巨特2026寒假全国高校人工智能师资峰会-青岛

来源: 张存瑞/

山东巨特信息技术服务有限公司

109

2025-11-12 18:22:57

2025-11-12

巨特2026寒假全国高校人工智能师资峰会-青岛（2月2-2月7）

详情：https://mp.weixin.qq.com/s/HvVGmaRfn_vKJ8nZgwWINA

专题一数据分析经典算法的原理及实战，中国人民大学朝乐门教授博士生导师

专题二大模型与知识图谱前沿技术融合实战，联通研究院蔡丰龙高工高级架构师

专题三人工智能视觉大模型与具身智能应用实战，哈尔滨工业大学屈桢深教授博士生导师

专题四大语言模型的应用开发与项目案例实战，青岛理工大学周炜教授副院长

专题一：数据分析经典算法的原理及实战

高级进阶课程，配套教材、课件、环境、实验手册、源码、数据

课程介绍

数据分析已成为现代人才必备的能力之一。然而，数据分析能力是一种综合素质，不仅需要扎实的理论功底，而且还要丰富的实践经验。在理论学习方面，数据分析师需要必须具备机器学习、统计学、数据分析、高等数学、线性代数、运筹学、离散数学、人工智能、数据库、数据仓库数据挖掘等多门课程的基础知识；在动手实践操作方面，数据分析师需要积累大量的实际动手操作经验，尤其是基于Python 为代表的开源工具的数据分析的实战经验。因此，如何有效学习数据分析理论和实践已成为多数初学者所面临的挑战。本课程的主要内容及特色如下：

1.采用通俗易懂的语言和深入浅出的逻辑讲解数据分析算法；

2.分别从五个角度讲解数据分析领域的六大类（共12种）经典算法：应用场景、算法原理、核心术语、Python编程实践以及重点与难点解读；

3.采取以案例为中心的讲解模式，重视实际动手操作能力的提升，带领学员现场编写12项案例项目的Python源代码；

4.兼顾数据分析能力及课堂教学能力的提升，本课程讲解的数据分析知识及案例可以直接引入相关课程的教学之中；

5.聚焦能力提升，讲解每个算法的核心术语、主要参数及底层数学原理；

6.重视数据分析及算法分析领域的核心文献的利用，并推荐相关阅读文献。

目标及学习收获

1.掌握数据分析领域六大类（共12种）经典算法，提升数据分析基本功。

2.掌握每个算法的应用场景、核心术语及算法原理。

3.掌握每个算法的Python动手编程方法、技能及经验。

4.掌握每个算法背后的数学原理及底层算法知识。

5.掌握每个算法的主要参数的含义及调参方法。

6.掌握数据分析领域最新动态及未来发展趋势。

7.分享与交流相关课程的教学经验和能力。

8.了解数据分析领域的核心文献及代表性实践，提升学术研究和工程实践能力。

专题二：大模型与知识图谱前沿技术融合与实战

高级进阶课程，配套教材、课件、环境、实验手册、源码、数据、录屏

课程介绍

本课程旨在为高校教师提供深入理解大模型与知识图谱的原理和应用实战经验。随着人工智能技术的飞速发展，知识图谱已经成为解决各种复杂问题的重要工具之一。而大模型的兴起更是在各领域引发了巨大的影响，从自然语言处理到计算机视觉，再到推荐系统和生成式模型等等，大模型的应用不断拓展和深化。本课程将全面介绍知识图谱和大模型的基本原理、算法实现、模型优化以及最新的研究进展。本课程旨在结合理论与实践，通过深入浅出的讲解和动手实践的项目，帮助参训教师掌握大模型和知识图谱的核心原理、关键技术及其在多个领域中的实际应用。真正的让各位老师可以了解到所学内容如何和实际结合，做到更好的进行教学、科研工作，同时为发表高水平论文、竞赛辅导、申报纵向和横向课题打下坚实基础。

