近年來，隨著AlphaGo、無人駕駛汽車、醫學影像智慧輔助診療、ImageNet競賽等熱點事件的發生，人工智能迎來了新一輪的發展浪潮。尤其是深度學習技術，在許多行業都取得了顛覆性的成果。另外，近年來，Pytorch深度學習框架受到越來越多科研人員的關注和喜愛。因此，為了幫助廣大科研人員更加系統地學習深度學習的基礎理論知識及對應的Pytorch代碼實現方法，掌握深度學習的基礎知識，與經典機器學習算法的區別與聯系，以及最新的遷移學習、循環神經網絡、長短時記憶神經網絡、時間卷積網絡、對抗生成網絡、Yolo目標檢測算法、自編碼器等算法的原理及其Pytorch編程實現方法。
第一章?ChatGPT在科研中的應用
1、ChatGPT對話初體驗
2、GPT-3.5與GPT-4的區別
3、ChatGPT科研必備插件（Data Interpreter、Wolfram、WebPilot、MixerBox Scholar、ScholarAI、Show Me、AskYourPDF等）
4、ChatGPT提示詞使用技巧
5、基于ChatGPT的數據預處理（上傳本地數據、數據預處理、數據可視化）
6、基于ChatGPT的機器學習與深度學習建模（算法原理講解、自動生成代碼、調試代碼）
7、基于ChatGPT的論文寫作（文獻綜述、論文框架、中英翻譯、語法校正、文章潤色等）
第二章?數據清洗
1、描述性統計分析（數據的頻數分析：統計直方圖；數據的集中趨勢分析：算數平均值、標準差；數據的相關分析：相關系數）
2、數據標準化與歸一化（為什么需要標準化與歸一化？）
3、數據異常值、缺失值處理
4、數據離散化及編碼處理
5、手動生成新特征
6、案例講解
7、實操練習
第三章?線性回歸模型
1、一元線性回歸模型與多元線性回歸模型（回歸參數的估計、回歸方程的顯著性檢驗、殘差分析）
2、嶺回歸模型（工作原理、嶺參數k的選擇、用嶺回歸選擇變量）
3、LASSO模型（工作原理、特征選擇、建模預測、超參數調節）
4、Elastic Net模型（工作原理、建模預測、超參數調節）
5、案例實踐
6、實操練習
第四章?前向型神經網絡
1、BP神經網絡的基本原理（人工神經網絡的分類有哪些？有導師學習和無導師學習的區別是什么？BP神經網絡的拓撲結構和訓練過程是怎樣的？什么是梯度下降法？BP神經網絡建模的本質是什么？）
2、BP神經網絡的Python代碼實現（怎樣劃分訓練集和測試集？為什么需要歸一化？歸一化是必須的嗎？什么是梯度爆炸與梯度消失？）
3、PyTorch代碼實現神經網絡的基本流程（Data、Model、Loss、Gradient）及訓練過程（Forward、Backward、Update）
4、值得研究的若干問題（隱含層神經元個數、學習率、初始權值和閾值等如何設置？什么是交叉驗證？過擬合（Overfitting）與欠擬合(Underfitting)、泛化性能評價指標的設計、樣本不平衡問題、模型評價與模型選擇（奧卡姆剃刀定律）等）
5、案例講解：Linear模型、Logistic模型、Softmax函數輸出、BP神經網絡
6、實操練習
第五章?KNN、貝葉斯分類與支持向量機
1、KNN分類模型（KNN算法的核心思想、距離度量方式的選擇、K值的選取、分類決策規則的選擇）
2、樸素貝葉斯分類模型（伯努利樸素貝葉斯BernoulliNB、類樸素貝葉斯CategoricalNB、高斯樸素貝葉斯besfGaussianNB、多項式樸素貝葉斯MultinomialNB、補充樸素貝葉斯ComplementNB）
3、SVM的工作原理（SVM的本質是解決什么問題？核函數的作用是什么？什么是支持向量？
4、SVM擴展知識（如何解決多分類問題？SVM除了建模型之外，還可以幫助我們做哪些事情？）
5、案例實踐
6、實操練習
第六章?決策樹、隨機森林、XGBoost、LightGBM
