怎么做好網(wǎng)站開發(fā)_設(shè)計怎么做百度網(wǎng)頁推廣
郁磊【副教授】:主要從事AI人工智能與大數(shù)據(jù)分析等相關(guān)研究,長期致力于人工智能與近紅外生物醫(yī)學(xué)工程等領(lǐng)域融合,主持并完成多項科研課題。著有《神經(jīng)網(wǎng)絡(luò)43個案例分析》等書籍。
//??講座內(nèi)容
1、近紅外光譜基本理論、近紅外光譜儀基本原理
2、近紅外光譜數(shù)據(jù)采集方法 (樣品制備、附件選擇)
3、近紅外光譜預(yù)處理方法(去噪、一階/二階導(dǎo)數(shù)、基線校正等)
4、常用化學(xué)計量學(xué)方法 (機器學(xué)習(xí)、深度學(xué)習(xí)方法)
5、近紅外光譜定性/定量分析模型性能評價
6、近紅外光譜模型移植/傳遞方法
?郁磊老師系統(tǒng)課程推薦
基于ChatGPT4+Python近紅外光譜數(shù)據(jù)分析及機器學(xué)習(xí)與深度學(xué)習(xí)建模進階應(yīng)用
專題一?ChatGPT4入門基礎(chǔ)
1、ChatGPT概述(GPT-1、GPT-2、GPT-3、GPT-3.5、GPT-4模型的演變)
2、ChatGPT對話初體驗(注冊與充值、購買方法)
3、GPT-4與GPT-3.5的區(qū)別,以及與國內(nèi)大語言模型(文心一言、星火等)的區(qū)別
4、ChatGPT科研必備插件(Data Interpreter、Wolfram、WebPilot、MixerBox Scholar、ScholarAI、Show Me、AskYourPDF等)
5、定制自己的專屬GPTs(制作專屬GPTs的兩種方式:聊天/配置參數(shù)、利用Knowledge上傳本地知識庫提升專屬GPTs性能、利用Actions通過API獲取外界信息、專屬GPTs的分享)
6、GPT Store簡介
7、案例演示與實操練習(xí)
//
專題二??ChatGPT4 提示詞使用方法與技巧
1、ChatGPT Prompt (提示詞)使用技巧(為ChatGPT設(shè)定身份、明確任務(wù)內(nèi)容、提供任務(wù)相關(guān)的背景、舉一個參考范例、指定返回的答案格式等)
2、常用的ChatGPT提示詞模板
3、基于模板的ChatGPT提示詞優(yōu)化
4、利用ChatGPT4 及插件優(yōu)化提示詞
5、通過promptperfect.jina.ai優(yōu)化提示詞
6、利用ChatGPT4 及插件生成提示詞
7、ChatGPT4突破Token限制實現(xiàn)接收或輸出萬字長文(什么是Token?Token數(shù)與字符數(shù)之間的互相換算、五種方法提交超過Token限制的文本、四種方法讓ChatGPT的輸出突破Token限制)
8、控制ChatGPT的輸出長度(使用修飾語、限定回答的范圍、通過上下文限定、限定數(shù)量等)
9、利用ChatGPT4 及插件保存喜歡的ChatGPT提示詞并一鍵調(diào)用
10、案例演示:利用ChatGPT4實現(xiàn)網(wǎng)頁版游戲的設(shè)計、代碼自動生成與運行
11、實操練習(xí)
//
專題三??ChatGPT4助力信息檢索與總結(jié)分析
1、傳統(tǒng)信息檢索方法與技巧總結(jié)(Google Scholar、ResearchGate、Sci-Hub、GitHub、關(guān)鍵詞檢索+同行檢索、文獻訂閱)
2、利用ChatGPT4 及插件實現(xiàn)聯(lián)網(wǎng)檢索文獻
3、利用ChatGPT4及插件總結(jié)分析文獻內(nèi)容(三句話摘要、子彈式要點摘要、QA摘要、表格摘要、關(guān)鍵詞與關(guān)鍵句提取、頁面定位、多文檔對比、情感分析)
4、利用ChatGPT4 及插件總結(jié)Youtube視頻內(nèi)容
5、案例演示與實操練習(xí)
//
專題四??ChatGPT4助力論文寫作與投稿
1、利用ChatGPT4自動生成論文的總體框架
2、利用ChatGPT4完成論文翻譯(指定翻譯角色和翻譯的領(lǐng)域、給一些背景提示)
