完整版｜机器学习与科研应用全教程（13章），覆盖ChatGPT、CNN、YOLO等核心内容

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6、实操练习第四章 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、Update4、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6、实操练习第五章 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ComplementNB3、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6、实操练习第六章 决策树、随机森林、XGBoost、LightGBM1、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、LightGBM6、案例实践7、实操练习第七章 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5、实操练习第八章 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5、实操练习第九章 卷积神经网络1、深度学习简介深度学习大事记Model Big Data GPU AlphaGo2、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1CNN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7、实操练习第十章 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. Cats4、实操练习第十一章 RNN与LSTM1、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4、实操练习第十二章 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4、实操练习第十三章 自编码器1、什么是自编码器Auto-Encoder, AE2、经典的几种自编码器模型原理介绍AE、Denoising AE, Masked AE3、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4、实操练习