🤖【2024最新】NVIDIA免费AI在线课程，速来围观！

从基础知识到高级应用，这9门课程覆盖了人工智能的各个方面。

每一门课程都由NVIDIA的专家讲授，结合实际案例和最新技术，确保你能够跟上人工智能发展的步伐。更重要的是，这些课程完全免费，你可以根据自己的时间安排灵活学习。感兴趣且有条件的值友可以学习起来了！

PS：有些视频没有中文字幕大家可以借助Chrome的最新功能实现中文字幕翻译

1. 生成式 AI 入门

学习目标

生成式 AI 是一种根据各类输入生成新内容的技术。最近，生成式 AI 使用神经网络来识别现有数据的模式和结构用以生成新的内容。在本课程中，您将学习生成人工智能的概念、应用以及这个令人兴奋的领域的挑战和机遇。在本课程将带您学习生成式 AI 这个令人兴奋的领域，了解生成式 AI 的基本概念、应用，以及当前的机遇和挑战。

通过学习本课程，您将了解如何完成以下工作：

• 定义生成式 AI 并能解释生成式 AI 的工作方式

• 描述多种生成式 AI 应用

• 解释生成式 AI 的机遇和挑战

课程模式

个人在线自主学习，课程内容包含视频和讲义。

课程详情

• 预备知识：对机器学习和深度学习基本概念有所了解

• 课程时长：2 小时

• 课程语言：中文

• 链接

2.使用检索增强生成来增强您的 LLM 检索增强生成（RAG）

检索增强生成（Retrieval Augmented Generation，RAG）由 Facebook AI Research 在 2020 年提出，是一种无需重新训练模型，使用动态、领域特定数据来优化 LLM 输出的架构。RAG 是一个将信息检索组件与响应生成器结合在一起的端到端架构。在本课程中，我们用 NVIDIA 内部使用的组件提供了一个起点。这个工作流程将帮助您快速入门 LLM 和 RAG。

学习目标

通过学习本课程，您将了解如何完成以下工作：

理解检索增强生成的基本概念

学习 RAG 检索的过程

学习 NVIDIA AI Foundations 以及构成 RAG 模型的组件

课程模式

个人在线自主学习，课程为视频讲解

课程详情

• 课程时长：45 分钟

• 课程语言：中文

• 课程价格：免费

• 链接

3.10分钟构建大脑

课程简介

本教程深入探讨了第一个神经网络的生物学及心理学基础。

学习目标

通过本课程，您将：

理解神经网络如何利用数据进行学习；

掌握构成神经元的数学基础。

前提条件

虽然任何人都可以执行代码以查看其运行方式，但为了更深入地理解课程内容，建议您具备以下知识：熟悉Python 3的基础编程概念，如函数、循环、字典和数组；了解如何求解回归线。

课程详情

• 时长：10分钟

• 费用：免费

• 主题：基础知识、计算机视觉

• 课程语言：英文

• 关键词：数据科学、计算机视觉与机器视觉、教育与培训、人工智能/深度学习

• 链接

4.数据中心人工智能简介

您将学到什么

1. 什么是人工智能和人工智能用例、机器学习、深度学习以及深度学习工作流程中如何进行训练和推理。

2. GPU 的历史和架构，它们与 CPU 的区别，以及它们如何彻底改变人工智能。

3. 熟悉深度学习框架、人工智能软件栈，以及在预制或云数据中心部署人工智能工作负载时的注意事项。

4. 对多系统人工智能集群的要求以及对基础设施规划的考虑，包括服务器、网络、存储和工具。

此课程中共有 4 个单元

5.通过零代码修改实现数据科学工作流程的加速

在各个行业中，现代数据科学任务对于能够迅速且高效处理大规模数据的需求日益增长。为了确保能够及时获得结果并提升整体工作效率，这些任务的处理速度必须得到加速。NVIDIA RAPIDS 为此提供了一种无缝体验，能够让众多已有的数据科学任务通过 GPU 加速得以实现，而且无需对原有代码做任何修改。在这个研讨会中，您将掌握如何利用 RAPIDS 来提速您目前基于 CPU 的数据科学工作流程。

学习目标

参加本课程后，您将能够：

明白在 CPU 和 GPU 上实现数据科学任务统一工作流程的优势。

学会如何在不需修改任何代码的情况下，通过 GPU 来加速各类数据处理及机器学习工作流程。

亲身体验到，当工作流程得到 GPU 加速后，处理时间的大幅缩减。

课程详情

先决条件：

需具备对数据处理的基础理解，以及对标准数据科学工作流程（针对表格数据）的认知。

需具有使用常见的 Python 数据分析库（如 pandas、scikit-learn）的实践经验。

本课程将使用的工具和库包括：NVIDIA RAPIDS（包括 cuDF、cuML、cuGraph）、pandas、scikit-learn 以及 NetworkX。

