MATLAB是由美国MathWorks公司推出的一款应用于科学计算和工程仿真的交互式编程软件，它有包罗万象的工具箱和草稿纸式的编程语言，将符号计算、数值分析、矩阵计算、科学数据可视化、数据处理与机器学习、图像处理、信号处理、计算金融学、计算生物学以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案。伴随着人工智能第三次浪潮的兴起与发展，以卷积神经网络为代表的深度学习算法在各行各业都取得了广泛、成功的应用。因此，中科软研（北京）科学技术中心（http://www.fzby.org.cn/）特邀请该领域专家共同举办“MATLAB数据分析、机器学习与深度学习实践应用”培训班，旨在帮助学员掌握MATLAB软件基础及人工智能领域经典机器学习算法（BP神经网络、支持向量机、决策树、随机森林、变量降维与特征选择、群优化算法等）和热门深度学习方法（卷积神经网络、迁移学习、RNN与LSTM神经网络、生成式对抗网络、YOLO目标检测、U-Net图像分割、自编码器等）的基本原理及MATLAB编程实现方法。本次培训采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出讲解MATLAB2023a深度学习工具箱的新特性，以及经典人工智能方法在实际应用时需要掌握的经验及技巧。具体事宜如下：
主办单位：中国智慧工程研究会职业发展规划工作委员会承办单位：中科软研（北京）科学技术有限公司、北京富卓佰扬科技有限公司时间：2024年08月06日-08月08日（共3天）
注：现场及线上直播同步进行，可根据自己情况选择其中一期报名即可，可线上参会。
通过课程理解并掌握MATLAB软件编程语法，工具箱的使用，并通过实例讲解科学计算及其可视化；并学会使用常见的分析工具分析数据，为科学研究提供更可靠的数据分析能力；掌握人工智能领域经典机器学习算法（BP神经网络、支持向量机、决策树、随机森林、变量降维与特征选择、群优化算法等）和热门深度学习方法（卷积神经网络、迁移学习、RNN与LSTM神经网络、生成式对抗网络、YOLO目标检测、U-Net图像分割、自编码器等）的基本原理及MATLAB编程实现方法；能够使用MATLAB软件解决一些实际的应用项目和科研问题。此次课程限定40人，报名敬请从速。前20人报名可获得往届的培训视频及资料。
中国科学院、清华大学等科研机构的高级专家。主要从事机器学习与数据挖掘、数据可视化和软件开发、系统建模与仿真研究工作，具有丰富的科研经验，熟练掌握如MATLAB、Python、深度学习、PyTorch、Tensorflow、Keras、神经网络、支持向量机、决策树、随机森林等，以及群优化算法，如遗传算法、蚁群算法、蝙蝠算法等，近些年一直在对深度学习核心技术进行研究，主持参与多项相关重点项目研发及基金项目，主编《MATLAB智能算法30个案例分析》、《MATLAB神经网络43个案例分析》等相关著作。已发表多篇高水平的国际学术研究论文。课程章节 | 主要内容 |
第一章 MATLAB 基础编程串讲 | 1、MATLAB 基础操作：包括矩阵操作、逻辑与流程控制、函数与脚本文 件、基本绘图等 2、文件导入：mat、txt、xls、csv、jpg、wav、avi 等格式 3、MATLAB 编程习惯、编程风格与调试技巧 4、向量化编程与内存优化 5、MATLAB 数字图像处理入门（图像的常见格式及读写、图像类型的转换、数字图像的基本运算、数字图像的几何变换、图像去噪与图像复原、图像边缘检测与图像分割） 6、案例讲解：基于手机摄像头的心率计算 7、实操练习 |
第二章 MATLAB 2023a新特性简介 | 1、实时脚本（Live Script）与交互控件（Control）功能介绍与演示 2、批量大数据导入及Datastore类函数功能介绍与演示 3、数据清洗（Data Cleaning）功能介绍与演示 4、实验管理器（Experiment Manager）功能介绍与演示 5、MATLAB Deep Learning Toolbox概览 6、MATLAB Deep Learning Model Hub简介 7、深度网络设计器（Deep Network Designer）功能介绍与演示 8、MATLAB与TensorFlow、PyTorch等深度学习框架协同工作功能介绍与演示 |
第三章
BP 神经网络 | 1、人工智能基本概念辨析（回归拟合问题与分类识别问题；有监督（导 师）学习与无监督（无导师）学习；训练集、验证集与测试集；过拟合 与欠拟合）2、BP 神经网络的工作原理 3、数据预处理（归一化、异常值剔除、数据扩增技术等） 4、交叉验证与模型参数优化 5、模型评价与指标的选择（回归拟合问题 vs. 分类识别问题） 6、案例讲解： （1）手写数字识别 （2）人脸朝向识别 （3）回归拟合预测 7、实操练习 |
第四章 支持向量机、决策树与 随机森林 | 1、支持向量机的基本原理（支持向量的本质、核函数的意义） 2、决策树的基本原理（信息熵和信息增益；ID3和 C4.5的区别） 3、随机森林的基本原理（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”提现在哪些地方？） 4、知识扩展：支持向量机、决策树除了建模型之外，还可以帮我们做什么事情？怎样解读随机森林的结果？ 5、案例讲解： （1）鸢尾花 Iris 分类识别（SVM、决策树） （2）基于随机森林的乳腺癌良性/恶性肿瘤智能诊断模型 6、实操练习 |
第五章 变量降维与特征选择 | 1、变量降维(Dimension reduction)与特征选择(Feature selection) 在概念上的区别与联系 2、主成分分析（PCA）的基本原理 3、偏最小二乘法（PLS）的基本原理 4、PCA 与 PLS 的代码实现 5、PCA 的启发：训练集与测试集划分合理性的判断 6、经典特征选择方法 （1）前向选择法与后向选择法 （2）无信息变量消除法 （3）基于二进制遗传算法的特征选择 |
