技术实践