PyTorch机器学习与深度学习：数据清洗、经典机器学习、卷积神经网络、迁移学习、YOLO目标检测与LSTM时间序列预测等掌握AI核心算法！

本次内容不仅涵盖从数据清洗、描述性统计分析到特征工程的数据预处理全流程，更深入浅出地线性回归、BP神经网络、支持向量机、决策树/随机森林、XGBoost/LightGBM等经典机器学习算法的原理。同时，重点聚焦于深度学习核心领域，包括前向型神经网络、卷积神经网络(CNN)的进化史（LeNet到ResNet）、循环神经网络(RNN/LSTM)以及当前热门的迁移学习、YOLO目标检测算法和自编码器技术。

第一章 ChatGPT在科研中的应用

1、ChatGPT对话初体验

2、科研必备插件（Data Interpreter、Wolfram、WebPilot、MixerBox Scholar、ScholarAI、Show Me、AskYourPDF等）

3、提示词使用技巧

4、数据预处理（上传本地数据、数据预处理、数据可视化）

5、机器学习与深度学习建模（算法原理、自动生成代码、调试代码）

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

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

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）

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：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？）

第六章 决策树、随机森林、XGBoost、LightGBM

1、决策树的工作原理

2、随机森林的工作原理

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）

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）

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：一元函数的寻优计算；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

2、卷积神经网络的基本原理

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

第十章 迁移学习

1、迁移学习算法的基本原理

2、基于深度神经网络模型的迁移学习算法

3、案例：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：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

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）

★ 点 击 下 方 关 注，获取海量教程和资源！

↓↓↓