第六章 卷积神经网络 | 1、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？CNN 的典型拓扑结构是怎 样的？CNN 的权值共享机制是什么？CNN 提取的特征是怎样的？） 3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet 等经典深度神经 网络的区别与联系 4、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet 等）的下载 与安装 5、案例讲解： （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
（4）1D CNN 模型解决回归拟合预测问题 6、实操练习 |
第七章 网络优化与调参技巧 | 1、网络拓扑结构优化 2、优化算法（梯度下降、随机梯度下降、小批量随机梯度下降、动量法、 Adam 等） 3、调参技巧（参数初始化、数据预处理、数据扩增、批量归一化、超参 数优化、网络正则化等） 4、案例讲解：卷积神经网络模型优化 5、实操练习 |
第八章 迁移学习算法 | 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. Cats） 4、实操练习 |
第九章 生成式对抗网络（GAN） | 1、生成式对抗网络 GAN（什么是对抗生成网络？为什么需要对抗生成网 络？对抗生成网络可以帮我们做什么？GAN 给我们带来的启示） 2、GAN 的基本原理及 GAN 进化史 3、案例讲解：GAN 的 MATLAB 代码实现（向日葵花图像的自动生成） 4、实操练习 |
第十章 循环神经网络与长短时 记忆神经网络 | 1、循环神经网络（RNN）的基本原理 2、长短时记忆神经网络（LSTM）的基本原理 3、RNN 与 LSTM 的区别与联系 4、案例讲解： （1）时间序列预测 （2）序列-序列分类 5. 实操练习 |
第十一章 基于深度学习的视频分 类案例实战 | 1、基于深度学习的视频分类基本原理 2、读取视频流文件并抽取图像帧 3、利用预训练 CNN 模型提取指定层的特征图 4、自定义构建 LSTM 神经网络模型 5、案例讲解：HMDB51 数据集视频分类 6、实操练习 |
第十二章 目标检测 YOLO 模型 | 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 3、从 YOLO v1 到 v5 的进化之路 4、案例讲解： (1) 使用预训练模型实现图像、视频等实时目标检测 (2) 训练自己的数据集：新冠疫情佩戴口罩识别 5、实操练习 |
第十三章 U-Net模型 | 1、语义分割（Semantic Segmentation）简介 2、U-Net 模型的基本原理 3、案例讲解：基于 U-Net 的多光谱图像语义分割 4、实操练习 |
第十四章 自编码器 | 1、自编码器的组成及基本工作原理 2、自编码器的变种（栈式自编码器、稀疏自编码器、去噪自编码器、卷 积自编码器、掩码自编码器等）及其工作原理 3、案例讲解：基于自编码器的图像分类 4、实操练习 |
第十五章 讨论与答疑 | 1、如何查阅文献资料？（你会使用 Google Scholar、Sci-Hub、 ResearchGate 吗？应该去哪些地方查找与论文配套的数据和代码？） 2、如何提炼与挖掘创新点？（如果在算法层面上难以做出原创性的工作， 如何结合自己的实际问题提炼与挖掘创新点？） 3、相关学习资料分享与拷贝（图书推荐、在线课程推荐等） 4、建立微信群，便于后期的讨论与答疑 |
培训收费有三类，请您按自身需要灵活选择。
A类：收费3900元/人（含培训费、资料费、A类证书费、发票费等）食宿自理。证书：可获得中科软研（北京）科学技术中心颁发的高级《MATLAB软件应用工程师》结业证书；
B类：收费4800元/人（含培训费、资料费、B类证书费、发票费等）食宿自理。证书：可获得中国智慧工程研究会职业发展规划工作委员会颁发的高级《机器学习算法工程师》专业技术人才职业技能证书，纳入委员会数据库，全国通用可查，可以作为晋升、评级的有效凭证。
C类：收费5800元/人（含会议费、资料费、B类+C类证书费、发票费等）食宿自理。证书：可获得工信部颁发的高级《人工智能应用工程师》职业技能证书，该证书可作为专业技术人员职业能力考核的证明，以及专业技术人员岗位聘用、任职、定级和晋升职务的重要依据，。
注：本期会议由中科软研（北京）科学技术有限公司及北京富卓佰扬科技有限公司收取费用并开具发票，可事先开发票，后公对公转账；可开培训费、会议费、会议注册费、资料费、技术服务费、检测费等，本次线下会议差旅费，食宿费自理。
1、学生凭学生证优惠300元；
2、2人以上(含)团体报名每人可减少200元；
3、3人以上(含)团体报名每人可减少300元；
4、4人以上(含)团体报名每人可减少400元；
5、5人以上(含)团体报名，另外赠送一个名额；
6、以上优惠政策不能同时享受，只能享受其中一种。
5、参加一次培训，以后本人可以终身免费参加相关现场及直播课程，不限次数，学会为止！
培训联系人：
刘老师（13261851751），邮箱：823070714@qq.com
微信二维码：
其他课程推荐：（如下）
一：
培训时间：8月02日、03日、04日 广州现场+直播授课
报名联系：刘老师 13261851751（微信同号）注：全程有录屏，可以回放，课后提供答疑，可开发票，方便报销。
