2024年第一期_全国数字人才技能提升师资培训开班通知

时间：5月20日 (09:00 - 18:00)

专题讲座

计算机视觉技术及其应用

大模型与AIGC概述

1 大模型是什么？

1.1 大模型的定义

1.2 大模型的特性与应用

2 大模型的前世今生

3 大模型爆火的原因

4 大模型原理介绍

4.1 ChatGPT工作机制与训练流程

4.2 自监督预训练解读

4.3 有监督微调介绍

4.4 奖励建模与强化学习

4.5 token是什么

5 AIGC简介

提示工程

1 提示工程(Prompt Engineering)简介

1.1 提示(Prompt)是什么

1.2 提示的发展历程

1.3 提示工程(Prompt Engineering)是什么

1.4 提示词编写原则与策略介绍

时间：5月21日 (09:00 - 18:00)

2 提示编写原则与策略

2.1 原则与策略：编写清晰的提示

2.2 原则与策略：提示参考示例

2.3 原则与策略：让模型一步步思考

2.4 原则与策略：调用外部工具

2.5 原则与策略：将复杂任务分解成子任务

2.6 原则与策略：采用系统的提示框架

2.7 原则与策略：用结构化方式进行提示

2.8 自动生成Prompt

3 总结

时间：5月22日 (09:00 - 18:00)

AIGC的教学应用

1 学习准备与声明

2 大模型辅导教案撰写

2.1 编写一份教案模板

2.2 撰写具体教案内容

3 题库题目生成

4 大模型辅导文献阅读

5 大模型辅导编程

6 大模型辅导数据分析

7 总结

时间：5月23日 (09:00 - 18:00)

AIGC生产力提升

1大模型辅助生成PPT

2 大模型辅助绘制思维导图

3 大模型辅助绘制流程图

拓展内容：

AIGC与图像生成

1.1 AI绘画简介

1.2 绘图提示词原则与框架

1.3 绘图工具介绍

2.1 绘图流程

2.2 文生图与图生图

2.3 图像连续创作

特别内容：

(1) ChatGPT教学应用

(2) 金牌助手ChatGPT，让应用开发更高效

(3) 大模型（ChatGLM2）产业应用漫步与畅想

时间：5月24日(09:00 - 18:00)

大模型赋能科研

1 抛出目标-目标路径-实际场景

2 确定发明专利的关键点

3 完成发明专利的基本内容

4 完成发明专利的详细阐述

5 赋能科研-科研小助手

6 赋能科研-kimi

时间：5月25日(09:00 - 18:00)

RAG应用：构建一个答疑小助手

1 RAG是什么

2 RAG的应用场景与优势

3 RAG工作流程

4 RAG应用：构建一个答疑小助手

时间：5月26日(09:00 - 18:00)

Agent应用：构建一个私人助理

1 Agent是什么

2 Agent的应用场景与价值

3 Agent工作流程

4 Agent应用：构建一个私人助手

时间：5月27日(09:00 - 18:00)

结课考核

拓展内容

基于大模型的小红书文案写作

1 小红书文案介绍

2 基于大模型撰写小红书文案并整理文案排版

3 基于大模型设置文案标题

4 基于大模型增加文案内容

5 基于大模型润色整体文案并做出总结

6 实训 小红书文案写作

时间：报名成功后即可开始学习

Python编程基础

1 认识Python

2 编写Python程序

3 认识Python数据结构

4 条件判断及分支语句

5 使用def定义函数

6 认识面向对象

7 读取文件数据

8 模块和第三方库

Python数据分析与应用

1 Python数据分析概述

2 NumPy数值计算基础

时间：5月20日 (09:00 - 18:00)

专题讲座

计算机视觉技术及其应用

Python数据分析与应用

1 Matplotlib数据可视化基础

1.1 掌握绘图基础语法与常用

1.2 分析特征间关系

1.3 分析特征内部数据分布与分散情况

时间：5月21日 (09:00 - 18:00)

