Nature！95博后新型思路曝光！频登顶刊解决遥感领域多年难题！

课程安排

课程导学

第一章

注意力（ Attention ）机制详解

1 、注意力机制的背景和动机（ 为什么需要注意力机制？注意力机制的起源和发展）。

2 、注意力机制的基本原理： 什么是注意力机制？ 注意力机制的数学表达与基本公式 、用机器翻译任务带你了解 Attention 机制、如何计算注意力权重？

3 、注意力机制的主要类型： 自注意力（ Self-Attention ）与多头注意力（ Multi-Head Attention ） 、 Soft Attention 与 Hard Attention 、 全局（ Global ）与局部（ Local ）注意力

4 、注意力机制的优化与变体： 稀疏注意力（ Sparse Attention ） 、 加权注意力（ Weighted Attention ）

5 、注意力机制的可解释性与可视化技术： 注意力权重的可视化（权重热图）

6 、案例演示 7 、实操练习

第二章

Transformer 模型详解

1 、 Transformer 模型的提出背景（ 从 RNN 、 LSTM 到注意力机制的演进、 Transformer 模型的诞生背景及其在自然语言处理 和计算视觉 中的重要性 ）

2 、 Transformer 模型拓扑结构 （编码器、解码器、多头自注意力机制、前馈神经网络、层归一化和残差连接等）

2 、 Transformer 模型工作原理 （为什么 Transformer 模型需要位置信息？位置编码的计算方法？ Transformer 模型的损失函数？）

3 、自然语言处理（ NLP ）领域的 Transformer 模型 ： BERT 、 GPT-1 / GPT-2 / GPT-3 / GPT-3.5 / GPT-4 （模型的总体架构、输入和输出形式、预训练目标、预训练数据的选择和处理、词嵌入方法、 GPT 系列模型的改进与演化、……）。

4 、计算视觉（ CV ）领域的 Transformer 模型 ： DETR / ViT / Swin Transformer （ DERT ：基于 Transformer 的检测头设计、双向匹配损失； ViT ：图像如何被分割为固定大小的 patches ？如何将图像 patches 线性嵌入到向量中？ Transformer 在处理图像上的作用？ Swin ：窗口化自注意力机制、层次化的 Transformer 结构、如何利用位移窗口实现长范围的依赖？）

5 、案例演示 6 、实操练习

第三章

生成式模型详解

1 、变分自编码器 VAE （自编码器的基本结构与工作原理、变分推断的基本概念及其与传统贝叶斯推断的区别、 VAE 的编码器和解码器结构及工作原理）。

2 、生成式对抗网络 GAN （ GAN 提出的背景和动机、 GAN 的拓扑结构和工作原理、生成器与判别器的角色、 GAN 的目标函数）。

3 、扩散模型 Diffusion Model （扩散模型的核心概念？如何使用随机过程模拟数据生成？扩散模型的工作原理）。

4 、跨模态图像生成 DALL.E （什么是跨模态学习？ DALL.E 模型的基本架构、模型训练过程）。

5 、案例演示 6 、实操练习

第四章

目标检测算法详解

1. 目标检测任务与图像分类识别任务的区别与联系。

2. 两阶段（ Two-stage ）目标检测算法： R-CNN 、 Fast R-CNN 、 Faster R-CNN （ RCNN 的工作原理、 Fast R-CNN 和 Faster R-CNN 的改进之处 ）。