3、利用ChatGPT4實現(xiàn)論文語法校正
4、利用ChatGPT4完成段落結(jié)構(gòu)及句子邏輯潤色
5、利用ChatGPT4完成論文評審意見的撰寫與回復(fù)
6、案例演示與實操練習(xí)
//
專題五??ChatGPT4助力Python入門基礎(chǔ)
1、Python環(huán)境搭建( 下載、安裝與版本選擇)。
2、如何選擇Python編輯器?(IDLE、Notepad++、PyCharm、Jupyter…)
3、Python基礎(chǔ)(數(shù)據(jù)類型和變量、字符串和編碼、list和tuple、條件判斷、循環(huán)、函數(shù)的定義與調(diào)用等)
4、第三方模塊的安裝與使用
5、Numpy模塊庫(Numpy的安裝;ndarray類型屬性與數(shù)組的創(chuàng)建;數(shù)組索引與切片;Numpy常用函數(shù)簡介與使用)
6、Matplotlib基本圖形繪制(線形圖、柱狀圖、餅圖、氣泡圖、直方圖、箱線圖、散點圖等)、圖形的布局(多個子圖繪制、規(guī)則與不規(guī)則布局繪制、向畫布中任意位置添加坐標(biāo)軸)
7、實操練習(xí)
//
專題六?ChatGPT4助力近紅外光譜數(shù)據(jù)預(yù)處理
1、近紅外光譜數(shù)據(jù)標(biāo)準(zhǔn)化與歸一化(為什么需要標(biāo)準(zhǔn)化與歸一化?)
2、近紅外光譜數(shù)據(jù)異常值、缺失值處理
3、近紅外光譜數(shù)據(jù)離散化及編碼處理
4、近紅外光譜數(shù)據(jù)一階導(dǎo)數(shù)與二階導(dǎo)數(shù)
5、近紅外光譜數(shù)據(jù)去噪與基線校正
6、近紅外光譜數(shù)據(jù)預(yù)處理中的ChatGPT提示詞模板講解
7、實操練習(xí)
//
專題七??ChatGPT4助力多元線性回歸近紅外光譜分析
1、多元線性回歸模型(工作原理、最小二乘法)
2、嶺回歸模型(工作原理、嶺參數(shù)k的選擇、用嶺回歸選擇變量)
3、LASSO模型(工作原理、特征選擇、建模預(yù)測、超參數(shù)調(diào)節(jié))
4、Elastic Net模型(工作原理、建模預(yù)測、超參數(shù)調(diào)節(jié))
5、多元線性回歸、嶺回歸、LASSO、Elastic Net的Python代碼實現(xiàn)
6、多元線性回歸中的ChatGPT提示詞模板講解
7、案例演示:近紅外光譜回歸擬合建模
//
專題八??ChatGPT4助力BP神經(jīng)網(wǎng)絡(luò)近紅外光譜分析
1、BP神經(jīng)網(wǎng)絡(luò)的基本原理(人工智能發(fā)展過程經(jīng)歷了哪些曲折?人工神經(jīng)網(wǎng)絡(luò)的分類有哪些?BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和訓(xùn)練過程是怎樣的?什么是梯度下降法?)
2、訓(xùn)練集和測試集劃分?BP神經(jīng)網(wǎng)絡(luò)常用激活函數(shù)有哪些?如何查看模型參數(shù)?
3、BP神經(jīng)網(wǎng)絡(luò)參數(shù)(隱含層神經(jīng)元個數(shù)、學(xué)習(xí)率)的優(yōu)化(交叉驗證)
4、值得研究的若干問題(欠擬合與過擬合、評價指標(biāo)的設(shè)計、樣本不平衡問題等)
5、BP神經(jīng)網(wǎng)絡(luò)的Python代碼實現(xiàn)
6、BP神經(jīng)網(wǎng)絡(luò)中的ChatGPT提示詞模板講解
7、案例演示:
1)近紅外光譜回歸擬合建模;
2)近紅外光譜分類識別建模
//
專題九??ChatGPT4助力支持向量機(SVM)近紅外光譜分析
1、SVM的基本原理(什么是經(jīng)驗誤差最小和結(jié)構(gòu)誤差最小?SVM的本質(zhì)是解決什么問題?SVM的四種典型結(jié)構(gòu)是什么?核函數(shù)的作用是什么?什么是支持向量?)
