人工智能虚拟仿真实验室建设

人工智能虛擬仿真系統

人工智能虛擬仿真系統首先把人工智能整個過程根據階段進行封裝，將算法也進行了封裝，2D圖像形象展示機器視覺、機器學習、深度學習過程的運行邏輯，模型化搭建人工智能學習架構。在此基礎上，用系統自動生成代碼的功能，可以邊調節參數邊動態學習代碼，并在豐富的3D場景中利用算法體驗和驗證實驗結果。該系統不僅適用個人學習，還可廣泛應用于高校、高職、k12人工智能教學，配套專業課程、實踐項目、動態代碼資源包和可以遷移學習的3D產業場景，能夠快速準確幫助學生構建整體人工智能學習思維，支持人工智能基礎理論教學、工程項目開發教學及實驗成果展示。

2D快速理解算法原理
3D快速構建實踐項目

平臺特色功能

搭建創新教學實訓平臺，將理論知識變得直觀生動，并提供3D場景應用項目實戰

組件化拖拽式編程
結果實時展示
組件參數交互
代碼自動生成
機器視覺3D場景
NLP/語音3D場景
智能分揀綜合場景
大模型AIGC綜合場景
自動駕駛綜合場景

平臺系統子模塊

獨家首創的積木式搭建人工智能學習架構

機器視覺

從機器視覺角度，具像化解析圖像處理、特征提取的過程，真正去理解和掌握機器視覺中的圖像認知。

項目：批量制作畢業證、基于AI開放平臺的圖片識別
NLP循環神經網絡

展開NLP循環神經網絡學習涉及的關鍵步驟，覆蓋從數據預處理到模型部署的整個過程，同時細化算法原理流程，最終達到可視化結構的區別與先進性的能力。

項目：從零開始手寫GPT
機器學習

通過結合概率論，實現傳統機器學習的相關算法，并大量地通過組建算法呈現內在的實質與前后關系的聯系，為深度學習打下結實的基礎。

項目：房價線性回歸預測、鮑魚年齡預測、共享單車租賃預測、垃圾郵件分類、乳腺癌分類、糖尿病預測、鳶尾花分類、紅酒品質分類、足球水平聚類、用戶畫像聚類、葡萄干品質分類、蘑菇毒性分類
CV-NLP-Transforme

從Encoder-Decoder結構到注意力機制，從位置編碼到LN，分步驟、分知識點的拆分Transformer的具體結構，并且通過張量維度變化，實現Transformer原架構的搭建與認知。

項目：花卉分類、蜜蜂螞蟻分類、水果分類、中文手寫體識別
CV-卷積神經網絡

從可視化入手，解析卷積能夠更好識別的圖像的原因，結合池化，多通道卷積等，搭建卷積神經網絡的基礎認知與概念。

項目：手寫數字識別、人臉識別、貓狗識別、汽車分類、動物分類、人臉識別
視覺經典神經網絡

虛擬仿真系統通過搭建經典神經網絡的結構，設置對應的卷積、池化、激活函數的參數以及張量大小，實現經典神經網絡的結構復現，并掌握其優勢。

項目：商品情感分類、風電功率預測、人名歸屬于國籍分類、小說續寫。
深度學習基礎

分析從2012年到目前的所有算法的共性結構，即MLP多層感知機。深挖深度學習不同算法的共性知識點，并展示數據特征、網絡特征、結果特征的可視化教學。

項目：游戲是否能吃雞預測、PM2.5預測
綜合項目應用場景

虛擬仿真系統預設了多個具有代表性的綜合項目，將理論知識與實際應用相結合，驗證整合知識點解決問題的能力，通過解決實際問題來深化對人工智能原理和方法的理解。打造以實踐導向的學習模式。