3. 一阶段（ One-stage ）目标检测算法： YOLO 模型、 SDD 模型（拓扑结构及工作原理）。

4. 案例演示 5 、实操练习

第五章

图神经网络详解

1. 图神经网络的背景和基础知识 （什么是图神经网络？图神经网络的发展历程？为什么需要图神经网络？）

2. 图的基本概念和表示 （图的基本组成：节点、边、属性；图的表示方法：邻接矩阵；图的类型：无向图、有向图、加权图）。

3. 图神经网络的工作原理 （节点嵌入和特征传播、聚合邻居信息的方法、图神经网络的层次结构）。

4. 图卷积网络（ GCN ）的工作原理。

5. 图神经网络的变种和扩展： 图注意力网络（ GAT ）、图同构网络（ GIN ）、图自编码器、图生成网络。

6 、案例演示 7 、实操练习

第六章

强化学习详解

1 、强化学习的基本概念和背景 （什么是强化学习？强化学习与其他机器学习方法的区别？强化学习的应用领域有哪些？

2 、 Q-Learning （马尔可夫决策过程、 Q-Learning 的核心概念、什么是 Q 函数？ Q-Learning 的基本更新规则）。

3 、深度 Q 网络（ DQN ） （为什么传统 Q-Learning 在高维或连续的状态空间中不再适用？如何使用神经网络代替 Q 表来估计 Q 值？目标网络的作用及如何提高 DQN 的稳定性？）

4 、案例演示 5 、实操练习

第七章

物理信息神经网络

（ PINN ）

1、 物理信息神经网络的背景 （ 物理信息神经网络（ PINNs ）的概念及其在科学计算中的重要性 、 传统数值模拟方法与 PINNs 的比较 ）

2、 PINN 工作原理： 物理定律与方程的数学表达、如何将物理定律嵌入到神经网络模型中 ？ PINN 的架构（输入层、隐含层、输出层的设计）、物理约束的形式化（如何将边界条件等物理知识融入网络？）损失函数的设计（数据驱动与物理驱动的损失项）

3、 常用的 PINN 库和框架介绍

4、 案例演示 5 、实操练习

第八章

神经架构搜索（ Neural Architecture Search, NAS ）

1、 NAS 的背景和动机（传统的神经网络设计依赖经验和直觉，既耗时又可能达不到最优效果 。通过自动搜索，可以发现传统方法难以设计的创新和高效架构。 ）

2、 NAS 的基本流程 ：搜索空间定义（确定搜索的网络架构的元素，如层数、类型的层、激活函数等。）、搜索策略 （ 随机搜索、贝叶斯优化、进化算法、强化学习等）、性能评估

3、 NAS 的关键技术 ：进化算法（通过模拟生物进化过程，如变异、交叉和选择，来迭代改进网络架构）、强化学习（使用策略网络来生成架构，通过奖励信号来优化策略网络）、贝叶斯优化（利用贝叶斯方法对搜索空间进行高效的全局搜索，平衡探索和利用）

4、 案例演示 5 、实操练习

第九章

深度学习模型可解释性与可视化方法详解

1 、什么是模型可解释性？为什么需要对深度学习模型进行解释？

2 、可视化方法有哪些 （特征图可视化、卷积核可视化、类别激活可视化等）？

3 、类激活映射 CAM （ Class Activation Mapping ）、梯度类激活映射 GRAD-CAM 、局部可解释模型 - 敏感 LIME （ Local Interpretable Model-agnostic Explanation ）、等方法原理讲解。

4 、 t-SNE 的基本概念及使用 t-SNE 可视化深度学习模型的高维特征。

5 、案例演示 6 、实操练习

第十章

讨论与答疑

1 、相关学习资料分享与拷贝（图书推荐、在线课程推荐等）

2 、建立微信群，便于后期的讨论与答疑

课程安排

学习内容

第一章

2024 大语言模型最新进展介绍

1 、 2024 AIGC 技术最新进展介绍（生成式人工智能的基本概念与原理、文生视频模型 OpenAI Sora vs.Google Veo ）

2 、 （实操演练） 国内外大语言模型（ ChatGPT 4O 、 Gemini 、 Claude 、 Llama3 、文心一言、星火、通义千问、 Kimi 、智谱清言等）对比分析

3 、 （实操演练） Llama3 开源大语言模型的本地部署、对话与微调训练本地数据

4 、 （实操演练） ChatGPT 对话初体验（注册与充值、购买方法）

5 、 （实操演练） ChatGPT 科研必备 GPT 汇总介绍（寻找好用的 GPTs 模型、提示词优化、生成思维导图、生成 PPT 、生成视频、制定个性化的学习计划、检索论文、总结论文内容、总结视频内容、撰写论文、论文翻译、论文润色与修改、参考文献格式管理、论文评审、数据分析、生成代码、代码调试等）

