一、研修时间/地点：2026年09月17-19日上海
二、主办单位：
北京中际孚歌科技有限公司
北京中际赛威文化发展有限公司
三、研修内容：
第一天 09:00-10:30
第一章 2026最新大语言模型与AI Agent 概述及交互入门
1、2026 最新大语言模型（ChatGPT 5.6/5.5、Claude Opus 5/4.8/4.7、Gemini 3.5等）发展概述与基本操作演示
2、2026 最新 AI Agent （OpenClaw、Codex、Claude Code、Hermes、Trae等）发展概述与基本操作演示
3、大语言模型提示词（Prompt）撰写技巧（设定身份、明确任务内容、提供任务相关的背景、举一个参考范例、指定返回的答案格式等）
4、利用大语言模型与 AI Agent 处理本地数据（Excel/CSV表格、txt文本、PDF、图片等）
5、利用大语言模型与 AI Agent 实现描述性统计分析与可视化（数据的频数分析：统计直方图；数据的集中趋势分析：数据的相关分析）
6、利用大语言模型与 AI Agent 实现数据预处理（数据标准化与归一化、数据异常值与缺失值处理、数据离散化及编码处理、手动生成新特征）代码自动生成运行
7、利用大语言模型与 AI Agent 实现代码逐行讲解
8、利用大语言模型与 AI Agent 实现代码Bug调试与修改
9、实操练习
第一天 10:30-11:30
第二章 Python基础知识串讲
1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方科学计算模块库的安装与使用）
2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）
3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）
4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）
5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）
6、科学计算模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用；Pandas常用函数简介与使用）
7、实操练习
第一天 11:30-12:00
第三章 PyTorch简介与环境搭建
1、深度学习框架概述（PyTorch、Tensorflow、Keras等）
2、PyTorch简介（PyTorch的版本、动态计算图与静态计算图、PyTorch的优点）
3、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功、CPU版与GPU版的安装方法）
4、实操练习
第一天 14:00-15:00
第四章 PyTorch编程入门与进阶
1、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）
2、张量（Tensor）的常用属性与方法（dtype、device、layout、requires_grad、cuda等）
3、张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建）
4、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）
5、张量（Tensor）的索引与切片
6、PyTorch的自动求导（Autograd）机制与计算图的理解
7、PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））
8、实操练习
第一天 15:00-17:00
第五章 大语言模型与AI Agent 助力 BP 神经网络建模
1、BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）
2、BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）
3、PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update）
4、案例讲解：Linear模型、Logistic模型、Softmax函数输出、BP神经网络
5、值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择等）
6、利用大语言模型与 AI Agent 实现BP神经网络模型的代码自动生成与运行
7、实操练习
第二天 09:00-11:00
第六章 大语言模型与AI Agent助力卷积神经网络
1、深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo）
2、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）
2、卷积神经网络的基本原理（什么是卷积核、池化核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？）
3、卷积神经网络的进化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系
4、利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等）
