《OPEN AI通识课》重磅发布!Datawhale 联合浙江大学智海 Mo 平台

 Datawhale发布 

发布:Datawhale、浙江大学智海Mo 

《OPEN AI通识课》正式发布

11 月 2 日,由 Datawhale 联合浙江大学智海 Mo 平台推出《OPEN AI通识课》,于 COSCon'24 中国开源年会正式发布。

△昨日,于北京中关村国家自主创新示范区展示中心

Datawhale 在 COSCon'24 中国开源年会期间主办开源教育论坛(AI 方向)的专题论坛。

27a93af5e982c3651b60f2ce92fb3446.jpeg

△北京中关村国家自主创新示范区展示中心

45ba4364ce071604a580f81a8d17eac6.jpeg

△开源教育论坛(AI 方向)专题论坛,于圆明园厅

在论坛开场,Datawhale高校负责人甘元琦发表了关于《把 OPEN AI通识课带进 500 所高校》的主题演讲。她提到:“从今年 3 月以来,我们已经走了 40 所高校,覆盖了 6000 多名师生。我们希望能提供更多体系化的学习内容,融合更多产学研资源,覆盖更多学校和学生,进而搭建起高校和产业之间的桥梁。”

eab309be0c4ffbb5218eeeac4b6d58bb.jpeg

△《把 OPEN AI通识课带进 500 所高校》

随后,Datawhale团队负责人范晶晶,浙江大学上海高等研究院人工智能高等教育联合创新中心副主任,浙大智海Mo平台联合创始人李骏翔出席发布仪式。

657f3ddbd23c10c789cf2043fe1aac53.jpeg

△《OPEN AI通识课》正式发布

AI通识课官网:https://www.datawhale.cn/open-ai

《OPEN AI通识课》介绍

OPEN AI通识课是国内首个由头部开源社区和顶尖高校联合打造的 AI 通识课程,是面向高校各个学科的人工智能通识培养方案。OPEN AI通识课聚焦产学融合,致力于面向行业培养 AI+X 的复合型人才,将链接全国 3000 余所高校、企业及组织机构,共同推动 AI 教育和产业的繁荣发展。

《OPEN AI通识课》课程体系

OPEN AI通识课有着独特的课程体系架构,其追求学习定制化路线,专业学习进程逐步深化,培养要求自下而上逐层提升。该课程体系精心规划为 “打基础、会应用、能拓展” 三个维度:

19f5f64e17cc67dd5287572995786c93.png

△OPEN AI 通识课课程体系:自下而上、逐层提升

“打基础” 是面向高校各学科背景、全阶段人工智能专业人才的人工智能通识培养基础课,为人才培养奠定坚实基础;

“会应用” 是涵盖 Datawhale 特色共学活动的人工智能能力进阶课,目标是培养 “有交流、能应用、会实战” 的 AI 应用型人才;

“能拓展” 旨在打造「AI+学科」和「AI+行业」的标杆案例,探索人工智能在学科、行业方面的创新应用和解决方案,让 AI + X 复合型人才发挥价值。

《OPEN AI通识课》课程理念

OPEN AI通识课以 Open(开源共创)、Practice(动手实践)、Explore(前沿探索)和 Network(产学协同)为理念,构建 AI 基础知识和实践体系。

66f80061dee3a9837e452b6732a605bf.png

△OPEN AI 通识课课程理念

联合发布方

Datawhale 成立于 2018 年,是国内头部的 AI 开源学习组织,Github 全球排名第 74,在知识学习型组织中位居国内第一。我们汇聚全球开源贡献者的力量,以 for the learner 为使命,陪伴学习者成长。

△关于 Datawhale

智海 Mo 诞生于浙江大学,是原浙江大学校长、中国工程院副院长潘云鹤院士发起的“智海”新一代人工智能科教平台的核心组成部分,由教育部人工智能协同创新中心、浙江大学计算机学院、人工智能研究所、中国人工智能学会等机构核心成员构成。

3fc3bdd5a9cb4688470244d0feb0555b.png

△原浙江大学校长潘云鹤院士题词

我们诚挚邀请高校师生和产业界加入 OPEN AI 通识课组委会的大家庭,共同探索 AI 的无限可能,携手共创智能未来!

1a8fbfe3268f4522813830b64d2ec743.png

一起“赞”三连

### 参加睿抗智海人工智能算法应用赛需要准备哪些材料 为了成功参与睿抗智海人工智能算法应用赛,参赛者需要准备一系列材料,以确保在比赛中能够高效地展示技术能力和项目成果。以下为参赛所需准备的主要内容: #### 1. 技术文档与项目计划书 参赛者需要提交一份详尽的技术文档或项目计划书,内容应包括项目背景、目标、技术路线、算法选择依据、模型训练与优化方法、实验设计、预期成果等。文档应体现对人工智能技术的深入理解,例如在预测性维护领域,可参考利用物联网、机器学习(特别是大语言模型)进行设备状态分析的方法[^1]。 #### 2. 代码与模型实现 参赛者需准备完整的代码实现,包括数据预处理、模型训练、推理与评估等模块。代码应具备良好的结构与注释,便于评审理解。例如,在图像识别或自然语言处理任务中,可使用PyTorch或TensorFlow构建深度学习模型,并结合预训练模型如BERT、GPT等提升性能[^2]。 ```python import torch import torch.nn as nn from transformers import BertModel class TextClassifier(nn.Module): def __init__(self, num_classes): super(TextClassifier, self).__init__() self.bert = BertModel.from_pretrained('bert-base-uncased') self.classifier = nn.Linear(768, num_classes) def forward(self, input_ids, attention_mask): outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask) return self.classifier(outputs.pooler_output) ``` #### 3. 数据集与训练日志 需准备用于训练和测试的数据集,数据应经过清洗、标注和合理划分。同时,应提供训练过程中的日志文件,包括损失曲线、准确率变化、模型调参记录等,以体现模型优化过程的科学性与严谨性。 #### 4. 演示材料与答辩准备 为在评审环节中清晰展示项目成果,建议准备演示视频、PPT汇报材料以及现场答辩的讲稿。演示内容应涵盖项目背景、技术实现、实验结果与实际应用场景。例如,可结合生成式AI在自然语言交互中提供维护建议的场景进行展示。 #### 5. 硬件与软件环境说明 提交项目时需附带所使用的软硬件环境说明,包括操作系统、编程语言版本、深度学习框架、依赖库版本等,以确保评审环境的一致性与可复现性。 #### 6. 团队分工与协作记录 比赛鼓励团队合作,因此应提供团队成员分工说明与协作记录,如Git提交记录、会议纪要、任务分配表等,体现团队协作的组织能力。 #### 7. 创新性与实用性分析报告 参赛作品应具备创新性与实用性,建议提交一份分析报告,阐述项目在技术、应用场景或行业落地方面的创新点,以及其潜在的商业价值和社会效益。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值