各企、事业单位：

在人工智能技术高速迭代的今天，大模型正以颠覆性力量重构各行业的技术范式。2025年是大模型应用实践落地年，当前大模型技术已突破单模态处理瓶颈，向多智能体协同、动态知识融合方向演进。但行业应用仍面临三重挑战：‌知识处理碎片化‌导致80%企业数据难以转化为有效知识图谱‌；‌场景适配低效‌使得89%应用停留在简单问答层面‌；‌工程落地复杂‌导致混合专家模型（MoE）等新技术陷入“技术狂欢”与“实践迷茫”的困境‌。

为帮助开发者跨越通用模型与行业场景间的技术鸿沟，掌握企业级大模型应用的完整方法论，中国人工智能培训网（http://www.chinaai.org.cn）特举办“新质技术之第一期Deepseek大模型应用研修班”。旨在汇聚行业精英，共同探讨Deepseek大模型技术的最新进展、行业应用和未来发展，以促进Deepseek大模型技术的深入研究和广泛应用。本次培训由北京龙腾亚太教育咨询有限公司、北京龙腾智元信息技术有限公司承办，负责具体招生、培训执行、发票开具。

一、培训专家

赵老师，复旦大学计算机科学技术学院副教授，主要负责本科生和各类研究生机器学习、深度学习应用、大数据核心技术等课程的教学，被评为教育部在线教育研究中心“智慧教学之星”。商务智能被评为上海市精品课程（2012年）、获得2013年高等教育上海市教学成果奖二等奖和2022年一等奖，获得2024年第四届上海市教师教学创新大赛一等奖。入选2023-2024年度高校计算机专业优秀教师奖励计划，获得2022年复旦大学教师教学创新大赛一等奖、多次获得学校教学成果一等奖。获得2022年教育部-华为智能基座项目深度学习课程优秀课件，入选2024年教育部-华为‘智能基座’优秀教师奖励计划。2022年和2024年教育部产学合作协同育人项目优秀项目案例，2024年CCF教学案例大赛一等奖，第7届CCF开源大赛案例赛道特等奖。深度学习及其应用国家一流课程负责人。目前主要研究方向包括机器学习和深度学习应用、电子推荐和大数据分析等。主持国家自然科学基金2项、国家重点研发计划子课题、上海市浦江人才以及企业合作课题等40多项。已在Knowledge and Information Systems ,Information Processing & Management，Information Systems Frontiers，Intelligent Data Analysis，Applied Intelligence等国内外刊物发表论文100多篇。在《计算机教育》等刊物发表教学论文10多篇，主持几十项教育部产学协同育人项目。出版著作《智能化的流程管理》以及教材《商务智能（第5版）》《机器学习（第2版）》（十四五工信部规划教材、复旦大学精品教材）《机器学习案例实战（第2版）》《Python机器学习实战案例（第2版）》《数据挖掘实用案例分析（第2版）》《深度学习实战案例》等10多部。获得上海市2015年上海市科技进步二等奖。CDA三级认证数据科学家，腾讯云、百度云机器学习认证讲师和阿里云MVP。多年来积极实践项目沉浸式教学改革，把与企业合作的实际项目成果融入到课程深度教学，努力成为双师型教师。

二、时间安排:     

2025年4月19日 — 2025年4月21日 线上直播

三、培训目标

1、深入理解DeepSeek大模型的创新原理及其在行业中的独特价值

2、掌握DeepSeek的主要功能及其创新应用

3、学会DeepSeek的应用方法和实践技巧，提升实际操作能力

四、参会对象：

各省市、自治区从事机关职能工作、人工智能、计算机软件工程、代码编程开发、图像处理、文本挖掘、语音处理、视频处理、高校及科研院所研究人员和大专院校相关专业教学人员及在校研究生等相关人员，以及对大模型学习使用感兴趣的广大爱好者。

