近年来，随着AlphaGo、无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生，人工智能迎来了新一轮的发展浪潮。尤其是深度学习技术，在许多行业都取得了颠覆性的成果。另外，近年来，Pytorch深度学习框架受到越来越多科研人员的关注和喜爱。
郁磊（副教授）主要从事AI人工智能、大语言模型及软件开发、生理系统建模与仿真、生物医学信号处理，具有丰富的科研经验，主编《MATLAB智能算法30个案例分析》、《MATLAB神经网络43个案例分析》相关著作。已发表多篇高水平的国际学术研究论文。
第一章、ChatGPT在科研中的应用
1、ChatGPT对话初体验
2、GPT-3.5与GPT-4的区别
3、ChatGPT科研必备插件（Data Interpreter、Wolfram、WebPilot、MixerBox Scholar、ScholarAI、Show Me、AskYourPDF等）
4、ChatGPT提示词使用技巧
5、基于ChatGPT的数据预处理（上传本地数据、数据预处理、数据可视化）
6、基于ChatGPT的机器学习与深度学习建模（算法原理讲解、自动生成代码、调试代码）
7、基于ChatGPT的论文写作（文献综述、论文框架、中英翻译、语法校正、文章润色等）
第二章、数据清洗
1、描述性统计分析（数据的频数分析：统计直方图；数据的集中趋势分析：算数平均值、标准差；数据的相关分析：相关系数）
2、数据标准化与归一化（为什么需要标准化与归一化？）
3、数据异常值、缺失值处理
4、数据离散化及编码处理
5、手动生成新特征
6、案例讲解
7、实操练习
第三章、线性回归模型
1、一元线性回归模型与多元线性回归模型（回归参数的估计、回归方程的显著性检验、残差分析）
2、岭回归模型（工作原理、岭参数k的选择、用岭回归选择变量）
3、LASSO模型（工作原理、特征选择、建模预测、超参数调节）
4、Elastic Net模型（工作原理、建模预测、超参数调节）
5、案例实践
第四章、前向型神经网络
1、BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）
2、BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）
3、PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update）
4、值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择（奥卡姆剃刀定律）等）
5、案例讲解：Linear模型、Logistic模型、Softmax函数输出、BP神经网络
第五章、KNN、贝叶斯分类与支持向量机
1、KNN分类模型（KNN算法的核心思想、距离度量方式的选择、K值的选取、分类决策规则的选择）
2、朴素贝叶斯分类模型（伯努利朴素贝叶斯BernoulliNB、类朴素贝叶斯CategoricalNB、高斯朴素贝叶斯besfGaussianNB、多项式朴素贝叶斯MultinomialNB、补充朴素贝叶斯ComplementNB）
3、SVM的工作原理（SVM的本质是解决什么问题？核函数的作用是什么？什么是支持向量？
4、SVM扩展知识（如何解决多分类问题？SVM除了建模型之外，还可以帮助我们做哪些事情？）
5、案例实践
第六章、决策树、随机森林、XGBoost、LightGBM
1、决策树的工作原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）；决策树除了建模型之外，还可以帮我们做什么事情？
2、随机森林的工作原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”体现在哪些地方？随机森林的本质是什么？怎样可视化、解读随机森林的结果？）
3、Bagging与Boosting的区别与联系
4、AdaBoost vs. Gradient Boosting的工作原理
5. 常用的GBDT算法框架（XGBoost、LightGBM）
6、案例实践
第七章、变量降维与特征选择
1、主成分分析（PCA）的基本原理
2、偏最小二乘（PLS）的基本原理
3、常见的特征选择方法（优化搜索、Filter和Wrapper等；前向与后向选择法；区间法；无信息变量消除法；正则稀疏优化方法等）
4、案例实践
第八章、群优化算法
1、遗传算法（Genetic Algorithm, GA）的基本原理（粒子群算法、蜻蜓算法、蝙蝠算法、模拟退火算法等与遗传算法的区别与联系）
2、遗传算法的Python代码实现
3、案例实践一：一元函数的寻优计算
4、案例实践二：离散变量的寻优计算（特征选择）
第九章、卷积神经网络
1、深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo）
2、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）
2、卷积神经网络的基本原理（什么是卷积核、池化核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？）
3、卷积神经网络的进化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系
4、利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等）
5、卷积神经网络调参技巧（卷积核尺寸、卷积核个数、移动步长、补零操作、池化核尺寸等参数与特征图的维度，以及模型参数量之间的关系是怎样的？）
6、案例讲解：
（1）CNN预训练模型实现物体识别
（2）利用卷积神经网络抽取抽象特征
（3）自定义卷积神经网络拓扑结构
第十章、迁移学习
1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）
2、基于深度神经网络模型的迁移学习算法
3、案例讲解：猫狗大战（Dogs vs. Cats）
第十一章、RNN与LSTM
1、循环神经网络RNN的基本工作原理
2、长短时记忆网络LSTM的基本工作原理
3、案例讲解：时间序列预测（北京市污染物预测）
第十二章、目标检测算法
1、什么是目标检测？目标检测与目标识别的区别与联系
2、YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别
3、案例讲解：
（1）利用预训练好的YOLO模型实现目标检测（图像检测、视频检测、摄像头实时检测）
（2）数据标注演示（LabelImage使用方法介绍）
（3）训练自己的目标检测数据集
第十三章、自编码器
1、什么是自编码器（Auto-Encoder, AE）？
2、经典的几种自编码器模型原理介绍（AE、Denoising AE, Masked AE）
3、案例讲解：
（1）基于自编码器的噪声去除
（2）基于自编码器的手写数字特征提取与重构
（3）基于掩码自编码器的缺失图像重构
原文链接：
https://mp.weixin.qq.com/s?__biz=MzUyNzczMTI4Mg==&mid=2247680679&idx=5&sn=de89b83b408e8fb176428a015a56f5bb&chksm=fa775d9acd00d48c9577e755ae11d6587f08272a85e7be5d59a65b82e9a91c75ad44256ee7d1&token=888902827&lang=zh_CN#rd
