从0到1学习AI开发 涵盖RAG/embedding/rerank等技术，助力行业落地（40节课）

从0到1学习AI开发 涵盖RAG/embedding/rerank等技术，助力行业落地（40节课）【天边资源网最新资源，加入本站VIP免费下载该精品资源】

从0到1学习AI开发 课程介绍：

从0到1学习AI开发 涵盖RAG/embedding/rerank等技术，助力行业落地，共40节课，附资料。

从0到1学习AI开发 课程目录：

1. 人工智能介绍：迭代路径，大模型进化树，技术分类.mp4
2. 柏拉图表征假说与scalinglaw：KM缩放定律.mp4
3. AI开发环境（python、conda、vscode.mp4
4. 大模型微调llama-factory环境准备.mp4
5. 微调数据集准备（SFT继续预训练，偏好优化）.mp4
6. 微调过程lora微调与Qlora微调.mp4
7. 模型评估（批量推理与自动评估benchmark）.mp4
8. 模型部署（模型合并导出与量化，本地部署）.mp4
9. RAG技术原理与RAGFlow项目实操.mp4
10. NaiveRAG与langchain实践.mp4
11. 高级RAG（一）层次索引，句子窗口，子查询，HyDE.mp4
12. 高级RAG（二）提示词压缩，融合，llamainde.mp4
13. 模块化RAG（一）顺序模式，条件模式，分支模式.mp4
14. 模块化RAG（二）迭代，递归检索，FLARE，Toc.mp4
15. Embedding原理：word2vec、CBOW.mp4
16. Embedding模型训练：llamaindex微调.mp4
17. Embedding模型评估：MRR评测，MTEB评测.mp4
18. Rerank技术原理与实践（一）交叉编码与双编码.mp4
19. Rerank模型微调与实践（二）rankGPT.mp4
20. 向量数据库简介与相似性测量：欧式距离，余弦相似度.mp4
21. 相似性搜索算法：k-means，肘部法则.mp4
22. 近似邻近算法与过滤向量：PQ量化，HNSW，LSH.mp4
23. 向量数据库选型：专用向量数据库，传统数据库支持向量.mp4
24. 向量数据库代码示例：chroma与qdrant代码.mp4
25. RAG评估：评估指标，RAGAs，TruLens.mp4
26. RAG行业落地：实践心得，落地经验，业务场景.mp4
27. Agent原理简介：planning、memory、.mp4
28. 提示词工程：软提示词，fewshot，COT TOT.mp4
29. Agent平台：国内外主流平台，Coze搭建智能客服.mp4
30. Agent工具使用与functioncall：MR.mp4
31. Agent设计模式（一）：Fewshot，ReAct.mp4
32. Agent设计模式（二）：REWOO，LLMComp.mp4
33. Agent设计模式（三）：Reflexion，LAT.mp4
34. Agent框架：SingleAgent，Multi.mp4
35. Langchain项目原理与实战.mp4
36. Langgraph项目原理与实战.mp4
37. Langgraph多Agent架构：协作多Age.mp4
38. AutoGen项目原理与实战（一）：AutoGen.mp4
39. AutoGen项目原理与实战（二）：代码执行，工具.mp4
40. CrewAI项目原理与实战：Crew Task A.mp4

资料：

企业RAG技术实战.pdf

ai认知课.pdf

embedding技术.pdf

rerank技术.pdf

llama-factory微调.pdf

课程下载：

常见问题：

1. 人工智能的迭代路径和大模型进化树是怎样的？ 人工智能的迭代路径通常包括从简单的规则引擎到复杂的深度学习模型的演进。大模型进化树则展示了从早期的小型模型到现在的大型语言模型（如GPT系列）的发展历程。这些模型通过不断增加参数量和优化架构，逐步提高了性能和泛化能力。

2. 如何设置AI开发环境，包括Python、conda和VSCode？ 设置AI开发环境需要安装Python解释器、conda环境管理工具和VSCode代码编辑器。首先，下载并安装Python和conda，然后通过conda创建虚拟环境，安装所需的库和依赖。最后，配置VSCode以支持Python开发，包括安装Python插件和配置环境变量。

3. 微调数据集准备中，SFT继续预训练和偏好优化有什么区别？ SFT（Supervised Fine-Tuning）继续预训练是指在预训练模型的基础上，使用标注好的数据进行进一步的训练，以适应特定的任务。偏好优化则是通过优化模型的输出，使其更符合人类的偏好和价值观。SFT更注重任务性能的提升，而偏好优化更注重输出的质量和安全性。

4. 如何进行模型评估，包括批量推理与自动评估benchmark？ 模型评估通常包括批量推理和自动评估benchmark两个步骤。批量推理是指对大量测试数据进行推理，评估模型的性能。自动评估benchmark则是使用标准化的评估指标（如准确率、召回率、F1分数等）来量化模型的性能。可以通过编写脚本自动化这一过程，确保评估结果的客观性和可重复性。