1、決策樹的工作原理（微軟小冰讀心術的啟示；什么是信息熵和信息增益？ID3算法和C4.5算法的區別與聯系）；決策樹除了建模型之外，還可以幫我們做什么事情？
2、隨機森林的工作原理（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”體現在哪些地方？隨機森林的本質是什么？怎樣可視化、解讀隨機森林的結果？）
3、Bagging與Boosting的區別與聯系
4、AdaBoost vs. Gradient Boosting的工作原理
5. 常用的GBDT算法框架（XGBoost、LightGBM）
6、案例實踐
7、實操練習
第七章?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
3、常見的特征選擇方法（優化搜索、Filter和Wrapper等；前向與后向選擇法；區間法；無信息變量消除法；正則稀疏優化方法等）
4、案例實踐
5、實操練習
第八章?群優化算法
1、遺傳算法（Genetic Algorithm, GA）的基本原理（粒子群算法、蜻蜓算法、蝙蝠算法、模擬退火算法等與遺傳算法的區別與聯系）
2、遺傳算法的Python代碼實現
3、案例實踐一：一元函數的尋優計算
4、案例實踐二：離散變量的尋優計算（特征選擇）
5、實操練習
第九章?卷積神經網絡
1、深度學習簡介（深度學習大事記：Model + Big Data + GPU + AlphaGo）
2、深度學習與傳統機器學習的區別與聯系（神經網絡的隱含層數越多越好嗎？深度學習與傳統機器學習的本質區別是什么？）
2、卷積神經網絡的基本原理（什么是卷積核、池化核？CNN的典型拓撲結構是怎樣的？CNN的權值共享機制是什么？）
3、卷積神經網絡的進化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等經典深度神經網絡的區別與聯系
4、利用PyTorch構建卷積神經網絡（Convolution層、Batch Normalization層、Pooling層、Dropout層、Flatten層等）
5、卷積神經網絡調參技巧（卷積核尺寸、卷積核個數、移動步長、補零操作、池化核尺寸等參數與特征圖的維度，以及模型參數量之間的關系是怎樣的？）
6、案例講解：
（1）CNN預訓練模型實現物體識別
（2）利用卷積神經網絡抽取抽象特征
（3）自定義卷積神經網絡拓撲結構
7、實操練習
第十章?遷移學習
1、遷移學習算法的基本原理（為什么需要遷移學習？為什么可以遷移學習？遷移學習的基本思想是什么？）
2、基于深度神經網絡模型的遷移學習算法
3、案例講解：貓狗大戰（Dogs vs. Cats）
4、實操練習
第十一章?RNN與LSTM
1、循環神經網絡RNN的基本工作原理
2、長短時記憶網絡LSTM的基本工作原理
3、案例講解：時間序列預測（北京市污染物預測）
4、實操練習
第十二章?目標檢測算法
1、什么是目標檢測？目標檢測與目標識別的區別與聯系
2、YOLO模型的工作原理，YOLO模型與傳統目標檢測算法的區別
3、案例講解：
（1）利用預訓練好的YOLO模型實現目標檢測（圖像檢測、視頻檢測、攝像頭實時檢測）
（2）數據標注演示（LabelImage使用方法介紹）
（3）訓練自己的目標檢測數據集
4、實操練習
第十三章?自編碼器
1、什么是自編碼器（Auto-Encoder, AE）？
2、經典的幾種自編碼器模型原理介紹（AE、Denoising AE, Masked AE）
3、案例講解：
（1）基于自編碼器的噪聲去除
（2）基于自編碼器的手寫數字特征提取與重構
（3）基于掩碼自編碼器的缺失圖像重構
4、實操練習
第十四章?復習與答疑討論
1、課程相關資料拷貝與分享
2、答疑與討論（大家提前把問題整理好）
