p01 00-AI大模型应用先导片

课程目录
课程简介
  • p01 00-AI大模型应用先导片
    02:37
  • p02 【基础】1.本套课程知识点介绍
    06:48
  • p03 【基础】2.NLP核心原理与实战运用
    28:39
  • p04 【基础】3.词汇表征方法与语言建模技术
    24:40
  • p05 【基础】4.大规模语言模型入门指引
    05:37
  • p06 【基础】5.大模型技术原理与架构模式
    02:51
  • p07 【基础】6.大模型实践案例解析
    13:29
  • p08 【基础】7.开发环境配置与GPU计算平台使用指南
    03:32
  • p09 【神经网络】1.课程内容概述
    00:58
  • p10 【神经网络】2.神经网络基础——知识框架
    01:43
  • p11 【神经网络】3.神经网络核心组件解析
    13:35
  • p12 【神经网络】4.神经网络训练方法
    22:05
  • p13 【神经网络】5.词嵌入技术：Word2vec
    15:20
  • p14 【神经网络】6.循环神经网络（RNN）原理
    10:12
  • p15 【神经网络】7.门控循环单元（GRU）详解
    04:45
  • p16 【神经网络】8.长短期记忆网络（LSTM）解析
    06:30
  • p17 【神经网络】9.双向循环神经网络（Bi-RNN）
    02:21
  • p18 【神经网络】10.卷积神经网络（CNN）介绍
    08:02
  • p19 【神经网络】11.PyTorch模型训练实战
    14:21
  • p20 【Trans】1.课程内容概述
    00:42
  • p21 【Trans】2.注意力机制基本原理
    08:17
  • p22 【Trans】3.注意力机制变体解析
    00:56
  • p23 【Trans】4.注意力机制特性分析
    01:44
  • p24 【Trans】5.Transformer架构综述
    04:17
  • p25 【Trans】6.Transformer输入编码技术（BPEPE）
    08:42
  • p26 【Trans】7.Transformer编码器模块详解
    10:40
  • p27 【Trans】8.Transformer解码器模块解析
    03:38
  • p28 【Trans】9.Transformer优化技巧
    00:55
  • p29 【Trans】10.Transformer实验结果与可视化
    02:20
  • p30 【Trans】11.Transformer优势与局限性
    01:56
  • p31 【Trans】12.语言建模基础理论
    05:14
  • p32 【Trans】13.预训练语言模型（PLM）导论
    25:44
  • p33 【Trans】14.掩码语言建模（MLM）应用实践
    04:10
  • p34 【Trans】15.前沿大语言模型综述
    06:19
  • p35 【Trans】16.Transformers框架入门指南
    05:47
  • p36 【Trans】17.Transformers基础应用方法
    02:16
  • p37 【Trans】18.Transformers分词技术详解
    01:55
  • p38 【Trans】19.Transformers核心API解析
    02:01
  • p39 【Trans】20.Transformers案例演示
    18:36
  • p40 【提示词与微调】1_课程内容概述
    01:42
  • p41 【提示词与微调】2_PromptLearning与DeltaTuning背景解析
    17:25
  • p42 【提示词与微调】3_PromptLearning核心架构与流程
    08:14
  • p43 【提示词与微调】4_PromptLearning预训练模型选择
    03:21
  • p44 【提示词与微调】5_PromptLearning模板构建方法
    17:28
  • p45 【提示词与微调】6_PromptLearning词表映射构造
    06:06
  • p46 【提示词与微调】7_PromptLearning训练范式创新
    10:37
  • p47 【提示词与微调】8_PromptLearning实践应用
    02:17
  • p48 【提示词与微调】9_PromptLearning技术总结
    01:34
  • p49 【提示词与微调】10_DeltaTuning背景介绍
    04:58
  • p50 【提示词与微调】11_DeltaTuning增量调参技术
    04:43
  • p51 【提示词与微调】12_DeltaTuning定向调参方法
    00:54
  • p52 【提示词与微调】13_DeltaTuning参数重构技术
    02:06
  • p53 【提示词与微调】14_DeltaTuning统一框架理论
    08:31
  • p54 【提示词与微调】15_DeltaTuning技术总结
    01:54
  • p55 【调优】16_OpenPrompt工具指南
    16:49
  • p56 【提示词与微调】17_OpenDelta工具指南
    15:39
  • p57 【训练与压缩】1_课程内容概述
    02:17
  • p58 【训练与压缩】2_BMTrain技术背景
    07:56
  • p59 【训练与压缩】3_BMTrain数据并行策略
    11:26
  • p60 【训练与压缩】4_BMTrain模型并行架构
    05:07
  • p61 【训练与压缩】5_BMTrain ZeRO优化技术
    10:25
  • p62 【训练与压缩】6_BMTrain流水线并行机制
    02:08
  • p63 【训练与压缩】7_BMTrain混合精度优化