• 时长：1小时

• 费用：免费

• 课程语言：英文

• 链接

6.深入推荐系统精髓

概览

本课程带您深入探索 NVIDIA 的 Kaggle 大师在针对电商推荐系统构建的数据科学竞赛中所采用的高效策略。通过本课程，您将深入理解推荐系统的双阶段模型架构，学会构建候选项生成及共访问矩阵，掌握针对重排序模型的特征选择与工程化方法，并了解如何进行模型融合。本课程采用视频讲解的方式，辅以详尽的案例分析和实际应用展示，旨在为数据科学家、机器学习工程师及对推荐系统及数据科学竞赛感兴趣的学习者提供深度学习的机会。课程大纲如下：

课程导论

• 竞赛挑战概览及总结

• 推荐系统的双阶段模型解析

• 阶段一：候选项生成与共访问矩阵的构建

• 共访问矩阵详解

• 阶段二：重排序模型的特征选择与工程化

• 亚军团队的解决策略

• 季军团队的解决策略

• 模型融合策略

• 互动问答环节

本课程由 NVIDIA 的资深开发者亲自授课，让您直接从业界顶尖专家那里学习最前沿的知识和技能。

• 时长：47分钟

• 费用：免费

• 课程语言：英文

• 链接

7.网络基础入门课程

在本课程中，您将探索网络的概念及其存在的必要性。我们将讲述网络的各个组成部分，并说明搭建一个网络解决方案所需的条件。本课还将引导您了解 OSI 模型和 TCP/IP 协议套件，以及它们在网络构建中的关键角色。接着，我们会深入探讨以太网技术的基本原理，包括数据在以太网中的传输方式。欢迎加入我们的网络基础入门课程。课程内容涵盖网络基础、常用 TCP/IP 协议的介绍，以及以太网的基础概念。此外，我们还将帮助您建立对主要数据中心需求的基本理解，并指导如何满足这些需求。

在您成功通过本课程的结业考试后，将颁发数字证书以证明您掌握了以太网技术的基础知识和以太网数据传输的核心概念。

此课程中共有 2 个单元

• 时长：1小时

• 费用：免费

• 课程语言：英文

• 链接

8.掌握大规模图像分类技巧

概览

本课程旨在向参与者展示如何在大规模图像分类方面取得突破，特别是如何在 Google 地标识别 2020 Kaggle 竞赛中脱颖而出。学习本课程，您将深入了解在处理大量类别的地标识别时面临的挑战，探索各种建模技巧，并学会编写高效的图像分类代码。课程内容丰富，涵盖经典方法、验证技巧、模型架构设计、模型微调、后期处理技术、模型融合以及如剪裁等图像增强方法。通过 NVIDIA 行业专家的视频讲解，您将获得他们的胜利方案及宝贵经验分享。本课程适合数据科学家、机器学习工程师以及对参与深度学习竞赛、尤其是计算机视觉领域感兴趣的学者。

课程大纲：

• 课程引言

• 欢迎致辞

• 竞赛概述

• 掌握经典方法

• 走向胜利的方案

• 精确的验证策略

• 提升代码效率

• 模型构建技巧

• 第三名的独特策略

• 模型架构深度剖析

• 精细化模型调整技术

• 高效的后期处理方法

• 实现模型的最佳融合

• 竞赛心得

• 剪裁技术与图像增强

• 提交标准与策略

• 疫苗降解问题探讨

本课程由 NVIDIA 的资深开发者亲自授课，让您直接从业界顶尖专家那里学习最前沿的知识和技能。

• 时长：54分钟

• 费用：免费

• 课程语言：英文

• 链接

9.构建基于大语言模型的 RAG 代理

概览

随着大型语言模型（LLMs）的不断进步，由它们驱动的代理系统正逐渐成为个人和企业的新宠。人们在这些系统中发掘出新的能力和机会，极大地提升了生产效率。其中，基于检索的 LLM 系统的兴起尤为引人注目，它们能够通过调用工具、参考文档及规划策略来进行深度对话。尽管这类系统非常有趣且开放了无限可能性，它们的运作需要频繁查询庞大的深度学习模型，并且实现时必须高效。本课程将指导您如何实际部署这样的代理系统，并按需扩展，以满足用户和客户的需求。

学习目标

• 探索针对 LLMs 和向量数据库的可扩展部署方案。

• 深入了解微服务架构，学习如何搭建并优化微服务之间的协作。

• 体验利用 LangChain 范式开发对话管理和文档检索的最新方法。

• 实践最前沿模型，掌握其产品化和框架探索的关键步骤。

课程详情

先决条件：

熟悉大语言模型及相关框架（如 LangChain）的使用。有关 Prompt Engineering with LLaMA-2、基于 Transformer 的自然语言处理入门、LLMs 快速应用开发或 DeepLearning.ai 目录中的 LangChain 相关课程将是优质资源。当然，通过项目经验或使用聊天模型（如 GPT4/Llama-2）获得的实践知识也同样适用。

• 具备中级 Python 编程技能。

• 有 Web 工程和开发运维经验者优先，但非必需。

课程细节

• 持续时间：8小时

• 价格：免费

• 课程语言：英文

• 链接