6 、 （实操演练） GPT Store 简介与使用

7 、 （实操演练） 定制自己的专属 GPTs （制作专属 GPTs 的两种方式：聊天 / 配置参数、利用 Knowledge 上传本地知识库提升专属 GPTs 性能、利用 Actions 通过 API 获取外界信息、专属 GPTs 的分享）

8 、 （实操演练） ChatGPT 对话记录保存与管理

第二章

ChatGPT4 提示词使用方法与技巧

1 、 （实操演练） ChatGPT Prompt ( 提示词 ) 使用技巧（为 ChatGPT 设定身份、明确任务内容、提供任务相关的背景、举一个参考范例、指定返回的答案格式等）

2 、 （实操演练） 常用的 ChatGPT 提示词模板

3 、 （实操演练） ChatGPT 提示词优化（ Promptest 、 Prompt Perfect 、 PromptPal 提示宝等）

4 、 （实操演练） ChatGPT4 突破 Token 限制实现接收或输出万字长文（ Token 数与字符数之间的互相换算、五种方法提交超过 Token 限制的文本、四种方法让 ChatGPT 的输出突破 Token 限制）

5 、 （实操演练） 控制 ChatGPT 的输出长度（使用修饰语、限定回答的范围、通过上下文限定、限定数量等）

6 、 （实操演练） 保存喜欢的 ChatGPT 提示词并一键调用

第三章

ChatGPT4 助力日常生活、学习与工作

1 、 （实操演练） ChatGPT4 助力中小学生功课辅导（写作文、作文批改、求解数学题、练习英语听说读写、物理计算、化学计算等）

2 、 （实操演练） ChatGPT4 助力文案撰写与润色修改

3 、 （实操演练） ChatGPT4 助力家庭健康管理（化验单结果解读、就诊咨询与初步诊断、常见慢病管理、日常营养膳食建议等）

4 、 （实操演练） ChatGPT4 助力大学生求职与就业（撰写简历、模拟面试、职业规划等）

5 、 （实操演练） ChatGPT4 助力商业工作（行业竞品检索与分析、产品创意设计与建议、推广营销策略与方案制定、撰写合同）

6 、 （实操演练） 利用 ChatGPT4 创建精美的思维导图

7 、 （实操演练） 利用 ChatGPT4 生成流程图、甘特图

8 、 （实操演练） 利用 ChatGPT4 制作 PPT

9 、 （实操演练） 利用 ChatGPT4 自动创建视频

10 、 （实操演练） ChatGPT4 辅助教师高效备课（苏格拉底式教学、为不同专业学生生成不同的教学内容等）

11 、 （实操演练） ChatGPT4 辅助学生高效学习（利用 GPTs 生成专属学习计划）

12 、案例演示与实操练习

第四章

Chat GPT4 助力课题申报、论文选题及实验方案设计

1 、课题申请书撰写技巧及要点剖析（项目名称、关键词、摘要、立项依据、参考文献、研究目标、研究内容、研究方案、关键科学问题、可行性分析、创新点与特色之处、预期研究成果、工作基础等）

2 、 （实操演练） 利用 ChatGPT4 分析指定领域的热门研究方向

3 、 （实操演练） 利用 ChatGPT4 辅助撰写、润色课题申报书的各部分内容

4 、 （实操演练） 利用 Chat GPT4 总结指定论文的局限性与不足，并给出潜在的改进思路与建议

5 、 （实操演练） 利用 Chat GPT4 评估指定改进思路的新颖性与已发表的类似工作

6 、 （实操演练） 利用 Chat GPT4 进一步细化改进思路，凝练论文的选题与创新点

7 、 （实操演练） 利用 Chat GPT4 给出具体的算法步骤，并自动生成算法的 Python 示例代码框架

8 、 （实操演练） 利用 Chat GPT4 设计完整的实验方案与数据分析流程

9 、 （实操演练） 利用 Chat GPT4 给出论文 Discussion 部分的切入点和思路

10 、案例演示与实操练习

第五章

ChatGPT4 助力信息检索、总结分析、论文写作与投稿

1 、 （实操演练） 传统信息检索方法与技巧总结（ Google Scholar 、 ResearchGate 、 Sci-Hub 、 GitHub 、关键词检索 + 同行检索、文献订阅）

