人工智能Python机器学习与深度学习——培训6月

时间

大章节

小章节

第一天

9:00-

12:00

第一章：

常见人工智能项目应用案例分析

1.基于摄像头的保安巡更系统

2.云种类识别

3.用户评论情感分类

4.甲状腺CT图像分类

5.工业缺陷检测

6.汽车部件安装检测

第二章：

Python人工智能在科研领域中的应用介绍

1.人工智能在科研写作中的应用

2.人工智能在科研翻译中的应用

3.人工智能在科研数据分析中的应用

4.人工智能的科研绘图中的应用

5.人工智能的科研模型设计和训练中的应用

6.人工智能技术的各种应用场景

第三章：

Python环境介绍

1.python集成环境-Anaconda安装

2.python开发环境-pycharm介绍

3.pytthon开发环境-jupyter配置

4.jupyter基本使用

第四章：

python基础学习

1.python的应用场景

2.（课堂动手练习）python环境安装配置

3.（课堂动手练习）print使用

4.（课堂动手练习）运算符和变量

5.（课堂动手练习）循环

6.（课堂动手练习）列表元组字典

7.（课堂动手练习）if条件

8.（课堂动手练习）函数

9.（课堂动手练习）模块

10.（课堂动手练习）类的使用

11.（课堂动手练习）文件读写

12.（课堂动手练习）异常处理

第一天

14:00-

17:00

第五章：

科学计算模块Numpy学习

1.（课堂动手练习）numpy的属性

2.（课堂动手练习）创建array

3.（课堂动手练习）numpy的运算

4.（课堂动手练习）随机数生成以及矩阵的运算

5.（课堂动手练习）numpy的索引

第六章：

绘图工具包matplotlib学习

1.（课堂动手练习）基础用法

2.（课堂动手练习）figure图像

3.（课堂动手练习）设置坐标轴

4.（课堂动手练习）legend图例

5.（课堂动手练习）scatter散点图

第八章：

机器学习常用算法

1.（课堂动手练习）线性回归算法介绍与使用   

2.（课堂动手练习）Lasso回归算法介绍与使用

3.（课堂动手练习）KNN算法介绍与使用     

4.（课堂动手练习）SVM算法介绍与使用

5.（课堂动手练习）K-means算法介绍与使用  

6.（课堂动手练习）XGBoost算法介绍与使用

7.（课堂动手练习）LightGBM算法介绍与使用

8.（课堂动手练习）所有的机器学习算法使用技巧总结分析

9.（课堂动手练习）用自己的数据完成机器学习算法训练

第二天

9:00-

12:00

第九章：

机器学习中的数据特征工程

1.特征工程的意义

2.缺失值填充方法

3.数字类型特征处理

4.多值有序特征和多值无序特征处理

5.特征筛选方法

6.数据标准化和归一化处理

第十章：

机器学习案例在项目中的应用（课堂动手练习）

1.相关论文内容解读，并分析该项目如何应用于论文写作

2. 项目简介

- 目标定义：开发一个机器学习模型，用于数据预测。

3. 数据预处理

- 数据加载：载入数据集，并初步查看数据结构和基本统计信息

- 数据清洗：识别并处理数据集中的异常值和缺失值。使用适当的方法填充缺失值（例如，均值填充）

- 特征工程：分析各特征与标签值的关系。选择合适的特征进行模型训练

4. 探索性数据分析

- 利用Seaborn的pairplot绘制不同特征之间的关系

- 绘制热力图分析特征之间的相关性

5. 模型构建与训练

- 选择模型：选择多个分类算法（如K-近邻、逻辑回归、神经网络、决策树、随机森林等）进行比较

6. 模型评估与优化

- 结果可视化：使用条形图展示不同模型的性能比较

- 模型解释：使用SHAP值解释模型的预测结果，以了解哪些特征对模型预测结果影响最大

7. 项目总结

- 评估模型表现：综合评估模型的准确性和可解释性

- 讨论与改进：基于模型表现，讨论可能的改进方法和实际应用中的潜在挑战

第十一章：

机器学习算法在SCI论文中的应用

1.详细解读几篇经典SCI论文，展示机器学习算法的实际应用

2.逐篇论文解读，突出算法的选择理由、应用过程和结果分析

3.研究背景和问题定义：介绍论文所解决的问题和研究背景

4.数据处理和特征工程：讨论数据预处理方法和特征工程步骤

5.算法选择和模型构建过程：解释为何选择该深度学习算法，并描述模型的构建过程

6.模型评估和结果讨论：评估模型性能，讨论实验结果及其意义

第二天

14:00-

17:00

第十二章：

AI在数据绘图中的应用

1.（课堂动手练习）根据本地数据绘制散点图，折线图，柱状图，饼图等

2.（课堂动手练习）绘制不同特征之间的相关系数图

3.（课堂动手练习）绘制不同数据特征的多变量联合分布图

4.（课堂动手练习）绘制数据缺失值可视化图

5.（课堂动手练习）绘制不同模型算法的结果对比图

6.（课堂动手练习）绘制模型算法的ROC曲线图

7.（课堂动手练习）绘制特征重要性排序图

8.（课堂动手练习）其他各种图像的AI自动绘图方法

