校区介绍
北大青鸟海淀校区成立于2001年，是总部唯一的云计算学院及人工智能学院，全国规模最大的教学基地，连续多年获得全国高薪就业校区和最佳实力校区。总部所有新上线课程首批的教学试点及示范校区。
2011年起，校长安金福先生因突出贡献，被授予北大青鸟理事一职，参与管理职业教育促进中心工作。
北大青鸟文教集团是北京大学优秀校办企业，直属于大型高科技国有控股企业北大青鸟，北大青鸟成立于1992年，源于国家支持的计算机软件重大科技攻关项目“青鸟工程”，在青鸟工程的基础上将科研成果向市场转化。
1999年，在北大青鸟创始人，北京大学杨芙清院士的主导下，北大青鸟与印度APTECH知名计算机教育公司达成合作，将i职业教育模式引进中国，推动中国IT职业教育的迅猛发展，为互联网行业培养了80万职业人才北大青鸟的课程，在IT领域一直引领与行业科技技术最前言。在大数据的行业发展中，参与了国家大数据，行业岗位的标准草案起草。更是有4本教材，在国家十三五的会议上，被纳入了高校教学用书，目前有200多家高校，进行北大青鸟的教学使用
中国人工智能行业发展历程
萌芽期（1978-2000 年）
中国第一部人工智能教材面世，人工智能学会正式成立。
启动人工智能相关研究项目，输送人才出国学习。
探索期（2001-2012 年）
1）百度、腾讯等互联网企业出现。
2）互联网产业快速发展，机器学习、知识图谱等前沿技术被应用到人工智能中。
成长期（2013-2015 年）
云计算、AI 芯片普及，人工智能算力规模扩大，技术逐渐成熟，互联网巨头加大布局人工智能产业。
快速发展期（2016 年至今）
人工智能相关产业发展上升为国家战略，人工智能商业化起步。
人工智能课程三大亮点
01 全栈进阶：从机器学习到 LLM 开发，构建完整 AI 知识体系。
核心亮点：系统化分层教学。
基础层：Python+Pandas 夯实数据处理能力；
核心层：覆盖机器学习全模型（线性回归、SVM、决策树、集成学习、贝叶斯等）+ 深度学习（CNN、RNN、Transformer）；
前沿层：深入 NLP 与大模型（BERT、T5、Llama），含轻量微调（LoRA）、指令对齐（RLHF/DPO）等工业级技术。
项目贯穿：电商推荐系统（传统机器学习）→金融智能客服（大模型应用），实战贯穿技术演进路径。
“拒绝碎片化学习！从算法原理到工业级大模型开发，一站式掌握 AI 工程师核心技能栈。”
02 全栈进阶：从机器学习到 LLM 开发，构建完整 AI 知识体系。
工业级实战：聚焦企业刚需场景，培养解决方案能力。
核心亮点：真实业务场景驱动。
电商推荐系统：特征工程、精排模型选型、效果优化方法论；
金融智能客服：意图识别、文档知识抽取、FAQ 生成等 NLP 任务拆解与模型开发。
企业级技术栈：
工具链：Scikit-learn、PyTorch、HuggingFace Transformers、Llama；
工程实践：GPU 并行计算、模型微调、效果分析、调优策略。
“告别纸上谈兵！深度实战电商 + 金融两大高薪领域项目，掌握企业级 AI 系统开发全流程。”
03 拥抱 AI 浪潮：大模型技术深度整合，抢占职业新风口。
核心亮点：模型全链路教学
理论：GPT 发展史、注意力优化、位置编码、指令对齐技术；
实践：基于 Llama 开发对话系统，实现轻量微调（LoRA）等工业热门技术。
预训练模型深度应用：掌握 “预训练 + 微调” 范式，完成情感分析、命名实体识别等 NLP 任务；对比 FastText/BERT/T5 等模型效果，培养技术选型能力。
“锁定未来竞争力！深入大模型技术内核，培养 LLM 应用开发能力，成为 AI 3.0 时代稀缺人才。”
1、全栈进阶:从机器学习到LLM开发，构建完整AI知识体系。
核心亮点:系统化分层教学。基础层:Python+Pandas夯实数据处理能力;
核心层:覆盖机器学习全模型(线性回归、SVM、决策树、集成学习、贝叶斯等)+深度学习(CNN、RNN、Transformer);
前沿层:深入NLP与大模型(BERT、T5、Llama),含轻量微调(LoRA)、指令对齐(RLH-F/DPO)等工业级技术。
项目贯穿:电商推荐系统(传统机器学习)一金融智能客服(大模型应用)，实战贯穿技术演进路径。