2、SVM擴展知識(如何解決多分類問題?SVM的啟發(fā):樣本重要性排序及樣本篩選)
3、SVM的Python代碼實現(xiàn)
4、SVM中的ChatGPT提示詞模板講解
5、案例演示:近紅外光譜分類識別建模
//
專題十??ChatGPT4助力決策樹、隨機森林、Adaboost、XGBoost和LightGBM近紅外光譜分析
1、決策樹的基本原理(什么是信息熵和信息增益?ID3和C4.5算法的區(qū)別與聯(lián)系)
2、隨機森林的基本原理與集成學(xué)習(xí)框架(為什么需要隨機森林算法?廣義與狹義意義下的“隨機森林”分別指的是什么?“隨機”提現(xiàn)在哪些地方?隨機森林的本質(zhì)是什么?)
4、Bagging與Boosting集成策略的區(qū)別
5、Adaboost算法的基本原理
6、Gradient Boosting Decision Tree (GBDT)模型的基本原理
7、XGBoost與LightGBM簡介
8、決策樹、隨機森林、Adaboost、XGBoost與LightGBM的Python代碼實現(xiàn)
9、決策樹、隨機森林、Adaboost、XGBoost與LightGBM的ChatGPT提示詞模板講解
10、案例演示:近紅外光譜回歸擬合建模
//
專題十一? ChatGPT4助力遺傳算法近紅外光譜分析
1、群優(yōu)化算法概述
2、遺傳算法(Genetic Algorithm)的基本原理(什么是個體和種群?什么是適應(yīng)度函數(shù)?選擇、交叉與變異算子的原理與啟發(fā)式策略)
3、遺傳算法的Python代碼實現(xiàn)
4、遺傳算法中的ChatGPT提示詞模板講解
5、案例演示:基于二進制遺傳算法的近紅外光譜波長篩選
//
專題十二??ChatGPT4助力近紅外光譜變量降維與特征選擇
1、主成分分析(PCA)的基本原理
2、偏最小二乘(PLS)的基本原理(PCA與PLS的區(qū)別與聯(lián)系;PCA除了降維之外,還可以幫助我們做什么?)
3、近紅外光譜波長選擇算法的基本原理(Filter和Wrapper;前向與后向選擇法;區(qū)間法;無信息變量消除法等)
4、PCA、PLS、特征選擇算法的Python代碼實現(xiàn)
5、PCA、PLS、特征選擇算法中的ChatGPT提示詞模板講解
6、案例演示:
? 1)基于L1正則化的近紅外光譜波長篩選
? 2)基于信息熵的近紅外光譜波長篩選
? 3)基于Recursive feature elimination的近紅外光譜波長篩選
? 4)基于Forward-SFS的近紅外光譜波長篩選
//
專題十三??ChatGPT4助力Pytorch入門基礎(chǔ)
1、深度學(xué)習(xí)框架概述(PyTorch、Tensorflow、Keras等)
2、PyTorch簡介(動態(tài)計算圖與靜態(tài)計算圖機制、PyTorch的優(yōu)點)
3、PyTorch的安裝與環(huán)境配置(Pip vs. Conda包管理方式、驗證是否安裝成功)
4、張量(Tensor)的定義,以及與標(biāo)量、向量、矩陣的區(qū)別與聯(lián)系)
5、張量(Tensor)的常用屬性與方法(dtype、device、requires_grad、cuda等)
6、張量(Tensor)的創(chuàng)建(直接創(chuàng)建、從numpy創(chuàng)建、依據(jù)概率分布創(chuàng)建)
7、張量(Tensor)的運算(加法、減法、矩陣乘法、哈達瑪積(element wise)、除法、冪、開方、指數(shù)與對數(shù)、近似、裁剪)
8、張量(Tensor)的索引與切片
9、PyTorch的自動求導(dǎo)(Autograd)機制與計算圖的理解
10、PyTorch常用工具包及API簡介(torchvision(transforms、datasets、model)、torch.nn、torch.optim、torch.utils(Dataset、DataLoader))
//
專題十四??ChatGPT4助力卷積神經(jīng)網(wǎng)絡(luò)近紅外光譜分析
1、深度學(xué)習(xí)與傳統(tǒng)機器學(xué)習(xí)的區(qū)別與聯(lián)系(神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)越多越好嗎?深度學(xué)習(xí)與傳統(tǒng)機器學(xué)習(xí)的本質(zhì)區(qū)別是什么?)