五、费用标准：

3880元/人（含报名费、培训费、资料费、平台费、证书费）

六、颁发证书：

通过考核的人员可获取工业和信息化部人才交流中心《人工智能应用技术》IITC工信人才专业证书。

附件1：具体课程安排

第一部分：DeepSeek大模型的基本原理

一、大模型概述

1.定义与背景

a.大模型的概念及其在人工智能中的重要性

b.DeepSeek的市场定位与技术背景

2.DeepSeek的创新特点

a.采用先进的自适应学习机制，提升模型的学习效率

b.结合多模态学习与知识图谱，增强模型的推理与理解能力

二、DeepSeek的架构

1.模型结构

a.DeepSeek的独特架构设计（如模块化组件与动态计算图）

b.关键组件解析（如自适应嵌入层、增强型编码器）

2.训练过程

a.创新的数据准备与预处理方法（如自动化数据清洗）

b.训练算法（如自适应优化算法）与损失函数的选择

三、核心技术

1.自注意力机制的创新应用

a.DeepSeek如何优化自注意力机制以提高计算效率和效果

b.处理长文本的能力与优势，特别是在复杂上下文中的表现

2.变换器（Transformer）架构的改进

a.DeepSeek在Transformer基础上的创新（如稀疏注意力机制）

b.位置编码的改进与应用，提升模型对序列信息的理解

3.语言模型的创新

a.DeepSeek在生成与理解任务中的独特实现，结合上下文信息进行动态调整

b.结合知识图谱提升模型的推理能力，增强对复杂问题的解答能力

第二部分：Deepseek的主要功能

一、自然语言处理（NLP）

1.文本生成

a.DeepSeek在创作与对话生成中的应用实例，强调生成的多样性与连贯性

b.生成策略的创新（如上下文感知生成与多样性控制）

2.语义理解

a.DeepSeek在语义匹配与文本分类中的优势，特别是在多语言环境下的表现

b.实体识别与关系抽取的高效实现，结合上下文信息进行动态调整

3.情感分析

a.结合多模态数据进行情感分析的创新方法，提升情感识别的准确性

b.应用案例（如社交媒体情感监测与品牌舆情分析）

二、信息检索

1.语义搜索

a.DeepSeek如何提升语义搜索的准确性与效率，特别是在大规模数据集中的应用

b.结合用户行为数据进行个性化搜索，提升用户体验

2.问答系统

a.DeepSeek在构建高效问答系统中的应用，强调其对复杂问题的解答能力

b.训练问答模型的创新方法与技巧，结合知识图谱进行信息补充

3.文档摘要

a.提取式与生成式摘要的结合应用，提升摘要的质量与可读性

b.DeepSeek在文档摘要中的独特实现，特别是在长文档处理中的优势

三、多模态应用

1.图像与文本结合

a.DeepSeek在图像描述生成中的创新应用，强调跨模态理解的能力

b.跨模态学习的优势与实现，提升模型对复杂场景的理解

2.语音识别与生成

a.DeepSeek在语音处理中的应用实例，结合文本与语音数据进行
综合分析

b.语音与文本结合的创新场景，提升用户交互体验

四、个性化推荐

1.用户画像构建

a.DeepSeek如何利用深度学习构建精准用户画像，结合多维数据进行分析

b.数据收集与用户行为分析的创新方法，提升推荐的准确性

2.推荐算法的应用

a.基于内容的推荐与协同过滤的结合，提升推荐系统的智能化水平

b.DeepSeek在推荐系统中的成功案例，强调其在实时推荐中的应用

第三部分：DeepSeek的应用方法

一、环境准备

1.安装与配置DeepSeek

a.系统要求与依赖库的选择，强调高效的环境配置

b.环境配置的最佳实践（如Docker容器化部署与云端服务）

二、数据准备

1.数据收集与清洗

a.DeepSeek推荐的数据源与获取方法，强调数据多样性与质量

b.数据清洗与预处理的创新技术，提升数据处理效率

2.数据标注与处理

a.高效的标注工具与流程，结合自动化标注技术

b.数据集划分的策略与技巧，确保模型训练的有效性

三、模型训练与调优

1.训练流程

a.DeepSeek的训练脚本与运行方法，强调高效的训练策略

b.监控训练过程的工具与技巧，确保模型训练的稳定性

2.参数设置与调优

a.超参数优化的创新方法（如贝叶斯优化与遗传算法）

b.过拟合与欠拟合的识别与解决策略，结合模型评估指标进行调整

四、实际案例分析

1.成功应用案例分享

a.不同行业的DeepSeek应用实例（如金融、医疗、教育），强调其创新应用

b.DeepSeek在实际项目中的独特应用分析，展示其商业价值

2.不同领域的应用场景

a.具体案例分析与讨论，强调DeepSeek的独特价值与市场前景

五、实践操作

1.Hands-on实验：使用DeepSeek进行文本生成

a.实验步骤与代码示例，强调创新点与生成效果

b.结果分析与讨论，探索生成的多样性与连贯性

2.Hands-on实验：构建一个简单的问答系统

a.实验步骤与代码示例，突出DeepSeek的优势与应用场景

b.结果分析与讨论，评估系统性能与用户体验