2 、 （实操演练） 利用 ChatGPT4 实现联网检索文献

3 、 （实操演练） 利用 ChatGPT4 阅读与总结分析学术论文内容（三句话摘要、子弹式要点摘要、 QA 摘要、表格摘要、关键词与关键句提取、页面定位、多文档对比、情感分析）

4 、 （实操演练） 利用 ChatGPT4 总结 Youtube 视频内容

5 、 （实操演练） 利用 ChatGPT4 完成学术论文的选题设计与优化

6 、 （实操演练） 利用 ChatGPT4 自动生成论文的总体框架、论文摘要、前言介绍、文献综述、完整长篇论文等

7 、 （实操演练） 利用 ChatGPT4 完成论文翻译（指定翻译角色和翻译领域、提供背景提示）

8 、 （实操演练） 利用 ChatGPT4 实现论文语法校正

9 、 （实操演练） 利用 ChatGPT4 完成段落结构及句子逻辑润色

10 、 （实操演练） 利用 ChatGPT4 完成论文降重

11 、 （实操演练） 利用 ChatGPT4 完成论文参考文献格式的自动转换

12 、 （实操演练） ChatGPT4 辅助审稿人完成论文评审意见的撰写

13 、 （实操演练） ChatGPT4 辅助投稿人完成论文评审意见的回复

14 、 （实操演练） ChatGPT4 文献检索、论文写作必备 GPTs 总结

15 、案例演示与实操练习

第六章

ChatGPT4 助力 Python 编程入门、科学计算、数据可视化、数据预处理

1 、 （实操演练） Python 环境搭建（ P ython 软件下载、安装与版本选择； Py Charm 下载、安装； Python 之 H ello World ；第三方模块的安装与使用； P ython 2.x 与 P ython 3.x 对比 ）

2 、 （实操演练） P ython 基本语法（ Python 变量命名规则； Python 基本数学运算 ； Python 常用变量类型的定义与操作 ； Python 程序注释 ）

3 、 （实操演练） P ython 流程控制（条件判断； for 循环； while 循环 ； break 和 continue ）

4 、 （实操演练） Python 函数与对象（ 函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）

5 、 （实操演练） M atplotlib 的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套；折线图、柱状图、饼图、地图等各种图形的绘制）

6 、 （实操演练） Seaborn 、 Bokeh 、 Pyecharts 等高级绘图库的安装与使用（动态交互图的绘制、开发大数据可视化页面等）

7 、 （实操演练） 科学计算模块库（ Numpy 的安装； nd array 类型属性与数组的创建；数组索引与切片； Num py 常用函数简介与使用）

8 、 （实操演练） 利用 ChatGPT4 上传本地数据（ Excel/CSV 表格、 txt 文本、 PDF 、图片等）

9 、 （实操演练） 利用 ChatGPT4 实现图像处理（图像缩放、旋转、裁剪、去噪与去模糊）

10 、 （实操演练） 利用 ChatGPT4 实现描述性统计分析（数据的频数分析：统计直方图；数据的集中趋势分析：数据的相关分析）

11 、 （实操演练） 常用的数据预处理方法（数据标准化与归一化、数据异常值与缺失值处理、数据离散化及编码处理、手动生成新特征）

12 、 （实操演练） 融合 ChatGPT 4 与 Python 的数据预处理代码自动生成与运行

13 、 （实操演练） 利用 ChatGPT4 自动生成数据统计分析图表

14 、 （实操演练） 利用 ChatGPT4 实现代码逐行讲解

15 、 （实操演练） 利用 ChatGPT4 实现代码 Bug 调试与自动修改

16 、案例演示与实操练习

第七章

ChatGPT4 助力机器学习建模

1 、 BP 神经网络的基本原理（人工神经网络的分类有哪些？ 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？）