項目：工業流水線智能分揀、垃圾分類、自動駕駛、大模型部署

支持遷移學習

人工智能虛擬仿真系統，可將程序通過編程接口API輕松部署到硬件平臺，進行遷移學習

GPU服務器

人工智能設備

機器人

硬件平臺
實驗模擬

創新實驗

編程代碼

算法

開發環境

驗錯

專業課程

3D應用場景

成果展示

人工智能虛擬仿真系統

解決人工智能教學三大痛點

讓人工智能教學更簡單高效

算法

難

采用“可視化算法”教學模式，將算法過程

封裝，動態解析代碼，按搭積木式組合讓

用戶可視化理解算法原理，構建整體思維，

學習算法。
編程

難

采用“代碼自動生成”教學模式，Python

代碼自動生成，根據封裝好的組件自主

學習代碼，代碼資源可以遷移到硬件平

臺或虛擬場景中驗證。
應用場景

難

采用“3D應用場景案例實戰”教學模式。

邏輯與算法可接入系統里預設的3D場

景中，實現可視化交互體驗，打造人工

智能沉浸式實操環境。

配套AI全體系課程

覆蓋招聘網站90%人工智能崗位技能需求

基礎理論
核心課程
深度開發
進階實戰

課程方向

01

人工智能引入與課程整體介紹

人工智能的認知與介紹

學習階段概覽與語言工具介紹

人工智能工具環境介紹-學習環境介紹
02

Python的基礎語法

認識Python

Python的基礎語法

運算符

輸入與輸出

數據類型轉換

條件語句

Python、Anaconda與Pycharm的關系

Python3.10的match...case

while循環語句

for循環語句

循環的控制與綜合練習

數據類型-數字型

數據類型-字符串

數據類型-列表

數據類型-元組

數據類型-集合

數據類型-字典
03

Python高級技巧

函數的基本概念與使用

Python的類

模塊與包

異常處理機制

迭代器與生成器

正則表達式

多進程與多線程網絡編程

網絡編程

文件操作與MQTT
04

線性代數與Python第三方庫

人工智能中的線性代數

Numpy庫

pandas庫

Matplotlib庫
05

數據結構

數據結構概念與引入

數據結構之鏈表

數據結構之棧

數據結構之隊列

哈希表

遞歸

線性查找與二分查找

基本排序與高級排序
06

Git教程

Git教程導學

Git教程練習

01

人工智能的微積分基礎

人工智能的微積分引入

人工智能的微積分基礎
02

圖像認知與OpenCV

計算機眼中的圖像

灰度化

二值化

自適應二值化

形態學變換

圖片顏色識別

圖像顏色替換

ROI切割

圖像旋轉

圖像鏡像旋轉

圖像縮放

圖像矯正

圖像添加水印

圖像噪點消除

圖像梯度處理

圖像邊緣檢測

繪制圖像輪廓

凸包特征檢測

圖像輪廓特征查找

直方圖均衡化

模板匹配

霍夫變換

圖像亮度變換
03

基于傳統視覺的簡單的車道線檢測與自動駕駛

3D智能駕駛系統場景介紹

獲取場景圖片數據

MQTT通信協議介紹

MQTT通信代碼介紹

視角透視

形態學變換

車道線檢測代碼講解

實時車道線檢測

PID控制小車高速路巡航
04

機器學習算法原理與實踐-入門

機器學習介紹與定義

KNN與決策邊界

距離計算方式

使用數學方法實現KNN

前向傳播與損失函數

反向傳播的學習率與梯度下降

自求導的方法實現線性回歸算法

深度學習框架PyTorch的tensor

基于PyTorch框架的線性回歸

基于TensorFlow框架的線性回歸

基于PaddlePaddle框架的線性回歸
05

概率論與統計

概率論與統計(上)

貝葉斯原理與實踐

概率論與統計(下)

