深度学习全栈工程师之路-The Path to Full-Stack Deep Learning Engineer

本课程旨在系统性培养 深度学习全栈工程师（Full-Stack Deep Learning Engineer），从基础理论到真实项目实践，带你完整掌握 深度学习模型设计、训练、优化以及真实 AI 系统开发能力。

课程首先从深度学习核心理论入手，系统讲解神经网络基础，包括 线性神经网络、多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）以及注意力机制（Attention） 等关键模型结构，并深入理解 优化算法、计算性能优化以及现代深度学习架构。通过这一部分，你将建立扎实的深度学习理论基础，并掌握主流模型的工作原理与应用场景。

在掌握理论基础之后，课程将进入 实战演练阶段。通过真实项目案例，带你使用当前主流深度学习框架完成完整的 AI 应用开发流程，例如：

• 情感分析项目：使用 Transformer / BERT 模型进行文本分类

• 模型微调实践：学习全参数微调与 LoRA 参数高效微调（PEFT）

• AI 搜索系统开发：构建 商品知识图谱 + 语义检索系统

在最终项目中，你将基于 Neo4j 图数据库构建商品知识图谱，并结合语义向量检索，实现一个智能商品搜索系统。通过该项目，你将理解如何将 深度学习模型、知识图谱以及语义搜索技术结合，构建真实 AI 应用系统。

课程整体采用 “理论 + 实战”结合的方式，不仅讲解模型原理，还强调 工程化能力与 AI 系统落地能力。完整覆盖从 数据处理 → 模型训练 → 模型微调 → AI 应用开发 的核心流程。

在真实工业环境中，一个完整的 AI 项目通常需要经历 数据准备、模型开发、训练、部署与持续优化等完整生命周期，而不仅仅是模型训练本身 。本课程正是围绕这一完整流程设计，帮助学习者具备构建端到端 AI 系统的能力。