2 、 （实操演练） BP 神经网络的 Python 代码实现（划分训练集和测试集、数据归一化）

3 、 （实操演练） BP 神经网络参数的优化（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？）

4 、 （实操演练） 值得研究的若干问题（欠拟合与过拟合、评价指标选择、样本不平衡等）

5 、 （实操演练） BP 神经网络中的 ChatGPT 提示词库讲解

6 、 （实操演练） 利用 ChatGPT4 实现 BP 神经网络模型的代码自动生成与运行

7 、 SVM 的工作原理（核函数的作用是什么？什么是支持向量？如何解决多分类问题？）

8 、决策树的工作原理（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）

9 、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”的本质是什么？怎样可视化、解读随机森林的结果？）

10 、 Bagging 与 Boosting 的区别与联系

11 、 AdaBoost vs. Gradient Boosting 的工作原理

12 、 （实操演练） 常用的 GBDT 算法框架（ XGBoost 、 LightGBM ）

13 、 （实操演练） 决策树、随机森林、 XGBoost 、 LightGBM 中的 ChatGPT 提示词库讲解

14 、 （实操演练） 利用 ChatGPT4 实现决策树、随机森林、 XGBoost 、 LightGBM 模型的代码自动生成与运行

15 、案例演示与实操练习

第八章

ChatGPT 4 助力机器学习模型优化：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 、 （实操演练） 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 、遗传算法（ Genetic Algorithm, GA ）的基本原理（以遗传算法为代表的群优化算法的基本思想是什么？选择、交叉、变异三个算子的作用分别是什么？）

5 、 （实操演练） PCA 、 PLS 、特征选择、群优化算法的 ChatGPT 提示词库讲解

6 、 （实操演练） 利用 ChatGPT4 及插件实现变量降维与特征选择算法的代码自动生成与运行

7 、 案例演示与实操练习

第九章

ChatGPT 4 助力卷积神经网络建模

1 、深度学习简介（深度学习大事记、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（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 、 （实操演练） 利用 PyTorch 构建卷积神经网络（ Convolution 层、 Batch Normalization 层、 Pooling 层、 Dropout 层、 Flatten 层等）

5 、 （实操演练） 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 、 （实操演练） 卷积神经网络中的 ChatGPT 提示词库讲解

7 、 （实操演练） 利用 ChatGPT4 实现卷积神经网络模型的代码自动生成与运行

（ 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

8 、案例演示与实操练习

第十章

ChatGPT 4 助力迁移学习建模

1 、迁移学习算法的基本原理

2 、 （实操演练） 基于深度神经网络模型的迁移学习算法

3 、 （实操演练） 迁移学习中的 ChatGPT 提示词库讲解

4 、 （实操演练） 利用 ChatGPT4 实现迁移学习模型的代码自动生成与运行

5 、实操练习

第十一章

ChatGPT 4 助力 RNN 、 LSTM 建模

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 、 （实操演练） RNN 与 LSTM 中的 ChatGPT 提示词库讲解

4 、 （实操演练） 利用 ChatGPT4 实现 RNN 、 LSTM 模型的代码自动生成与运行

5 、案例演示与实操练习

第十二章

ChatGPT 4 助力 YOLO 目标检测建模

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 、 （实操演练） YOLO 模型中的 ChatGPT 提示词库讲解

4 、 （实操演练） 利用 ChatGPT4 实现 YOLO 目标检测模型的代码自动生成与运行

（ 1 ）利用预训练好的 YOLO 模型实现图像、视频、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

5 、案例演示与实操练习

第十 三 章

ChatGPT4 助力机器学习与深度学习建模的行业应用

1、 （实操演练） 利用ChatGPT4实现近红外光谱分析模型的建立、代码自动生成与运行

2、 （实操演练） 利用ChatGPT4实现生物医学信号（时间序列、图像、视频数据）分类识别与回归拟合模型的建立、代码自动生成与运行

3、 （实操演练） 利用ChatGPT4实现遥感图像目标检测、地物分类及语义分割模型的建立、代码自动生成与运行

4、 （实操演练） 利用ChatGPT4实现大气污染物预测模型的建立、代码自动生成与运行

5、 （实操演练） 利用ChatGPT4实现自然语言处理模型的建立、代码自动生成与运行

6、案例演示与实操练习

第十 四 章

ChatGPT 4 助力 AI 绘图技术

1 、 （实操演练） 利用 ChatGPT4 DALL.E 3 生成图像（下载图像、修改图像）

2 、 （实操演练） ChatGPT4 DALL.E 3 常用的提示词库（广告海报、 Logo 、 3D 模型、插画、产品包装、烹饪演示、产品外观设计、 UI 设计、吉祥物设计等）

