2026年1月22日，“众智赋能 共赢未来”2026微软广告合作伙伴年度峰会在北京盛大启幕。作为微软广告中国区合作伙伴、LinkedIn官方授权一级代理服务商，融创云受邀出席本次行业盛会，与全球微软广告官方团队、核心代理商及技术伙伴齐聚一堂，深度解码AI驱动下的营销变革，共话海内外市场增长新路径，沉浸式感受行业前沿趋势与实践成果。展望2026年，融创云将持续深化与微软广告的协同合作，聚焦三大方向升级服务：一是加速AI工具与现有服务体系的融合，优化智能投放、创意生成等核心能力；二是依托微软第 一方数据生态，打造更精 准的B2B/B2C出海营销解决方案；三是通过融创云学院，将峰会前沿趋势转化为实战课程，赋能更多出海品牌。
当会场灯光亮起，30 位外贸行业的创始人、核心负责人带着 “突破获客瓶颈” 的期待而来；当两天的实战课程落下帷幕，他们带着可落地的领英运营方案、高价值行业人脉，以及 “主动赢单” 的全新思维满载而归。融创云学院「破局・出海・赢单」外贸高价值客户突围：领英闭门实战（深圳站），于 1 月 16 日圆满收官！两天的沉浸式课程，让原本陌生的外贸人成为了彼此的 “增长战友”。这不仅是一次课程的结束，更是 “主动出海、赢单全球” 的全新开始。错过本次深圳站的伙伴，欢迎关注我们融创云的官网信息发布，下一站城市正在筹备中，我们与您不见不散！
领英 × 微软广告 × 融创云学院--聚焦品牌出海与AIGC创新，洞察全球增长新趋势。感谢每一位到场嘉宾与合作伙伴！未来，融创云学院将持续携手中国企业，共创品牌全球化新篇章。
10月22日（周三）下午，「中国丝网博览会·跨境电商品牌出海营销大会」将在中国安平国际会展中心二楼会议室隆重举行。本次大会由融创云学院携手领英、谷歌、亚马逊、TikTok等全球平台联合举办，聚焦丝网产业带出海新机遇，探索数字化营销与品牌全球化增长路径。安平县领导、分管部门负责人及重点企业代表约百人将齐聚现场，共话产业升级与出海新篇章。
十月的融创云学院，热度持续升温火苗两场重磅活动即将登场——聚焦「品牌出海 · 数字驱动」，携手全球平台，为企业带来前沿的出海思考与实践分享。扫码报名，抢占席位！ ⛪ 北京站｜10月15日「领航出海·英立潮头」LinkedIn × 微软广告 × 融创云学院聚焦品牌出海全球化与 AIGC 实践，探讨出海企业如何赢得关注。⛳ 河北站｜10月22日丝网博览会·跨境出海营销大会领英、谷歌、亚马逊、TikTok 四大平台齐聚，直击产业带出海痛点，共话品牌升级与数字化增长。
在全球化浪潮加速的当下，中国品牌如何借势“出海”，在国际舞台上赢得更多关注与机遇？2025年10月15日，由 LinkedIn领英中国、微软广告 联合主办，融创云学院 承办的 「领航出海·英立潮头」北京站 即将盛大开启！本次活动将聚焦 京津冀一体化 和 品牌出海全球化，汇聚行业专家与实战精英，分享最新的海外营销趋势、外贸出海新机遇，以及AIGC赋能本地化内容的前沿实践。2025年10月15日，让我们相聚北京，共同探索品牌出海的无限可能！
2025年9月10日至14日，全球服务贸易的焦点汇聚于北京首钢园和雄安论坛分会场，融创云学院携手全球伙伴共同见证了这一场精彩纷呈的B2B出海盛会。作为B2B品牌全球化营销专家，我们深知，创新合作与跨境贸易的未来就在此刻开启！9月的盛会虽然圆满落幕，但融创云学院的合作之旅并未停止。我们将在后续活动中携手更多合作伙伴，继续推动B2B出海进程。即将举办的活动将深入探讨行业前沿的数字经济、AI、跨境电商等领域，为各大企业提供创新支持与合作机遇。