貝葉斯案例與實踐

貝葉斯多分類實踐
06

機器學習算法原理與實踐-深化

曲線擬合與非線性化

激活函數

極大似然估計與交又熵損失函數

邏輯回歸與二分類問題

基于框架的邏輯回歸
07

深度學習基礎與實踐

全連接與鏈式求導法則

Softmax與交叉熵

優化器和優化方法

神經網絡的可解釋性與欠擬合

神經網絡的過擬合

正則化

神經網絡的過擬合解決方案

深度學習回顧與任務

01

卷積神經網絡

計算機眼中的圖像

卷積為什么能識別圖像

池化為什么能增強特征

多通道卷積與偏置過程

LeNet-5
02

視覺經典神經網絡

AlexNet

VggNet

GoogLeNet

ResNet

MobileNetV1

MobileNetV2

MobileNetV3
03

NLP-循環神經網絡

DNN的時序預測與缺陷

RNN為什么能體時序預測

RNN的梯度消失和梯度爆炸

WordEmbeddg詞嵌入

Word2Vec

Word2Vec優化

LSTM:長-短期記憶網絡

BiLSTM

門控循環單元
04

Transformer

Encoder-Decoder

注意力機制引入

注意力機制

點積注意力為什么需要縮放

soft-attention

self-attention

mult-headattention

絕對位置編碼

相對位置編碼

旋轉位置編碼

Layer-Normaliaztion

Attention中的mask

Transformer
05

語音場景與認識聲音

認識模擬聲音與數字聲音

聲音時域與頻域轉換

聲音的mel特征提取
06

生成式人工智能

生成式人工智能歷史與發展

大語言模型和大模型

如何使用現成的大模型（提示詞能力）

01

PyQT課程

PyQT概念與安裝創建

使用PyQt5創建第一個界面

UI界面設計與手寫界面設計

繪制注冊界面，實現注冊功能

圖像顯示

定時器-QTimer的使用

基于QProgressBar實現進度條

PyQT的界面切換

基于QMainWindow實現記事本

文件瀏覽器的實現

多媒體的實現

事件機制

PyQT中多線程

打包PyQt5軟件
02

數據集標注與制作

數據集標注與制作imglabel介紹

數據集標注與制作labelme介紹

動手制作一些簡單的數據集
03

工業流水線產品分類

3D場景數據通信與交互

使用分類算法訓練網絡

網絡fine-tuning：預訓練模型的使用

網絡fine-tuning：fine-tine整個網絡

模型部署到場景
04

工業流水線產品實時檢測

目標檢測基礎知識：目標檢測概述

目標檢測基礎知識：目標檢測的挑戰

目標檢測基礎知識：目標檢測的評估指標

目標檢測發展與經典神經網絡：RCNN

目標檢測發展與經典神經網絡：fastRCNN/fasterRCNN

目標檢測發展與經典神經網絡：SSD

YOLO1/2/3/5/8的發展與關鍵概念：YOLO的起源和原理

YOLO1/2/3/5/8的發展與關鍵概念：如何將目標檢測問題轉化為一個回歸問題

YOLO1/2/3/5/8的發展與關鍵概念：一階段(One-Stage)檢測方法

網絡結構解析

全卷積網絡(FCN)

多尺度特征融合

非極大值抑制(NMS)算法

多尺度特征圖

損失函數

模型部署到場景（桃子）

甲骨文檢測
05

垃圾分揀實時監測

數據采集與標注

基于YOLOV8實現垃圾分揀

模型部署到場景
06

目標分割的原理與實戰

分割算法的原理

語義分割1

實例分割、分割算法經典神經網絡

分割案例1
07

大模型的部署與上線

Huggingface詳細介紹與使用

了解與部署ChatGLM

了解QWEN

部署QWEN

部署本地大模型和知識庫

大模型部署和推理框架 Xinference
08

大模型的RAG、微調與Agent

大模型的微調手段與優缺點

大模型的知識檢索增強介紹

大模型的知識檢索增強實踐，實現一個垂直領域大模型

大模型的agent智能體

大模型接入3D場景
09

算法的NPU終端移植

Linux常用命令

基于3588的NPU進行移植(1)

移植YOLO的全過程(1)

3D場景化項目案例

全鏈路的綜合項目實戰，從數據采集，到數據標注，到模型訓練、預測、部署，再到綜合性的測試

工業流水線智能分揀

預設工業流水線場景，將待分揀物品輸送到分揀系統，可以自行設計規則和算法，將物品分配到正確的下件系統，訓練規則和算法越優，越能夠實現高速、準確、自動化的分揀處理。
自動駕駛

預設自動駕駛的道路場景，感知與識別環境信息與道路信息，完成決策與規劃算法部署，通過類PID算法控制車輛姿態進行自主導航與智能交互。
從零開始手寫GPT

深入挖掘從transformer到大模型的歷史變遷及技術棧的遷移，帶領大家從零開始搭建GPT大模型網絡，基于此學習各開源大模型的部署與微調。

立即體驗