    04:03
  • p64 【训练与压缩】8_BMTrain显存卸载技术
    01:47
  • p65 【训练与压缩】9_BMTrain计算重叠优化
    01:28
  • p66 【训练与压缩】10_BMTrain检查点存储
    02:34
  • p67 【训练与压缩】11_BMTrain实践指南
    01:16
  • p68 【训练与压缩】12_BMCook技术背景
    06:03
  • p69 【训练与压缩】13_BMCook知识蒸馏方法
    15:39
  • p70 【训练与压缩】14_BMCook模型剪枝技术
    14:54
  • p71 【训练与压缩】15_BMCook模型量化方案
    05:24
  • p72 【训练与压缩】16_模型压缩之权重共享
    03:00
  • p73 【训练与压缩】17_模型压缩之低秩近似
    03:16
  • p74 【训练与压缩】18_模型压缩之架构搜索
    03:19
  • p75 【训练与压缩】19_BMCook应用指南
    06:29
  • p76 【训练与压缩】20_BMInf技术背景
    09:04
  • p77 【训练与压缩】21_BMInf Transformer解析
    07:07
  • p78 【训练与压缩】22_BMInf量化压缩技术
    06:48
  • p79 【训练与压缩】23_BMInf内存调度策略
    06:41
  • p80 【训练与压缩】24_BMInf使用教程
    05:03
  • p81 【NLP基础】1_大模型文本理解与生成概述
    05:42
  • p82 【NLP基础】2_信息检索技术背景
    02:17
  • p83 【NLP基础】3_信息检索定义与评估
    05:22
  • p84 【NLP基础】4_传统信息检索方法
    03:39
  • p85 【NLP基础】5_基于大模型的神经检索
    05:10
  • p86 【NLP基础】6_信息检索研究前沿
    14:20
  • p87 【NLP基础】7_机器问答系统导论
    10:07
  • p88 【NLP基础】8_阅读理解技术解析
    11:54
  • p89 【NLP基础】9_开放域问答系统
    18:51
  • p90 【NLP基础】10_文本生成技术综述
    01:19
  • p91 【NLP基础】11_文本生成任务分类
    05:36
  • p92 【NLP基础】12_神经文本生成方法
    26:17
  • p93 【NLP基础】13_可控文本生成技术
    04:42
  • p94 【NLP基础】14_文本生成评估体系
    03:15
  • p95 【NLP基础】15_文本生成技术挑战
    06:37
  • p96 【医学NLP】1_生物医学NLP课程概述
    00:56
  • p97 【医学NLP】2_生物医学文本挖掘总览
    05:59
  • p98 【医学NLP】3_生物医学文本挖掘任务
    20:29
  • p99 【医学NLP】4_生物医学预训练语言模型
    01:58
  • p100 【医学NLP】5_生物医学知识图谱构建
    03:21
  • p101 【医学NLP】6_生物医学文本挖掘应用场景
    05:42
  • p102 【医学NLP】7_智能辅助诊疗系统导论
    01:49
  • p103 【医学NLP】8_医疗文本分类技术
    03:56
  • p104 【医学NLP】9_医疗对话系统解析
    25:12
  • p105 【医学NLP】10_智能辅助诊疗总结
    03:10
  • p106 【医学NLP】11_生物分子表征方法
    04:10
  • p107 【医学NLP】12_DNA序列分析方法
    07:40
  • p108 【医学NLP】13_蛋白质文本表征技术
    15:10
  • p109 【医学NLP】14_化学物质识别技术
    13:32
  • p110 【医学NLP】15_生物医学NLP实践项目
    02:14
  • p111 【法律NLP】1_大模型与法律应用概述
    02:59
  • p112 【法律NLP】2_背景说明
    08:21
  • p113 【法律NLP】3_法律智能化应用
    20:00
  • p114 【法律NLP】4_双重研究路径
    02:39
  • p115 【法律NLP】5_数据导向方法
    02:13
  • p116 【法律NLP】6_法律预训练模型
    20:40
  • p117 【法律NLP】7_知识引导方法
    40:30
  • p118 【法律NLP】8_法理量化研究
    06:06
  • p119 【法律NLP】9_法律智能发展趋势
    03:07
  • p120 【脑科学】1_脑科学与大模型主题概述
    02:11
  • p121 【脑科学】2_人脑与大模型背景解析
    08:19
  • p122 【脑科学】3_人脑如何构建知识体系
    04:09
  • p123 【脑科学】4_语言处理核心原则
    02:16
  • p124 【脑科学】5_探索语言的本质特性
    14:26
  • p125 【脑科学】6_大模型神经元背景说明
    05:54
  • p126 【脑科学】7_神经元激活模式研究
    07:26
  • p127 【脑科学】8_转换模型架构MOE解析
    12:18
  • p128 【脑科学】9_神经元特定功能学习
    24:17
  • p129 【脑科学】10_神经元作为迁移评估指标
    16:41
  • p130 【脑科学】11_神经元情感表征分析
    13:35
  • p131 【脑科学】12_大模型认知能力简介
    07:56
  • p132 【脑科学】13_认知能力下游任务示例
    14:19
  • p133 【脑科学】14_认知能力挑战与局限
    01:16

自动创建，来源于视频导入任务

Section outline