“拒绝碎片化学习!从算法原理到工业级大模型开发，一站式掌握AI工程师核心技能栈。
2、全栈进阶:从机器学习到LLM开发，构建完整AI知识体系。
工业级实战:聚焦企业刚需场景，培养解决方案能力。
核心亮点:真实业务场景驱动。电商推荐系统:特征工程、精排模型选型、效果优化方法论;金融智能客服:意图识别、文档知识抽取、FAQ生成等NLP任务拆解与模型开发。企业级技术栈:
工具链: Scikit-learn、 PyTorch、 HuggingFace Transformers、 Llama;工程实践:GPU并行计算、模型微调、效果分析、调优策略。
“告别纸上谈兵!深度实战电商+金融两大高薪领域项目，掌握企业级A1系统开发全流程。
3、拥抱AI浪潮:大模型技术深度整合，抢占职业新风口。
核心亮点:
模型全链路教学:
理论:GPT发展史、注意力优化、位置编码、指令对齐技术;
实践:基于Llama开发对话系统，实现轻量微调(LoRA)等工业热门技术。预训练模型深度应用:掌握“预训练+微调”范式，完成情感分析、命名实体识别等NLP任务;对比FastText/BERT/T5等模型效果，培养技术选型能力。
人工智能适合人群
即使你是编程菜鸟，也适合学Python语言
对AI感兴趣
比较有兴趣，想从事人工智能相关专业的爱好者学习
跨专业转行
在本专业遇到瓶颈，想要转行从事计算机行业的人
应届毕业生
技能掌握一门潮流技术提升自己的综合竞争能力
技能提升
从事互联网行业在自己基础上进行技能提升加分的人
智能时代
Python就是人工智能市场的未来
web全栈
数据分析
算法工程师
人工智能工程师
游戏开发
搜索引擎工程师
爬虫开发工程师
测试自动化
iOS安卓开发
Python开发
网络信息安全
系统运维工程师
课程信息
开启“全民Python”时代
第一阶段Python核心编程
1.Python基础入门
2.Python介绍与使用
3.Python循环
4.Python函数
5.Python条件判断
6.Python模块
7.Python编程开发
8.Python集合与字典
9.Python序列
10.Python变量与数据类型
第二阶段Python进阶
1.Python面向
2.Python经典开发
3.Python循环
4.Python文件
5.Python文件操作
6.Python并发编程
第三阶段Django框架
1.Django入门
2.Django模板与模型
3.Django数据管理
4.Django视图
5.Django输出与缓存
第四阶段人工智能:
1.人工智能
2.深度学习包Keras
3.TensorFlow+机器学
4.Keras人脸识别
5.大数据+人工智能应用
讲师面对面授课
大型企业项目实战以及多年教学经验
陈立恒
精通C、C++、Java、C#ECMAScript、Python等开发语言。
因材施教让学生爱上学习
人工智能课程大纲
| 阶段 | 课程名称 | 课时 | 讲解内容 | 教学目标 |
|---|---|---|---|---|
| 第一阶段Python 和 Pandas（112 课时） | Python 编程 | 72 | 技术：Python 入门基础、数据类型、运算符、数据类型转换、流程控制、函数、模块与包。 | 掌握：使用 Python 语言进行程序开发的能力。 |
| 第一阶段Python 和 Pandas（112 课时） | Pandas 应用（Sec1~Sec5） | 40 | 技术：Series、数据导入 / 导出、DataFrame、常用函数、数据清洗的方法、常用转换函数、常用时间函数、索引与高维索引、分组与聚合。 | 掌握：使用 Pandas 库完成数据清洗、转换、统计计算的能力。 |
| 第二阶段传统机器学习（104 课时） | 机器学习基础 | 16 | 理论：机器学习的概念和应用举例，机器学习的流程和框架，机器学习的基本要素 (模型，损失函数，优化算法)，机器学习模型的分类；必要的线性代数和微分数学基础。技术：机器学习的数据处理，包括数据预处理、异常值的发现和处理、特征归一化、相关性分析等。 | 理解：机器学习基本概念和必要的数学基础。掌握：使用 Pandas 进行机器学习数据处理和特征计算的能力。 |