2 Pandas统计分析基础

2.1 Pandas简介

2.2 读写不同数据源的数据

2.3 数据框与数据框元素

2.4 转换与处理时间序列数据

2.5 使用分组聚合进行组内计算

2.6 创建透视表与交叉表

时间：5月22日 (09:00 - 18:00)

3 使用Pandas进行数据与预处理

3.1 合并数据

3.2 清洗数据

3.3 标准化数据

3.4 转换数据

时间：5月23日 (09:00 - 18:00)

Python网络爬虫实战

1 Python爬虫环境与爬虫简介

1.1 认识爬虫

1.2 认识反爬虫

1.3 配置Python爬虫环境

2 网页前端基础

2.1 认识网络信息传输过程

2.2 认识HTTP

3 简单静态网页爬取

3.1 认识静态网页

3.2 实现HTTP请求

3.3 解析网页

3.4 存储数据

时间：5月24日 (09:00 - 18:00)

4 认识动态网页

4.1 认识动态网页

4.2 逆向分析爬取动态网页

4.3 使用Selenium库爬取动态网页

时间：5月25日 (09:00 - 18:00)

5 模拟登录

5.1 使用表单登录方法实现模拟登录

5.2 使用Cookie登录方法实现模拟登录

5.3 使用Selenium模拟登录

拓展

6 Scrapy爬虫

6.1 认识Scrapy

6.2 通过Scrapy爬取基本页面信息

6.3 通过Scrapy抓取跳转页面数据

7 拓展：终端协议及爬取工具介绍

拓展内容：

网站图像素材采集实战

1 思路介绍

2 单个图片文件爬取

3 获取一个页面所有图片网址

4 保存所有图片

5 翻页爬取更多数据

6 PDF文件规律及问题

7 PDF翻页刷新的网址规律

8 获取当前页所有图片网址

9 翻页刷新爬取所有图片

10 图片拼接成PDF文件

特别内容：

(1) ChatGPT教学应用

(2) 金牌助手ChatGPT，让应用开发更高效

(3) 大模型（ChatGLM2）产业应用漫步与畅想

时间：5月26日 (09:00 - 18:00)

泰迪内推平台招聘信息采集与分析(Python)

1 背景与目标

2 数据采集

2.1 网页结构探索

2.2 定位一级页面数据地址

2.3 爬取及解析一级页面数据

2.4 提取一级页面字段

2.5 定位二级页面数据地址

2.6 爬取及解析二级页面数据

2.7 翻页爬取及数据保存

3 数据处理

3.1 读取已爬取完成的数据

3.2 数据预处理操作

4 分析与可视化

4.1 招聘岗位对学历要求分析

4.2 各行业的大数据招聘需求数量分析

4.3 不同类型公司的薪资待遇分析

4.4 小结

时间：5月27日 (09:00 - 18:00)

新浪财经数据采集(八爪鱼工具)

1 背景与分析目标

2 目标分析

3.1 八爪鱼采集器介绍与安装

3.2 菜单栏和模块任务

4.1 自定义任务主界面介绍

4.2 新建自定义任务

4.3 自动识别爬虫字段

4.4 手动配置爬虫字段

4.5 翻页设置

4.6 二级页面爬取

4.7 进入二级页面的注意事项

4.8 数据预览操作

4.9 流程图操作

4.10 自定义任务保存

5.1 数据采集与导出

5.2 任务设置和保存

6小结

时间：5月28日 (09:00 - 18:00)

汽车质量投诉平台数据采集(八爪鱼工具)

1 背景与分析目标

2 数据采集

2.1 投诉网页分析和爬虫思路

2.2 分析翻页网址构造

2.3 自定义翻页网址列表

2.4 配置二级页面跳转位置

2.5 循环点击进入二级页面

2.6 配置二级页面的爬虫字段

2.7 修改字段名称

2.8 任务保存和开始采集

2.9 回顾：整体流程分析

3 数据和任务导出

3.1 查看爬虫任务明细

3.2 数据导出保存

4 总结

时间：5月29日 (09:00 - 18:00)

微博疫情评论数据采集(Python)