第十三章：

深度学习算法基础-神经网络

1.单层感知器

2.激活函数，损失函数和梯度下降法

3.BP算法介绍

4.梯度消失问题

5.多种激活函数介绍

6.（课堂动手练习）BP算法解决手写数字识别问题

第十四章：

模型算法优化方法

1.（课堂动手练习）Mnist数据集和softmax讲解

2.（课堂动手练习）使用BP神经网络识别图片

3.（课堂动手练习）交叉熵(cross-entropy)讲解和使用

4.（课堂动手练习）欠拟合/正确拟合/过拟合

5.（课堂动手练习）各种优化器Optimizer

6.（课堂动手练习）模型保存和模型载入方法

第十五章：

深度学习算法-卷积神经网络CNN应用

1.CNN卷积神经网络介绍

2.卷积的局部感受野，权值共享介绍。

3.卷积的具体计算方式

4.池化层介绍（均值池化、最大池化）

5.LeNET-5卷积网络介绍

6.（课堂动手练习）CNN手写数字识别案例

第三天

9:00-

12:00

第十六章：

深度学习算法-长短时记忆网络LSTM应用

1.RNN循环神经网络介绍

2.RNN具体计算分析

3.长短时记忆网络LSTM介绍

4.输入门，遗忘门，输出门具体计算分析

5.堆叠LSTM介绍

6.双向LSTM介绍

7.（课堂动手练习）使用LSTM进行基因序列能量预测

第十七章：

基于迁移学习的深度学习图像识别项目（课堂练习中学员自己完成）

1.VGG16模型详解

2.ResNet模型详解

3.ConvNeXt模型详解

4.（课堂动手练习）下载训练好的1000分类图像识别模型

5.（课堂动手练习）使用训练好的图像识别模型进行各种图像分类

6.（课堂动手练习）使用迁移学习训练气象图像分类模型

7.（课堂动手练习）训练自己的图像分类数据集

第十八章：

深度学习算法在SCI论文中的应用

1.详细解读几篇经典SCI论文，展示深度学习算法的实际应用

2.逐篇论文解读，突出算法的选择理由、应用过程和结果分析

3.研究背景和问题定义：介绍论文所解决的问题和研究背景

4.数据处理和特征工程：讨论数据预处理方法和特征工程步骤

5.算法选择和模型构建过程：解释为何选择该深度学习算法，并描述模型的构建过程

6.模型评估和结果讨论：评估模型性能，讨论实验结果及其意义

第三天

14:00-

17:00

第十九章：

Faster-RCNN系列模型讲解

1.目标检测项目简介

2.R-CNN模型详解

3.SPPNET模型详解

4.Fast-RCNN模型详解

5.Faster-RCNN模型详解

第二十章：

YOLO算法介绍与应用

1.YOLOv1结构及工作流程

2.YOLOv1代价函数讲解以及缺点分析

3.YOLOv2网络结构Darknet-19讲解

4.YOLOv2精度优化-高分辨率和anchor

5.YOLOv2精度优化-维度聚类

6.YOLOv2精度优化-直接位置预测

7.YOLOv2精度优化-细粒度特征和多尺度训练

8.YOLOv3结构讲解

9.YOLOv4算法讲解

10.YOLOv5算法讲解

第二十一章：

最新目标检测算法YOLOv10目标检测应用（课堂练习中学员自己完成）

1.YOLOv10检测模型介绍

2.（课堂动手练习）安装YOLOv10模型

3.（课堂动手练习）自行标注要检测的图像样本

4.（课堂动手练习）修改模型的配置文件

5.（课堂动手练习）训练YOLOv10目标检测模型

6.（课堂动手练习）使用训练好的YOLOv10进行图像预测

第二十二章：

最新目标分割算法YOLOv10目标分割应用（课堂练习中学员自己完成）

1.YOLOv10分割模型介绍

2.（课堂动手练习）安装YOLOv10模型

3.（课堂动手练习）自行标注要分割的图像样本

4.（课堂动手练习）修改模型的配置文件

5.（课堂动手练习）训练YOLOv10图像分割模型

6.（课堂动手练习）使用训练好的YOLOv10进行图像分割

第二十三章：

图像检测和分割算法算法在SCI论文中的应用

1.详细解读几篇经典SCI论文，展示图像检测和分割算法的实际应用

2.逐篇论文解读，突出算法的选择理由、应用过程和结果分析

3.研究背景和问题定义：介绍论文所解决的问题和研究背景

4.数据处理：讨论数据预处理方法

5.算法选择和模型构建过程：解释为何选择该深度学习算法，并描述模型的构建过程

6.模型评估和结果讨论：评估模型性能，讨论实验结果及其意义

第二十四章：

自然语言处理任务

1.Transformer模型介绍

2.self-Attention

3.Multi-Head Attention

4.Bert模型介绍

5.MLM和NSP模型任务

6.使用Bert模型进行用户评论分类

第二十五章：

大语言模型ChatGPT介绍

1.OpenAI最新模型-GPT4o介绍

2.国内大语言模型文心一言，通义千问，Kimi，智谱清言，星火认知使用介绍

3.ChatGPT辅助论文搜索与阅读

4.ChatGPT成为您的论文写作助手

5.ChatGPT辅助科研论文优化

6.不会写代码也能成为编程高手