5、卷积神经网络调参技巧（卷积核尺寸、卷积核个数、移动步长、补零操作、池化核尺寸等参数与特征图的维度，以及模型参数量之间的关系是怎样的？）
6、案例讲解与实践：利用大语言模型与 AI Agent 实现卷积神经网络模型的代码自动生成与运行
（1）CNN预训练模型实现物体识别
（2）利用卷积神经网络抽取抽象特征
（3）自定义卷积神经网络拓扑结构
7、实操练习
第二天 11:00-12:00
第七章 大语言模型与AI Agent助力迁移学习
1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）
2、基于深度神经网络模型的迁移学习算法
3、案例讲解：利用大语言模型与 AI Agent 实现迁移学习的代码自动生成与运行
4、实操练习
第二天 14:00-15:30
第八章 大语言模型与AI Agent助力RNN与LSTM神经网络
1、循环神经网络RNN的基本工作原理
2、长短时记忆网络LSTM的基本工作原理
3、案例讲解：利用大语言模型与 AI Agent 实现LSTM神经网络模型的代码自动生成与运行
4、实操练习
第二天 15:30-17:00
第九章 大语言模型与AI Agent助力目标检测模型
1、什么是目标检测？目标检测与目标识别的区别与联系
2、R-CNN模型的工作原理及系列模型演化历史
3、YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别
4、案例讲解：利用大语言模型与 AI Agent 实现YOLO的代码自动生成与运行
（1）利用预训练好的YOLO模型实现目标检测（图像检测、视频检测、摄像头实时检测）
（2）数据标注演示（LabelImage使用方法介绍）
（3）训练自己的目标检测数据集
5、实操练习
第三天 09:00-10:00
第十章 大语言模型与AI Agent助力图像语义分割模型
1、语义分割（Semantic Segmentation）简介
2、U-Net模型的拓扑结构与工作原理
3、案例讲解：利用大语言模型与 AI Agent 实现U-Net图像语义分割的代码自动生成与运行
4、实操练习
第三天 10:00-11:00
第十一章 大语言模型与AI Agent助力生成式对抗网络
1、生成式对抗网络 GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？）
2、GAN 的拓扑结构与工作原理
3、案例讲解：利用大语言模型与 AI Agent 实现 GAN 的代码自动生成与运行
3、实操练习
第三天 11:00-12:00
第十二章 大语言模型与AI Agent助力自编码器
1、什么是自编码器（Auto-Encoder, AE）？
2、经典的几种自编码器模型原理介绍（AE、Denoising AE, Masked AE）
3、案例讲解：利用大语言模型与 AI Agent 实现自编码器的代码自动生成与运行
（1）基于自编码器的噪声去除
（2）基于自编码器的手写数字特征提取与重构
（3）基于掩码自编码器的缺失图像重构
4、实操练习
第三天 14:00-15:00
第十三章 大语言模型与AI Agent助力物理信息神经网络（PINN）
1、物理信息神经网络的背景（物理信息神经网络（PINNs）的概念及其在科 学计算中的重要性、传统数值模拟方法与PINNs的比较）
2、PINN的拓扑结构与工作原理：物理定律与方程的数学表达、如何将物理定律嵌入到神经 网络模型中？PINN的架构（输入层、隐含层、输出层的设计）、物理约束的 形式化（如何将边界条件等物理知识融入网络？）损失函数的设计（数据驱 动与物理驱动的损失项）
3、案例演示：利用大语言模型与 AI Agent 实现 PINN的代码自动生成与运行
4、实操练习
第三天 15:00-16:30
第十四章 大语言模型与AI Agent助力注意力机制
1、注意力机制的背景和动机（为什么需要注意力机制？注意力机制的起源和发展里程碑）。
2、注意力机制的工作原理原理（什么是注意力机制？注意力机制的数学表达与基本公式、用机器翻译任务带你详细了解Attention机制、如何计算注意力权重？）
3、注意力机制的主要类型：键值对注意力机制（Key-Value Attention）、自注意力（Self-Attention）与多头注意力（Multi-Head Attention）、Soft Attention 与 Hard Attention、全局（Global）与局部（Local）注意力
4、注意力机制的优化与变体：稀疏注意力（Sparse Attention）、自适应注意力（Adaptive Attention）、动态注意力机制（Dynamic Attention）、跨模态注意力机制（Cross-Modal Attention）
5、注意力机制的可解释性与可视化方法：注意力权重的可视化（权重热力图）
6、案例演示：利用大语言模型与 AI Agent 实现注意力机制的代码自动生成与运行
7、实操练习
第三天 16:30-17:00
第十五章 复习与答疑讨论
1、课程相关资料拷贝与分享
2、答疑与讨论（大家提前把问题整理好）
四、培训费用及注意事宜：
1、培训费：4600元/人（含培训费、午餐费、讲义资料费等）。
2、培训期间食宿统一安排，费用自理。
3、收款、开发票、培训会务工作由北京中际孚歌科技有限公司负责。
五、证书颁发：培训结束后由主办单位向学员颁发结业证书。
六、课程咨询：010-64113137