8月29日下午，由 LinkedIn中国与微软广告联合主办，融创云学院承办的「B2B品牌全球化出海研学会·上海站」成功举办。活动聚焦 B2B企业全球化营销，探讨了品牌如何借助数字平台与AI新基建，精准高效地拓展海外市场。活动现场讨论热烈，座无虚席，会议室加座到坐不下。重温嘉宾分享内容：一、LinkedIn：B2B出海的核心阵地在活动开场分享中，LinkedIn中国渠道业务总经理 Sky Hu 带来《海外营销趋势与LinkedIn实战》的主题演讲。他指出：LinkedIn已成为全球最大的B2B商业社交平台，覆盖超过10亿职场用户，尤其是高价值的决策者群体。对中国企业而言，LinkedIn不仅是获
浏览数量： 796 作者： 本站编辑 发布时间： 2023-02-20 来源： 本站
| AI 工程师营 | ||
| 主题 | 内容介绍 | 课时 |
| 人工智能导论 | ▫ 什么是人工智能 ▫ 人工智能的历史沿革 ▫ 生活中常见的人工智能产品 ▫ 对人工智能常见的误解 | 1 |
| 算法工程师的进阶之路 | ▫ 算法工程师的知识体系 ▫ 学习方法和资料 ▫ 如何阅读一篇 AI 论文 | 1 |
| 机器学习基础（Ⅰ） | 人工智能背后的技术：AI 模型 ▫ AI 模型是什么 ▫ AI 模型的生命周期 ▫ AI 模型质量的判断 | 1 |
| 机器学习基础（Ⅱ） | 使用 AI 模型的几种方法 ▫ 使用模型 ▫ 使用训练代码 ▫ 使用训练代码 + 预训练模型 ▫ 使用算法 | 1 |
| 通过认知服务体验 AI 模型 | ▫ 认识微软认知服务（ ASR，TTS ） ▫ 服务总览 + 常用任务介绍 ▫ 服务调用方法获得结果（ e.g. 音频文件和 viseme 信息 ） | 3 |
| 机器学习基础（Ⅲ） 认识模型训练和优化算法 | 通过线性回归认识模型训练和预测 ▫ 线性回归的模型函数 ▫ 线性回归的训练目标 ▫ 线性回归的预测结果 通过线性回归认识梯度下降 ▫ 从模型函数到目标函数 ▫ 最优化目标函数 ▫ 梯度下降算法 ▫ 梯度下降算法的实现 | 2 |
| 机器学习基础（Ⅳ） 模型的训练环境 | ▫ 单机训练 ▫ Al Platform | 1 |
| 有监督模型（Ⅰ） 二分类模型 | 认识逻辑回归：用于二分类的回归模型 ▫ 模型函数 ▫ 模型函数的来源 ▫ 二分类的优势 逻辑回归的目标函数和优化对象 ▫ 目标函数 ▫ 梯度下降过程 ▫ 逻辑回归梯度下降的实现 ▫ BGD 、SGD 以及 MBGD 从二分类到多分类 | 1 |
| 有监督模型（Ⅱ） 其他分类模型 | 介绍模型基本原理，特点和选择方法： ▫ 朴素贝叶斯 ▫ 决策树 ▫ SVM ▫ 提升树（ optional ） | 2 |
| 编写梯度下降程序训练 线性回归和逻辑回归模型 | 2 | |
| 有监督模型（Ⅲ） 序列预测模型 | ▫ 马尔可夫链，马尔可夫过程 ▫ CRF & HMM 原理 ▫ 语音识别 ▫ 自动作曲 ▫ 自动写作 ▫ 实体识别 | 2 |
| Sklearn 的使用方法 | 1 | |
| 数据工程（1） | ▫ 数据清洗 ▫ 数据归一化 ▫ 特征提取 ▫ 编码 | 1 |
| 训练分类模型 | ▫ 利用分类模型进行文本分类 | 2 |
| CRF 实战 | ▫ 训练一个 NER 模型 | 2 |
| 无监督模型：聚类等 | ▫ Kmeans 等 ▫ 密度聚类 ▫ GMM ▫ PCA | 1 |
| 聚类算法实战 | ▫ 聚类 | 2 |
| 深度学习基础（Ⅰ） | 神经网络的历史与现状 全连接神经网络 ▫ 层级 ▫ 元素 ▫ 神经网络的训练目标 ▫ 神经网络的推断 ▫ 利用梯度下降算法训练神经网络 前向传播和反向传播 | 2 |
| from scratch 编写程序，训练 FC 网络 | 3 | |
| 深度学习基础（Ⅱ） | 认识更多的神经网络 ▫ CNN ▫ RNN & LSTM ▫ Attention & Transformer 神经网络的应用 ▫ 图像 ▫ 语音 等等 | 1 |
