课程介绍
本课程聚焦大模型基础理论与核心技术,为初学者搭建从入门到深入的知识框架。
第一章 “初探大模型:起源与发展” 从基础入手,解码注意力机制的核心原理,解析 Transformer 架构的崛起对大模型发展的变革意义,对比 GPT 与 Bert 在技术路径上的关键差异,帮助学员建立对大模型技术起源的整体认知。
第二章 “GPT 模型家族:从始至今” 系统梳理 GPT 系列的演进历程,详细讲解从 GPT-1 到 GPT-3.5 的技术迭代,重点剖析 ChatGPT 的成功关键与用户体验革新,以及 GPT-4 带来的多模态能力与性能突破,让学员清晰把握主流大模型的发展脉络。
第三章 “提示学习(Prompt Learning)” 深入核心提示技术,详解思维链(CoT)的推理逻辑、自洽性的多路径推理方法,以及思维树(ToT)的进阶提示框架,帮助学员掌握通过提示词优化大模型输出的关键技巧。
第四章 “大模型开发基础 - OpenAI Embedding” 从通用人工智能基础概念切入,介绍 “三个世界” 与图灵测试的关联,讲解计算机数据表示、表示学习的核心逻辑,聚焦 Word Embedding 与 OpenAI Embedding 技术,通过 GitHub 项目实战,带领学员快速上手 OpenAI Embeddings 的基础开发,筑牢大模型应用开发的底层基础。
课程通过理论解析与基础概念结合,适合对大模型技术感兴趣的入门学习者,助力构建扎实的大模型技术认知体系。
课程目录
第一章:初探大模型:起源与发展
- 初探大模型:起源与发展
- 预热篇:解码注意力机制(Attention)
- 变革里程碑:Transformer 的崛起
- 走向不同:GPT 与 Bert 的选择
第二章:GPT 模型家族:从始至今
- 从 GPT-1 到 GPT-3.5:一路的⻛云变幻
- ChatGPT:赢在哪里
- GPT-4:一个新的开始
第三章:提示学习(Prompt Learning)
- 思维链(Chain-of-Thought, CoT):开山之作
- 自洽性(Self-Consistency):多路径推理
- 思维树(Tree-of-Thoughts, ToT):续写佳话
第四章:大模型开发基础 - OpenAI Embedding
- 通用人工智能的前夜
- “三个世界”与“图灵测试”
- 计算机的数据表示
- 表示学习与嵌入(Embedding)
- 表示学习怎么学
- 如何评估表示学习
- 聚焦 Word Embedding
- Embeddings Dev 101
- 课程项目:GitHub openai-quickstart
- 快速上手 OpenAI Embeddings
查看更多
看过的人还看了