1 背景与目标

2.1 评论结构分析

2.2 数据接口分析

3.1 微博页面接口分析

3.2 评论数据接口分析

3.3 评论回复数据爬取

3.4 单页微博及评论数据爬取

3.5 多线程爬虫

4 小结

时间：5月30日 (16:00 - 18:00)

职业技术考试

跳转至线上班课程安排

时间：报名成功后即可开始学习

Python编程基础

1 认识Python

2 编写Python程序

3 认识Python数据结构

4 条件判断及分支语句

5 使用def定义函数

6 认识面向对象

7 读取文件数据

8 模块和第三方库

Python数据分析基础

1 Python数据分析概述

2 NumPy数值计算基础

时间：5月20日 (09:00 - 18:00)

专题讲座

计算机视觉技术及其应用

Python数据分析与应用

1 Matplotlib数据可视化基础

1.1 掌握绘图基础语法与常用

1.2 分析特征间关系

1.3 分析特征内部数据分布与分散情况

时间：5月21日 (09:00 - 18:00)

2 Pandas统计分析基础

2.1 Pandas简介

2.2 读写不同数据源的数据

2.3 数据框与数据框元素

2.4 转换与处理时间序列数据

2.5 使用分组聚合进行组内计算

2.6 创建透视表与交叉表

时间：5月22日 (09:00 - 18:00)

3 使用Pandas进行数据预处理

3.1 合并数据

3.2 清洗数据

3.3 标准化数据

3.4 转换数据

时间：5月23日 (09:00 - 18:00)

Python数据分析实训

1 iris数据处理实训

1.1 拓展学习资料&Python环境介绍

1.2 读取数据&修改列名称

1.3 以PythonConsole方式执行代码

1.4 缺失值处理

1.5 重置索引

2 探索chipotle数据

2.1 数据读取及介绍

2.2 分组聚合

2.3 数据类型转化

2.4 求客单价

3 探索Apple公司股价数据

3.1 数据读取及介绍

3.2 找到最后一个交易日

3.3 日期探索及可视化

特别内容

(1) ChatGPT教学应用

(2) 金牌助手ChatGPT，让应用开发更高效

(3) 大模型（ChatGLM2）产业应用漫步与畅想

时间：5月24日 (09:00 - 18:00)

商务数据分析概述

1 商务数据分析基本概念

2 商务数据分析应用场景

3 商务数据分析主要工作及流程

4 商务数据分析方法与工具

5 商务数据分析产业需求

牛刀小试-T公司运营数据分析与业务决策

1 背景与目标

2 目标分析

3 数据探索与处理

3.1 数据探索与处理思路

3.2 读取项目数据&处理业务标签

3.3 日报表读取及上下半年数据拆分

3.4 读取人员成本数据并与日报表拼接

3.5 三表合并及异常值处理

4 数据分析

4.1 计算各类业务的核心指标

4.2 各类业务指标分析及可视化

4.3 各项目核心指标统计及分析

4.4 各部门的核心指标计算分析

5 分析结果与建议

时间：5月25日 (09:00 - 18:00)

回归分析-某市财政收入预测

1 背景与目标

1.1 案例背景

1.2 数据介绍

2 目标分析

3 线性回归分析

3.1 线性回归分析介绍

3.2 构建线性回归模型

3.3 利用构建好的模型进行预测

3.4 数据读取与拆分

3.5 模型训练与预测

4 分析结果与评估

4.1 模型性能评估

4.2 将预测结果可视化

4.3 G市未来两年财政收入预测

时间：5月26日 (09:00 - 18:00)

聚类分析-对某航空公司客户分群

1 背景与目标

2 数据预处理

2.1 数据读取

2.2 剔除票价为空的记录

2.3 剔除异常记录

3 特征构造

3.1 RFM模型介绍

3.2 LRFMC模型

3.3 构造入会时长特征

3.4 剩余特征构造

4 K-Means客户分群

4.1 使用K-Means算法进行客户分群

4.2 获取K-Means聚类结果

4.3 聚类结果可视化

5 小结

时间：5月27日 (09:00 - 18:00)