课程特色

1、通过案例分析，了解大模型和知识图谱在各个领域的应用实践，启发创新思维；

2、本课程注重理论与实践的紧密结合，通过丰富的案例分析和项目实战，使教师能够将理论知识转化为实际能力；

3、可以胜任深度学习、知识图谱、大模型等技术工作，全流程构建、项目架构设计并且能够实际动手完成案例。

4、课程内容紧跟大模型和知识图谱的最新研究进展，同时关注实际应用需求，使教师既能掌握前沿技术，又能解决实际问题。

目标及学习收获

1、掌握大模型和知识图谱的基本原理和算法，理解其原理及计算过程；

2、熟悉深度学习开发环境搭建和神经网络原理，能够搭建和训练基本的深度学习模型；

3、了解大模型的设计原理、优化方法和应用场景，掌握大模型的训练技巧和部署方案；

4、掌握Transformer模型结构及内部原理；

5、掌握大模型环境构建及模型训练部署方法；

6、掌握大模型家族GPT、LLaMA、GLM等模型的内部机制；

7、掌握大模型提示学习、轻量化微调、RLHF、量化、蒸馏等核心技术；

8、掌握大模型的设计、训练、调优、部署等关键技术；

9、掌握大模型必备的预处理相关技术；

10、掌握深度学习重要领域机器视觉、GAN、强化学习的原理及实战；

11、掌握知识图谱知识源数据的获取、知识抽取、知识融合、知识加工、知识存储等核心技术；

12、掌握融合大规模语言模型与知识图谱的推理方法；

13、可以独自进行基于大语言模型、知识图谱的全流程构建、项目架构设计并且能够实际动手完成案例。

专题三：人工智能视觉大模型与具身智能应用实战

高级进阶课程，配套教材、课件、环境、实验手册、源码、数据、录屏

课程介绍

课程围绕视觉大模型和智能机器人领域的最新进展，以“体系清晰，应用实战”为目标，通过形象生动的课程讲授和丰富多样的实验/演示，一方面“从上而下”明晰视觉体系构建及演化，另一方面“自底而上”讲清方法实现关键细节。课程沿“机器视觉框架——深度学习——视觉大模型——具身智能”主线，讲授机器视觉、视觉大模型与具身智能的基本原理、实例应用及前沿进展，内容包括机器视觉快速导引与关键概念、视觉系统任务、深度学习、多模态大模型、具身智能、VLA等，同时涵盖Transformer、视觉-语言大模型、具身智能等视觉领域的最新进展。课程结合OpenCV、PyTorch、ROS等通用平台框架，提供传统及现代机器视觉、具身智能应用的丰富实例及项目讲解。课件可视化强；注重讲述来龙去脉，同时实验紧扣课程内容，以真正掌握为目标。在激发学习兴趣的同时，可切实理解教学内容并能动手实践，为参训教师今后开设同类课程及实际项目研发提供关键支撑。

课程特色

课程以“知识理解透彻，代码应用实战”为目标，讲授机器视觉、视觉大模型与具身智能的基本原理、实例应用及前沿进展。结合OpenCV、PyTorch、ROS等通用平台框架，提供传统及现代机器视觉、具身智能应用的丰富实例及项目讲解。通过课程学习，可切实理解机器视觉经典及现代深度学习、大模型、具身智能方法，同时通过丰富实例提高应用能力，参训教师学习后可开设同类课程或从事相关项目研发。