2、卷積神經(jīng)網(wǎng)絡(luò)的基本原理(什么是卷積核?CNN的典型拓?fù)浣Y(jié)構(gòu)是怎樣的?CNN的權(quán)值共享機制是什么?CNN提取的特征是怎樣的?)
3、卷積神經(jīng)網(wǎng)絡(luò)參數(shù)調(diào)試技巧(卷積核尺寸、卷積核個數(shù)、移動步長、補零操作、池化核尺寸等參數(shù)與特征圖的維度,以及模型參數(shù)量之間的關(guān)系是怎樣的?)
4、卷積神經(jīng)網(wǎng)絡(luò)的進化史:LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等經(jīng)典深度神經(jīng)網(wǎng)絡(luò)的區(qū)別與聯(lián)系
5、利用PyTorch構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)(Convolution層、Batch Normalization層、Pooling層、Dropout層、Flatten層等)
6、卷積神經(jīng)網(wǎng)絡(luò)中的ChatGPT提示詞模板講解
7、案例演示:
(1)CNN預(yù)訓(xùn)練模型實現(xiàn)物體識別;
(2)利用卷積神經(jīng)網(wǎng)絡(luò)抽取抽象特征;
(3)自定義卷積神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu);
(4)基于卷積神經(jīng)網(wǎng)絡(luò)的近紅外光譜模型建立
//
專題十五? ChatGPT4助力近紅外光譜遷移學(xué)習(xí)
1、遷移學(xué)習(xí)算法的基本原理(為什么需要遷移學(xué)習(xí)?為什么可以遷移學(xué)習(xí)?遷移學(xué)習(xí)的基本思想是什么?)
2、常用的遷移學(xué)習(xí)算法簡介(基于實例、特征和模型,譬如:TrAdaboost算法)
3、基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)算法
4、遷移學(xué)習(xí)的Python代碼實現(xiàn)
5、案例演示:基于遷移學(xué)習(xí)的近紅外光譜的模型傳遞(模型移植)
//
專題十六???ChatGPT4助力自編碼器近紅外光譜分析
1、自編碼器(Auto-Encoder的工作原理)
2、常見的自編碼器類型簡介(降噪自編碼器、深度自編碼器、掩碼自編碼器等)
3、自編碼器的Python代碼實現(xiàn)
4、自編碼器中的ChatGPT提示詞模板講解
5、案例演示:
? 1)基于自編碼器的近紅外光譜數(shù)據(jù)預(yù)處理
? 2)基于自編碼器的近紅外光譜數(shù)據(jù)降維與有效特征提取
//
專題十七??ChatGPT4助力U-Net多光譜圖像語義分割
1、語義分割(Semantic Segmentation)簡介
2、U-Net模型的基本原理
3、語義分割、U-Net模型中的ChatGPT提示詞模板講解
4、案例演示:基于U-Net的多光譜圖像語義分割
//
專題十八??ChatGPT4助力深度學(xué)習(xí)模型可解釋性與可視化方法
1、什么是模型可解釋性?為什么需要對深度學(xué)習(xí)模型進行解釋?
2、常用的可視化方法有哪些(特征圖可視化、卷積核可視化、類別激活可視化等)?
3、類激活映射CAM(Class Activation Mapping)、梯度類激活映射GRAD-CAM、局部可解釋模型-敏感LIME(Local Interpretable Model-agnostic Explanation)等原理講解
4、t-SNE的基本概念及使用t-SNE可視化深度學(xué)習(xí)模型的高維特征
5、深度學(xué)習(xí)模型可解釋性與可視化中的ChatGPT提示詞模板講解
6、案例演示
//
專題十九??復(fù)習(xí)與答疑討論
1、課程復(fù)習(xí)與總結(jié)、資料分享(圖書、在線課程資源、源代碼等)
2、科研與創(chuàng)新方法總結(jié)(如何利用Google Scholar、Sci-Hub、ResearchGate等工具查閱文獻資料、配套的數(shù)據(jù)和代碼?如何更好地撰寫論文的Discussion部分?)
3、答疑與討論(大家提前把問題整理好)
關(guān)注科研技術(shù)平臺獲取更多資源
?