分类分析-运营商用户流失判别

1.1 背景与目标

1.2 案例思路分析

2.1 数据探索

2.2 数据去重及删除无关属性

2.3 用户分组及标签构建

2.4 提取用户基本信息和在网时长

2.5 处理合约是否有效

2.6 处理合约计划到期时间

2.7 其余变量处理

2.8 特征拼接及缺失值处理

2.9 数据保存

3.1 特征选择介绍

3.2 皮尔逊特征选择

3.3 处理样本类别不均衡问题

4.1 模型性能评估介绍

4.2 模型构建及性能评估

时间：5月28日 (09:00 - 18:00)

关联规则-购物篮商品推荐

1 背景与目标

2 目标分析

3 数据探索与处理

3.1 数据读取及筛选

3.2 将数据处理成购物篮形式并保存

4 关联规则分析

4.1 关联规则介绍

4.2 Apriori算法流程

4.3 提升度的概念

5 关联规则模型构建

5.1 数据加载及拆分

5.2 挖掘强关联规则(Apriori算法实现)

6 模型性能评估

时间：5月29日(09:00 - 18:00)

协同过滤-泰迪内推平台信息精准推荐应用

1 背景与目标

2 目标分析

2.1 推荐思路分析

2.2 基于物品的协同过滤推荐介绍

3 工程实现

3.1 EB工具登录及简介

3.2 创建空白工程

3.3 导入数据

3.4 筛选正文数据

3.5 字符替换及记录去重

3.6 划分训练集用户和测试集用户

3.7 构建训练集和测试集数据

3.8 构建模型

3.9 推荐及性能评估

4 小结

时间：5月30日 (16:00 - 18:00)

职业技术考试

跳转至线上班课程安排

时间：报名成功后即可开始学习

Python编程基础

1 认识Python

2 编写Python程序

3 认识Python数据结构

4 条件判断及分支语句

5 使用def定义函数

6 认识面向对象

7 读取文件数据

8 模块和第三方库

Python数据分析与应用

1 Python数据分析概述

2 NumPy数值计算基础

3 Matplotlib数据可视化基础

4 Pandas统计分析基础

5 使用Pandas进行数据预处理

时间：5月20日(09:00 - 18:00)

专题讲座

计算机视觉技术及其应用

Python机器学习实战

1 机器学习绪论

1.1 引言

1.2 基本术语

1.3 假设空间&归纳偏好

2 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.3 性能度量

2.4 性能度量Python实现

3 回归分析

3.1 线性回归基本形式

3.2 线性回归模型的Python实现

4 决策树

4.1 从女士相亲到决策树

4.2 明天适合打球吗

4.3 决策树拆分属性选择

4.4 决策树算法家族

4.5 泰坦尼克号生还者预测-数据预处理

4.6 泰坦尼克号生还者预测-模型构建与预测

时间：5月21日 (09:00 - 18:00)

5 人工神经网络

5.1 单个神经元介绍

5.2 经典网络结构介绍

5.3 神经网络工作流程演示

5.4 如何修正网络参数-梯度下降法

5.5 网络工作原理推导

5.6 网络搭建准备

5.7 样本从输入层到隐层传输的Python实现

5.8 网络输出的Python实现

5.9 单样本网络训练的Python实现

5.10 全样本网络训练的Python实现

5.11 网络性能评价

5.12 调用sklearn实现神经网络算法

时间：5月22日 (09:00 - 18:00)

PyTorch框架基础实战

1 PyTorch简介

2 张量操作

2.1 创建张量

2.2 张量与数组相互转化

3 构建一个线性模型

3.1 任务描述：构建一个线性模型

3.2 读取数据

3.3 构建初始模型及损失函数

3.4 test-构建优化器

3.5 最小化方差(训练)

3.6 执行多轮训练

3.7 训练过程可视化

时间：5月23日(09:00 - 18:00)

4 识别手写数字

4.1 案例目标与流程

4.2 加载数据

4.3 加工数据

4.4 模型结构介绍

4.5 构建模型

4.6 模型配置

4.7 模型训练

4.8 执行多轮训练

4.9 模型性能评估

4.10 保存模型

4.11 加载模型

4.12 模型应用

时间：5月24日 (09:00 - 18:00)