| 第二阶段传统机器学习（104 课时） | 线性回归模型 | 20 | 理论：回归模型的概念，线性回归模型的预测函数、损失函数、评价指标；线性回归模型的优化 (解析法和梯度下降法)；欠拟合与过拟合问题；特征选择和特征优化的方法；L1 和 L2 正则化。技术：scikit-learn 机器学习库的使用，线性回归模型实操。 | 理解：线性回归模型的概念和训练算法，特征选择和特征优化的方法，正则化的概念和应用场景。掌握：使用 scikit-learn 解决线性回归问题，通过特征选择和正则化的方式解决过拟合问题。 |
| 第二阶段传统机器学习（104 课时） | 逻辑回归和 SVM 模型（判别式分类模型） | 20 | 理论：分类问题应用举例，分类问题的指标，概率模型和非概率模型；逻辑回归模型的定义、损失函数和优化算法；线性分类器和线性可分问题、最大间隔分类器；线性 SVM 的定义、损失函数和优化算法；核技巧 (非线性 SVM)。技术：逻辑回归和 SVM 模型的训练和预测实操。 | 理解：分类问题的定义和评价指标，逻辑回归模型的定义、损失函数和优化算法，SVM 模型的定义、损失函数和优化算法。掌握：使用 scikit-learn 完成逻辑回归模型和 SVM 模型的训练、预测。 |
| 第二阶段传统机器学习（104 课时） | 决策树和集成学习模型（可同时应用于回归和分类） | 20 | 理论：决策树的定义，解决分类和回归问题的过程，对特征空间的划分；CART 决策树的特征选择、生长算法和裁剪算法；超参数调优方法和交叉检验；集成学习的概念；随机森林模型及其训练算法；提升树 (包括 XGBoost、LightGBM) 模型及其训练算法。技术：CART 树和 XGBoost、LightGBM 模型训练及预测实操。 | 理解：决策树模型的概念和训练算法，集成学习的概念，随机森林模型的概念和训练算法，提升树模型 (XGBoost、LightGBM) 模型的概念和训练算法，超参数调优和交叉检验。掌握：使用 scikit-learn 实现决策树和提升树模型的训练、预测。 |
| 第二阶段传统机器学习（104 课时） | 朴素贝叶斯模型（产生式分类模型） | 8 | 理论：必要的概率和数理统计基础；判别式模型和产生式模型；朴素贝叶斯模型；极大似然估计。技术：朴素贝叶斯模型训练及预测实操。 | 理解：判别式模型和产生式模型的概念，朴素贝叶斯模型，极大似然估计。掌握：使用 scikit-learn 实现朴素贝叶斯模型的训练、预测。 |
| 第二阶段传统机器学习（104 课时） | 电商推荐模型实战（项目） | 20 | 业务：电商推荐的业务背景，推荐系统的架构和主要模块，推荐系统的推荐指标理论：推荐精排模型的选型，推荐模型的特征工程，模型效果分析和提升的方法论技术：使用 Pandas 进行数据处理和可视化分析，使用 scikit-learn 等机器学习包进行模型训练和预测，模型效果分析和效果提升实践。 | 掌握：业务机器学习模型开发的流程和方法，模型训练、效果分析和优化的实践经验。 |
| 第三阶段深度学习（194 课时） | 深度学习基础 | 36 | 理论：深度学习的概念，神经网络拟合复杂函数的能力，神经网络特征提取的能力，深度学习解决分类问题和回归问题的方法，深度学习的发展史。技术：深度学习环境的安装，算力租用平台的注册、使用，GPU 并行计算，PyTorch Tensor 运算，PyTorch 自动求导，PyTorch 数据、模型、损失函数、优化器等模块，基于 PyTorch 重新实现线性回归模型的训练、预测。 | 理解：深度学习的概念，神经网络的学习能力，深度学习解决分类和回归问题的方法，深度学习的发展史和标志性事件掌握：深度学习环境的安装，基于 PyTorch 开发神经网络模型 |