目标及学习收获

1、掌握机器视觉体系架构、经典视觉关键方法思想及内容实现；

2、掌握现代深度学习应用与机器视觉的基本思想与关键方法；

3、掌握深度学习视觉识别、检测等关键任务中的网络构建和方法实现；

4、掌握视觉-语言大模型的核心技术和检测、分割等典型应用；

5、掌握智能系统和具身智能的基本概念；

6、通过自动驾驶等实例掌握ROS系统编程及具身智能实现；

7、掌握VLA的原理与实现方式；

8、掌握具身视觉的具体方法及应用；

9、加强机器视觉的实践与项目联系，提升知识理解和编程实现能力。

专题四：大语言模型的应用开发与项目案例实战

高级进阶课程，配套教材、课件、环境、实验手册、源码、数据、录屏

课程介绍

本课程旨在为高校教师提供深入理解学习大模型的原理和基于大语言模型的开发智能应用实战经验。ChatGPT应用作为AIGC（人工智能生成内容）的“iPhone时刻”，掀起了新一轮生成式人工智能的发展狂潮，人工智能技术已从“小模型+判别式”转向“大模型+生成式”。而大模型的兴起更是在各领域引发了巨大的影响，从自然语言处理到计算机视觉，从大模型的构建到基于大模型的智能应用等，每个领域都将受到生成式人工智能技术的冲击并随之调整。本课程将全面介绍大语言模型（LLM）的基本原理、应用领域、模型优化以及基于LLM的智能应用程序开发。通过理论讲授、案例分析、项目实战等多种方式，使参训教师掌握基于大语言模型构建和开发应用的核心技术，具备将理论知识应用于实际问题的能力。本课程旨在结合理论与实践，通过深入浅出的讲解和动手实践的项目，真正的让各位老师可以开发出基于大语言模型的智能应用程序并可以在本校开展相关课程教学，并可以进一步将生成式人工智能技术和实际工作结合，为教学研究和科学研究打下坚实基础。

课程特色

1、思路明晰，从大模型基本概念到API调用，从提示工程到智能软件开发再到开发框架的使用；从调用大模型开发到本地部署微调大模型，学习循序渐进，便于理解掌握；

2、本课程注重理论与实践的紧密结合，通过丰富的案例分析和项目实战，使教师能够将理论知识转化为实际能力；

3、课程内容紧跟大模型的最新研究进展，同时关注实际应用需求，使教师既能掌握前沿技术，又能解决实际问题；

4、课程内容配备经过教学检验的PPT等教学资料，教师学习后可以直接为所在学校学生开设相关前沿生成式人工智能课程。

目标及学习收获

1、掌握ChatGPT在自然语言处理、聊天机器人、教育、金融等多个领域的实际应用；掌握ChatGPT的训练过程、原理，能够独立完成ChatGPT相关程序开发与调试；

2、掌握推理大模型的原理和使用；

3、掌握OpenAI API及通义千问API开发过程中的基本概念，包括模型、标记、嵌入，以及熟练使用Playground；

4、掌握Visual Studio Code及其插件的安装、使用，能够熟练注册OpenAI账户及API Keys，并能安装OpenAI的Python库进行开发；熟练使用OpenAI及通义千问的各种终端进行开发；

5、熟练掌握提示的组成元素和编写提示的基本策略；掌握提示的开发流程；了解大语言模型不同应用场景的提示工程，能根据具体的应用场景编写并优化提示信息；

6、了解常用的基于LLM 的开发辅助工具，掌握基于提示的智能应用程序开发，掌握基于 LLM 的应用开发过程和实现方式；

7、掌握包括Cursor、Trae、Qoder和Claude Code等AI IDE的使用。

8、了解Langchain的框架结构、基本模块和应用场景。掌握Langchain框架的提示模板、语言模型和输出解析器的使用；

9、掌握Langchain框架中的链，会使用LCEL构建各种结构的Langchain链。掌握Langchain中的记忆实现原理和实现技术；

10、掌握RAG（Retrieval Augmented Generation检索增强生成）的基本原理，会使用Langchain构建各种RAG应用；

11、掌握AI Agent（智能体）基本原理，掌握使用LangGraph构建多智能体系统。掌握MCP的原理和应用；

12、掌握使用AI Agent完成科研论文撰写等科研工作。

13、掌握智能体低代码开发平台扣子的使用。

14、掌握使用Ollama、vLLM和xInference本地化部署Qwen2、GLM4、llama3.1、gemma2、deepseek等大语言模型；

15、掌握使用llamaFactory微调Qwen2大模型。

会务咨询

张存瑞19560746611

登录用户可以查看和发表评论，请前往登录或注册。