3 、 （实操演练） ChatGPT4 DALL.E 3 中的多种视图（正视图、后视图、侧视图、四分之三视图、鸟瞰视图、全景视图、第一人称视角、分割视图、截面视图等）

4 、 （实操演练） ChatGPT4 DALL.E 3 中的多种光效（电致发光、化学发光、生物荧光、极光闪耀、全息光等）

5 、 （实操演练） ChatGPT4 DALL.E 3 格子布局与角色一致性的实现

6 、 （实操演练） ChatGPT4 DALL.E 3 生成动图 GIF

7 、 （实操演练） Midjourney 工具使用讲解

8 、 （实操演练） Stable Diffusion 工具使用讲解

9 、 （实操演练） Runway 图片生成动画工具使用讲解

10 、案例演示与实操练习

第十 五 章

GPT 4 API 接口调用与完整项目开发

1 、 （实操演练） GPT 模型 API 接口的调用方法（ API Key 的申请、 API Key 接口调用方法与参数说明）

2 、 （实操演练） 利用 GPT4 实现完整项目开发

（ 1 ）聊天机器人的开发

（ 2 ）利用 GPT API 和 Text Embedding 生成文本的特征向量

（ 3 ）构建基于多模态（语音、文本、图像）的阿尔茨海默病早期筛查程序

3 、案例演示与实操练习

第十 六 章

面向科研场景的 ChatGPT 提示词工程大赛【科研创意 Prompt 挑战】

活动背景： 为了提升科研人员在科研过程中的提示词撰写能力，特举办 ChatGPT 培训课程，并在课程中加入【提示词大赛】环节，通过比赛形式激发学员的创意和实践能力。

活动目标： 通过【提示词大赛】，提高学员在科研过程中撰写提示词的能力，激发创意与实践结合，为未来的科研工作提供更好的支持和帮助。

参赛对象： 参加本次 ChatGPT 培训课程的所有科研人员。

赛题内容： 培训课程第一天结束后公布具体赛题，赛题将围绕科研过程中不同环节的提示词撰写。

提交方式： 学员需在培训课程第三天晚前提交答案，具体提交方式将在赛题公布时一并说明。

奖项设置： 一等奖 1 名、 二等奖 2 名、 三等奖 3 名【设置奖项详细见流程说明】

评委评选： 由培训导师及特邀评委组成评审团，对所有提交的提示词进行评选。
评选标准： 提示词的创意、准确性、实用性及与科研主题的契合度。

备注：详细在会议中具体说明。

课程安排

学习内容

第一章

Python基础知识串讲

1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比）

2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）

3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）

4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）

5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）

6、科学计算模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用；Pandas常用函数简介与使用）

第二章

PyTorch简介与环境搭建

1、深度学习框架概述（PyTorch、Tensorflow、Keras等）

2、PyTorch简介（PyTorch的版本、动态计算图与静态计算图、PyTorch的优点）

3、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功、CPU版与GPU版的安装方法）

第三章

PyTorch编程入门与进阶

1、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）

2、张量（Tensor）的常用属性与方法（dtype、device、layout、requires_grad、cuda等）

3、张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建）

4、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）

5、张量（Tensor）的索引与切片

6、PyTorch的自动求导（Autograd）机制与计算图的理解

7、PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））

第四章

Python统计分析 与可视化

1、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；条形图、直方图、散点图、箱线图等）

2、概率分布与统计推断（离散概率分布：二项分布、泊松分布；连续概率分布：正态分布、均匀分布、指数分布；点估计与区间估计；最大似然估计与贝叶斯估计；假设检验：t检验、卡方检验、F检验；P值与显著性水平等）

3、回归分析（多元线性回归模型；最小二乘法估计；变量选择与模型优化；多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等）

第五章

Python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、案例 讲解