PyTorch深度学习原理与实现

1 深度神经网络-引言

2 卷积神经网络CNN

2.1 浅层神经网络的局限

2.2 卷积操作

2.3 卷积操作的优势

2.4 池化及全连接

2.5 高维输入及多filter卷积

2.6 实现卷积和操作

2.7 将卷积结果可视化

2.8 实现池化操作

时间：5月25日 (09:00 - 18:00)

3 循环神经网络RNN

3.1 循环神经网络简介

3.2 循环神经网络的常见结构

4 长短时记忆网络LSTM

4.1 LSTM的三个门

4.2 LSTM三个门的计算示例

4.3 实现LSTM操作

4.4 LSTM返回值解读

5 利用RNN&LSTM实现MNIST手写数字识别

5.1 加载数据

5.2 数据加工

5.3 搭建循环神经网络

5.4 模型配置

5.5 模型训练

5.6 模型性能验证

特别内容：

金牌助手ChatGPT，让应用开发更高效

时间：5月26日(09:00 - 18:00)

脑PET图像分析与疾病预测

1 背景与目标

2 数据处理

2.1 图像读取及尺寸调整

2.2 图像增强之翻转操作

2.3 图像增强之旋转缩放

2.4 获取所有照片路径

2.5 批量获取照片数据

2.6 将数据处理过程封装成函数

3 模型构建

3.1 定义卷积&池化层

3.2 定义全连接层

3.3 定义网络计算过程

3.4 数据集维度顺序调整及类型转化

3.5 数据集分批及打乱操作

3.6 模型构建及配置

3.7 模型训练

4 模型性能评估及应用

4.1 模型性能评估及保存

4.2 模型应用

时间：5月27日(09:00 - 18:00)

基于textCNN的公众健康问句分类

1 背景与目标

1.1 背景与目标

1.2 目标分析

2 数据探索与处理

2.1 数据探索

2.2 剔除无效字符及分词操作

2.3 读取停用词表

2.4 去除停用词

2.5 为词语编号

3 词嵌入(Word2Vec)

3.1 词嵌入(Word2Vec)介绍

3.2 获取目标词向量矩阵

3.3 博爱从处理好的数据

4 模型构建(textCNN)

4.1 统一各样本的词语数量

4.2 textCNN介绍

4.3 构建textCNN

4.4 建模前数据准备

4.5 执行模型训练

5 模型性能评估

5.1 模型性能评估

5.2 小结

时间：5月28日 (09:00 - 18:00)

新冠疫情期间网民情绪识别

1 背景与目标

2 数据准备

2.1 数据基本介绍

2.2 词嵌入介绍

2.3 进行词向量训练

2.4 构建词向量矩阵

2.5 获取编码后的语料库

2.6 对各样本执行padding操作

2.7 拆分数据并将其转为模型所需格式

3 模型训练与性能验证

3.1 Embedding层介绍

3.2 定义Embedding层算子

3.3 定义LSTM层算子

3.4 定于全连接层算子

3.5 定义网络计算流程

3.6 模型构建及配置

3.7 模型训练

3.8 模型性能评估

4 小结

时间：5月29日(09:00 - 18:00)

基于FaceNet的人脸智能识别

1 背景与目标

1.1 背景与目标

1.2 目标分析

1.3 开发环境和工程结构介绍

2 人脸检测

2.1 MTCNN人脸检测介绍

2.2 执行人脸检测操作

3 人脸对齐

3.1 执行人脸对齐操作

3.2 人脸检测与对齐代码整理

4 人脸特征提取

4.1 FaceNet溯源-计算机视觉领域的部分大事件

4.2 FaceNet介绍

4.3 执行人脸特征提取操作

5 人脸识别

5.1 获取后台数据库中的人脸数据

5.2 获取后台数据库人脸数据脚本解读

5.3 完成人脸识别操作

5.4 代码整理与结构可视化

6 小结

时间：5月30日(16:00 - 18:00)

职业技术考试

跳转至线上班课程安排