| 深度学习基础（Ⅲ） | 模型训练方法： ▫ 数据预处理 ▫ 权重初始化 ▫ 优化算法 ▫ 正则化 ▫ 学习率和提前停止 | 2 |
| 人工智能系统 | ▫ 现阶段的人工智能系统——深度学习系统 ▫ 深度学习系统的资源需求（ 计算资源、数据资源、人力资源 ） ▫ 深度学习框架的沿革与设计要点 | 2 |
| 深度学习训练框架 Tensorflow | 什么是深度学习框架 深度学习框架的作用 ▫ tensorflow 2.0 的使用 | 1 |
| 用 Tensorflow 训练多层 FC 网络 | 2 | |
| NLP 基础（Ⅰ） | ▫ 什么是自然语言处理（ NLP ） ▫ 自然语言处理的任务 ▫ 基于模型的自然语言处理 | 1 |
| NLP 基础（Ⅱ） | ▫ word2vec ▫ bert | 2 |
| 文本分类的应用与神经 网络解决方案 | ▫ 文本分类的特征构建方法：词袋模型，TF-IDF，word2vec 等 ▫ 基于深度学习模型的文本分类：CNN + FC，BERT + FC 等 ▫ 文本分类数据准备：数据标注 ▫ 文本分类应用：邮件分类（ 二分类 ）vs 新闻分类（ 多分类 ） | 2 |
| 数据工程（ 2 ） 将文本转化为向量的方法 | embedding: ▫ 嵌入模型的进化方式 ▫ VSM ▫ Topic Model ▫ word embedding ▫ contextual embedding ▫ large language Model | 1 |
| 用 word2vec 和 BERT 进行 text embedding | ▫ 构造一个 word2vec 模型 ▫ BERT 预训练 ▫ 利用外部库去读取 BERT 预训练模型 | 2 |
| 文本相似度问题的 解决方案 | ▫ 文本相似度任务的应用场景（ 智能对话 ) ▫ chart level ▫ word level ▫ sentence level ▫ paragraph level | 1 |
| 文本相似度计算的 性能问题 | ▫ 机器学习中的性能问题 ▫ 模型蒸馏 ▫ 量化 ▫ 剪枝 | 2 |
| 智能对话系统与虚拟 主播平台 | ▫ 智能对话系统架构 ▫ 自然语言理解模块 ▫ 知识库 ▫ 对话管理引擎 | 2 |
| 构建一个简易对话系统 | ▫ 分别使用分类模型和相似度模型识别用户意图 ▫ 根据意图返回对应答案 | 3 |
| 知识图谱导论 | ▫ 什么是知识图谱 ▫ 知识图谱的数据模型 ▫ 知识图谱的构建、存储和应用 | 1 |
| 知识抽取技术 | ▫ 实体抽取 ▫ 关系抽取 ▫ 联合抽取 | 2 |
| DialogEngine 使用方法 | 1 | |
| Virtual Anchor 使用方法 | 1 | |
| SmartkG 的使用方法 | 1 | |
| 知识图谱前沿技术 | ▫ 知识图谱的研究和应用热点 ▫ 知识图谱应用案例 | 1 |
| 强化学习 | ▫ 强化学习概念 ▫ DQN ▫ Actor_Critic 模型 | 2 |
| 强化学习实战 | ▫ 让电脑自己玩贪食蛇 | 2 |
| 生成对抗网络（ GAN ） | ▫ 生成对抗网络的概念 ▫ 模型的进化 ▫ 应用 | 2 |
| GAN 实战 | 2 | |
课程特色
多领域覆盖： 涵盖Python编程、数据分析、人工智能、自动化办公、算法与数据结构等多个领域，为学员提供全面而实用的技能。
前沿技术学习：重点关注人工智能、虚拟人物设计、AI生成技术等前沿领域，培养学员在数字时代的创新能力。
实践技能提升： 通过项目实战、案例分析等方式，强调实际操作与问题解决，使学员能够熟练应用所学知识。
问题解决思维培养： 着重算法与数据结构的教学，培养学员分析和解决问题的思维方式，提高编程能力。
综合能力提升： 所学知识体系跨学科，使学员具备全面综合应对复杂技术和业务挑战的能力。