| 第三阶段深度学习（194 课时） | 卷积神经网络 (CNN) | 24 | 理论：卷积层的定义和作用（局部特征提取器），池化层的定义和作用，填充和步幅，感受野和分辨率，适合 CNN 解决的问题举例和总结；神经网络训练相关策略：早停策略、学习率控制策略；与神经网络效果相关的结构：Dropout、ReLU、BatchNorm&LayerNorm、ResidualConnection；现代卷积网络：AlexNet,VGG,ResNet 等。技术：利用 PyTorch 实现 CNN 模型的训练和预测，在 Fashion-MNIST 数据集上比较各种 CNN 相关网络结构的效果。 | 理解：CNN 的网络结构和作用，CNN 适合解决的问题，神经网络训练相关的策略和结构，典型的现代卷积网络。掌握：利用 PyTorch 完成 CNN 模型的训练和预测，分析和优化模型效果的方法。 |
| 第三阶段深度学习（194 课时） | Transformer 和循环神经网络 (RNN) | 42 | 理论：上下文建模的概念；注意力机制；位置编码；LayerNorm 和残差连接；Transformer encoder block；Transformer decoder block；随机梯度下降的改进算法；RNN 的基本结构；RNN 的改进型（GRU&LSTM）；双向 RNN；BPTT 算法；RNN 和 Transformer 的对比。技术：利用 PyTorch 和 HuggingFace-Transformers 包实现 Transformer 模型的训练和预测，完成命名实体识别任务。 | 理解：Transformer 和 RNN 的网络结构和作用，适合解决的问题，随机梯度下降的改进算法，RNN 计算梯度的 BPTT 算法。掌握：HuggingFaceTransformers 包的使用，基于 Transformer 模型完成命名实体识别任务。 |
| 第三阶段深度学习（194 课时） | 自然语言处理 (NLP) 专题 | 24 | 理论：NLP 的主要应用，NLP 的主要算法问题，基于词权重向量的文本表示，分词原理和实操，TF-IDF，基于词权重向量的文本相似度，词嵌入的概念，上下文无关的词嵌入模型（Skip-Gram、CBOW、FastText 等），Bert 预训练模型（Encoder-Only 架构），T5 训练模型（Encoder-Decoder 架构）技术：掌握预训练模型 + 微调的模型开发范式，分别基于 FastText 和 Bert 实现情感分析任务，并比较效果和性能。 | 理解：NLP 的主要应用和算法问题，基于词权重向量和词嵌入的文本表示，预训练模型及其下游任务掌握：通过对预训练模型进行微调，完成各种下游 NLP 任务的方法。 |
| 第三阶段深度学习（194 课时） | 大模型 (LLM) 专题 | 44 | 理论：LLM 的概念；GPT 系列的发展历史；主流的开源 (Llama 等) 和闭源大模型；主要的 LLM 应用；高效的注意力算法；旋转位置编码；指令对齐的概念；主要的指令对齐算法 (SFT、RLHF、DPO)；轻量微调算法 (LoRa 等)。技术：使用 Llama 等开源大模型开发 NLP 应用的方法 (以对话系统为例)。 | 理解：LM 的概念和主要应用，LLM 结构上的主要改变，指令对齐的概念和主流算法，轻量微调的主要算法。掌握：利用 Llama 等开源发模型开发 NLP 应用的方法。 |
| 第三阶段深度学习（194 课时） | 金融领域智能客服系统（项目） | 24 | 业务：金融领域智能客服的业务背景，系统架构及核心模块，业务需求分析，NLP 任务拆解 (意图识别和填槽，对话控制，文档知识抽取，FAQ，文本生成等)理论：NLP 算法选型的方法论，各个 NLP 任务的主流模型和效果比较技术：使用 PyTorch、HuggingFace Transformers 以及 Llama、Bert 等开源预模型开发业务模型。 | 掌握：利用 Llama 等开源模型开发一个完整 NLP 应用系统的方法，业务场景下模型选型和调优的方法。 |
技术纵深与交叉学科复合化
01算法岗向 “领域专精型” 进化（CV/NLP/ 大模型等细分方向）
02硬件研发聚焦 AI 芯片架构设计与边缘计算融合能力
03数据科学家需兼备行业知识图谱构建与商业洞察
非技术岗 AI 赋能要求升级
产品经理
需掌握 Prompt 工程与 AI 伦理评估框架
运营类岗位
考核 AI 工具链应用能力（Midjourney/SD 等）
市场类岗位
新增技术传播与 AI 解决方案包装要求
工程落地能力成为硬通货
模型部署岗需求激增(MLOps/算力优化/异构计算!
