生成式人工智能与大型语言模型

生成式人工智能与大型语言模型 (中文字幕英文视频教程) 在人工智能技术迅猛发展的当下，生成式人工智能（Generative AI，简称生成式 AI）与大型语言模型（Large Language Models，简称 LLMs）已成为驱动技术创新与产业变革的核心力量。本课程系统整合了生成式 AI 与大型语言模型的核心知识、技术架构及实践应用，通过清晰的逻辑脉络与丰富的教学资源，助力学习者从基础认知到实践操作，全面掌握这一前沿技术领域的关键内容。课程配备全套中文字幕（srt 格式），为中文学习者扫清语言障碍，确保知识传递的精准与高效，全程共包含 29 个核心教学视频，形成了理论与实践深度融合的完整教学体系。 课程开篇以 “导论” 模块奠定学习基础，通过两个教学视频构建起学习者对课程的整体认知。其中，首个视频作为课程总览，清晰阐述了课程的设计理念、学习目标与核心价值，帮助学习者明确学习方向；第二个视频则聚焦课程内容框架，详细拆解了各模块的知识逻辑与衔接关系，让学习者能够提前把握课程的知识图谱，为后续系统学习做好铺垫。 进入 “生成式人工智能导论” 模块，课程从概念解析、技术辨析、理论支撑到案例实践，层层深入地展开生成式 AI 的基础教学。该模块包含 6 个教学视频，首先以 “什么是生成式人工智能” 为切入点，精准界定生成式 AI 的核心定义、技术特征与应用边界，让学习者建立起对这一技术的基础认知。随后，通过 “生成式 AI 与判别式 AI 的差异实例” 视频，结合具体场景对比两种技术的核心区别与适用场景，帮助学习者深化对生成式 AI 技术定位的理解。考虑到人工智能技术与概率论的紧密关联，课程专门设置 “概率论术语回顾与贝叶斯定理” 视频，系统梳理核心概率知识与贝叶斯定理的应用逻辑，为学习者构建扎实的理论基础。在此基础上，模块通过 “数字识别案例研究导论” 及续篇两个视频，以数字识别为具体场景，展示生成式 AI 的技术应用过程，实现理论知识与实际场景的初步结合。最后，“生成式 AI 总结” 视频对本模块内容进行系统梳理，强化学习者的知识记忆与逻辑构建。 “大型语言模型导论” 模块聚焦 LLMs 的核心认知与应用价值，通过 5 个教学视频完成从基础介绍到应用解析的知识传递。模块开篇以 “大型语言模型导论” 视频明确 LLMs 的定义、发展历程与技术意义，让学习者建立对这一核心技术的整体认知。紧接着，“理解语言并非易事” 视频从语言的复杂性本质出发，解析 LLMs 面临的技术挑战，帮助学习者理解技术研发的核心难点。为增强学习的直观性，课程设置 “大型语言模型演示” 视频，通过实际操作演示 LLMs 的功能特征与应用效果，让学习者获得直观的技术认知。在此基础上，“大型语言模型的作用” 视频深入解析 LLMs 的技术原理与核心功能，而 “大型语言模型的应用” 视频则聚焦实际场景，梳理 LLMs 在不同领域的应用案例与价值体现，实现技术认知与应用认知的同步提升。 “大型语言模型核心架构与神经网络基础” 模块深入技术底层，通过 6 个教学视频构建起 LLMs 的技术架构知识体系。模块首先以 “大型语言模型所用架构导论” 明确 LLMs 的核心架构框架与技术逻辑，为后续深入学习奠定基础。随后，课程从基础神经网络知识入手，通过 “全连接网络” 视频解析全连接网络的结构原理与工作机制，这是理解复杂神经网络的基础；“神经网络是函数逼近器” 视频则从理论层面阐释神经网络的核心本质，帮助学习者建立底层认知。考虑到循环神经网络（RNN）在 LLMs 发展历程中的重要地位，模块设置 “循环神经网络导论” 及 “循环神经网络深度解析” 两个视频，从基础介绍到深度拆解，全面解析 RNN 的技术原理、结构特征与应用逻辑。最后，“预训练与微调” 视频聚焦 LLMs 的核心训练流程，解析预训练与微调的技术逻辑、实施步骤与核心价值，让学习者掌握 LLMs 训练的关键技术环节。 “Transformer 与核心机制” 模块作为 LLMs 技术架构的核心内容，通过 6 个教学视频深入拆解 Transformer 的技术细节与工作机制。模块以 “Transformer 导论 —— 分词技术” 为起点，解析分词技术的核心原理与在 Transformer 架构中的基础作用，这是理解语言模型处理文本的关键环节。为增强实践认知，课程专门设置 “分词技术 Python 演示” 视频，通过 Python 代码实操展示分词技术的实现过程，实现理论知识与实践操作的结合。随后，“嵌入 —— 向量空间中的词” 视频解析词嵌入技术的原理与价值，阐述如何将文本转化为计算机可处理的向量形式；“编码器 - 解码器工作原理概述” 视频则解析 Transformer 核心的编码器 - 解码器结构的工作机制与协同逻辑。作为 Transformer 架构的核心创新点，“自注意力机制 ——QKV 矩阵完整解析” 视频深入拆解自注意力机制的核心原理与 QKV 矩阵的计算逻辑，帮助学习者掌握这一关键技术的核心要点。最后，“嵌入技术演示” 视频通过实际操作展示嵌入技术的应用过程，进一步强化学习者的实践认知。 “实际应用与实验” 模块聚焦实践操作能力培养，通过 5 个教学视频实现从技术认知到实操能力的转化。该模块以实验教学为核心，首先通过 “实验 1—— 使用 Huggingface 构建聊天机器人” 视频，以聊天机器人开发为目标，详细讲解基于相关工具构建应用的具体步骤，让学习者掌握实际开发的核心流程。随后，“推理参数 ——top p、top k 与温度参数” 视频解析 LLMs 推理过程中的关键参数含义与调节逻辑，这是优化模型输出效果的核心技术点；“推理参数演示” 视频则通过实际操作展示参数调节对输出结果的影响，帮助学习者掌握参数优化的实践方法。在此基础上，模块通过 “实验 2—— 情感分析” 与 “实验 3—— 构建简单翻译器” 两个实验视频，分别以情感分析与机器翻译为实际任务，完整展示从任务定义、技术选型到模型实现的全流程，全面提升学习者的实践操作能力。 课程最后以 “评估与高级概念” 模块收尾，通过 3 个教学视频实现知识的深化与拓展。该模块首先聚焦模型评估这一关键环节，通过 “评估指标 ——BLEU 分数” 与 “评估指标 ——ROUGE 分数” 两个视频，分别解析 BLEU 与 ROUGE 两种核心评估指标的计算逻辑、适用场景与解读方法，让学习者掌握模型效果评估的关键技术。随后，“上下文学习 —— 零样本、少样本与单样本推理” 视频引入高级技术概念，解析上下文学习的核心原理与不同推理模式的应用场景，帮助学习者拓展技术视野，为后续深入学习奠定基础。 整体而言，本课程通过 29 个教学视频与全套中文字幕的完善配置，构建起从基础认知到技术深入、从理论学习到实践操作的完整教学体系，既适合人工智能领域的初学者系统入门，也能为有一定基础的学习者提供技术深化与实践提升的路径，是学习生成式人工智能与大型语言模型技术的优质教学资源。