人工智能工程实训
课程详情
课程评价
spContent=
—— 课程团队
课程概述

本课程面向博士研究生及硕士研究生开设，旨在系统培养学生在人工智能领域的工程实现与应用能力。课程内容聚焦当前人工智能领域的前沿方向，大规模预训练模型（大模型）的训练与部署，围绕其核心技术环节，包括模型训练、推理加速、性能优化与工程化部署，展开深入讲解与实践。课程采用理论学习与动手实践相结合的教学模式，帮助学生深入理解大模型的基本原理与关键技术，通过实际项目训练，使学生掌握从模型构建、训练调优到最终部署落地的全流程开发能力。此外，课程还将引导学生构建大模型智能体（AI Agent）应用，提升其在复杂系统中设计和实现智能解决方案的能力。通过本课程的学习，学生将具备扎实的学术素养与工程实践能力，为未来从事人工智能相关研究或产业应用打下坚实基础。

授课目标

本课程系统讲授大规模预训练模型（大模型）的核心理论与关键技术，涵盖模型训练、推理加速、性能优化及工程化部署等关键环节。通过理论学习与动手实践相结合的教学模式，帮助学生深入理解大模型的基本原理，掌握从模型构建、训练调优到最终部署落地的全流程开发能力。同时，关注大模型在数据偏见、安全风险与可持续发展等方面的伦理问题，培养兼具技术实力与社会责任感的AI工程人才。

通过理论教学和实践活动，达到以下课程目标：

课程目标1: 能够掌握大模型核心原理，深入理解Transformer架构、注意力机制、自回归语言建模等基础理论，梳理大模型的技术演进路径；理解大模型的特征及其在通用人工智能中的战略意义。

课程目标2: 能够系统掌握大模型数据工程与训练优化的关键技术，熟悉高质量数据清洗，深入理解并掌握应用于大模型预训练的关键分布式训练策略，掌握模型优化与对齐方法、大模型性能评估方法。

课程目标3: 能够理解大模型推理优化与部署的工程方法，熟练掌握主流推理引擎的使用技巧，熟悉跨平台部署的完整流程，并掌握在本地环境中完成大模型的私有化部署。针对不同的硬件和软件环境，灵活调整部署策略，确保模型在实际应用场景中的高效运行。

课程目标4: 能够综合运用大模型前沿技术开展创新实践，深入理解思维链、检索增强生成、大模型智能体（AI Agent）架构的核心机制，具备设计和实现具备自主规划、工具调用与环境交互能力的AI Agent系统的能力。

课程大纲
预备知识

1. 有基本的计算机操作能力

2. 对人工智能领域有初步的兴趣和了解

3. 有初步的编程概念或学习过任何编程语言

证书要求

为积极响应国家低碳环保政策， 2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。

 

电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问 https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。

 

完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。

 

认证证书申请注意事项：

1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。

2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。


参考资料

（1）赵鑫、文继荣、李军毅等. 大语言模型. 北京：高等教育出版社, 2024

（2）Olivier Caelen、Marie-Alice Blete. 大模型应用开发极简入门基于GPT-4和ChatGPT. 北京：人民邮电出版社, 2024

（3）Ian Goodfellow、Yoshua Bengio、Aaron Courville. 深度学习. 北京：人民邮电出版社, 2017

（4）杨青、李华、王明. 大语言模型：原理与工程实践. 北京：电子工业出版社, 2025

（5）Hugging Face Team，《Transformers: State-of-the-Art Natural Language Processing》，GitHub，2024.