强调从算法设计到产业落地的全链路闭环经验
优先录用具有AIGC/自动驾驶等垂直场景实战经历者
优秀师资团队
梁勇
资深算法讲师
教师简介
阿里云大学导师，阿里云《Python 实现机器学习算法》，《Python 数据科学实战》等认证设计与实现者。
《细说 Java》《Java 深入解析》图书作者。《Python 数据分析入门实战》图书参与者。
精通 Java 与 Python 开发，擅长数据分布，各种参数估计与假设检验等核心统计分析技术。
擅长线性回归，逻辑回归，SVM，决策树，集成方法等各种主流机器学习算法。
陈立恒
特级讲师
教师简介
拥有 15 年软件开发经验，对多种开发语言和开发环境都有涉及，在网站架构开发方面有丰富的经验。精通 C、C++、Java、C#、ECMAScript、Python 等开发语言，精通 JSP、ASP.NET、PHP AJAX 等网页设计语言、AI 技术。精通数据挖掘常用算法和流程，AI 深度学习领域熟悉 CNN、RNN 常用网络模型。对 NLP 方向 NER、关系抽取任务有项目实践落地经验。
曾获 “2016 第三届青鸟杯 IT 精英挑战赛” 中获优秀指导老师奖；2018 年代表课工场，带队参加第八届中国软件杯大赛，个人获得优秀指导老师奖。团队以银行识别项目荣获二等奖；
孟光淼
资深数据分析讲师
教师简介
腾讯大数据认证金牌讲师
阿里大数据认证金牌讲师
阿里云栖大会特邀 speaker
先后在北京工业技术学院，化工大学北方学院等担任大学实训教授
精通 Power BI Tableau、Finereport、Kettle、Informatica Echarts、D3.Js、Mysql、Oracle 数据库、python、PHP 等技术。
章斌
数据分析
教师简介
曾在椰子树北京科技有限公司负责参与中国联通后台安全项目的开发与维护，在乐享互动股份有限公司负责参与新西兰养老项目的后台开发，有多年的开发实战经验；拥有 5 年丰富的授课经验，在多家培训机构任职过高级讲师。擅长技术：精通 Java、python、javaScript、jQuery 等多门编程语言，对 pandas、matplotlib、pyecharts 以及 tableau 等 BI 可视化化工具有深入研究；精通常用的机器学习算法模型。
岳伦
特级讲师
教师简介
毕业北京大学 (计算机科学与技术专业)。拥有 15 年的 Java、大数据开发及 IT 职业教育工作经验。
技术擅长点：Java SE 及 JavaEE 的相关技术，熟练掌握各种当前流行的 Java 框架技术包括 SpringBoot、SpringCloud、VUE、Bootstrap、AJAX 等；熟练掌握 MySQL、Oracle 数据库；熟练掌握 Hadoop、Hive、Spark 等大数据分析计算系统。
曾先后负责过北京银行、民生银行、农商银行、新华保险、华泰证券门户开发以及内部管理系统等大型项目的研发工作。
张超
北京理工大学计算机科学与技术专业
教师简介
15 年 Java、大数据开发、数据分析及 IT 讲师经验，项目经验丰富
曾负责电商网站、政府账务报销系统、石化内部系统、广告推荐系统、离线分析系统、用户画像系统、实时分析系统等大型项目的开发工作；
技术擅长：熟练掌握 java、python 等开发语言；熟练掌握 Hadoop、HBase、Hive、Spark、pandas、matplotlib、pyecharts 等大数据分析计算系统；
如何构建人工智能行业的全球化人才库
明确需求
确定技术领域（如机器学习、深度学习）和岗位（如数据科学家、算法工程师），同时关注技术能力和软技能（如沟通、团队合作）。
拓展招聘渠道
利用知名招聘平台，与全球高校合作，通过 GitHub、Kaggle 等技术社区吸引人才，并与猎头合作寻找高端人才。
提升雇主品牌
展示开放、创新的企业文化，提供职业发展、培训机会和有竞争力的薪酬福利，支持远程办公以吸引全球人才。
优化招聘与人才库
简化招聘流程，通过技术评估筛选人才，建立并维护候选人数据库，鼓励内部推荐和实习生项目。
促进多元化与持续学习
确保招聘公平，营造包容性文化，提供培训机会（如在线课程），鼓励团队知识共享。
全球协作与合规
使用协作工具（如 Slack、Zoom）支持跨时区工作，确保招聘符合各国劳动法，并为外籍员工提供签证支持。