第一章 2024年最新大模型进展介绍、ChatGPT4基础入门 | 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、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、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、ChatGPT对话初体验（注册与充值、购买方法） 5、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、GPT Store简介与使用 7、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
、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、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、常用的ChatGPT提示词模板 3、ChatGPT提示词优化（Promptest、Prompt Perfect、PromptPal提示宝等） 4、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、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、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、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、ChatGPT4助力文案撰写与润色修改 3、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、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、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、利用ChatGPT4 创建精美的思维导图 7、利用ChatGPT4 生成流程图、甘特图 8、利用ChatGPT4 制作PPT 9、利用ChatGPT4自动创建视频 10、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、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 ChatGPT4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、利用ChatGPT4分析指定领域的热门研究方向 3、利用ChatGPT4辅助撰写、润色课题申报书的各部分内容 4、利用ChatGPT4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、利用ChatGPT4评估指定改进思路的新颖性与已发表的类似工作 6.利用ChatGPT4进一步细化改进思路，凝练论文的选题与创新点 7、利用ChatGPT4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、利用ChatGPT4设计完整的实验方案与数据分析流程 9、利用ChatGPT4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、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、利用ChatGPT4 实现联网检索文献 3、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、利用ChatGPT4 总结Youtube视频内容 5、利用ChatGPT4完成学术论文的选题设计与优化 6、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、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、利用ChatGPT4实现论文语法校正 9、利用ChatGPT4完成段落结构及句子逻辑润色 10、利用ChatGPT4完成论文降重
11、利用ChatGPT4完成论文参考文献格式的自动转换 12、ChatGPT4辅助审稿人完成论文评审意见的撰写 13、ChatGPT4辅助投稿人完成论文评审意见的回复 14、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 ChatGPT 4助力教学改革 | 1、利用ChatGPT4 及插件创建精美的思维导图 2、利用ChatGPT4 及插件生成流程图、甘特图 3、利用ChatGPT4 及插件制作PPT 4、利用ChatGPT4 及插件自动创建视频 5、ChatGPT4辅助教师高效备课（为不同专业学生生成不同的教学内容、围绕知识点生成不同难度的题目检测学生的学习效果等） 6、ChatGPT4辅助学生高效学习（利用插件生成个性化学习计划） 7、案例演示与实操练习 |
第七章 ChatGPT 4助力Python编程入门与科学计算 | 1、Python环境搭建（ 下载、安装与版本选择）。 2、如何选择Python编辑器？（IDLE、Notepad++、PyCharm、Jupyter…）
3、Python基础（数据类型和变量、list和tuple、条件判断、循环、函数的定义与调用等） 4、第三方模块的安装与使用 5、Numpy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） 6、Matplotlib基本图形绘制（线形图、柱状图、饼图、气泡图、直方图、箱线图、散点图等） 7、Pytorch深度学习框架简介（Tensor的创建、基本运算、升降维操作、CPU/GPU转换等） 8、案例演示与实操练习 |
第八章 ChatGPT4助力数据预处理及可视化绘图 | 1、利用ChatGPT4及插件上传本地数据 2、利用ChatGPT4 及插件爬取第三方网站数据 3、利用ChatGPT4 及插件处理PDF文档（添加水印、合并/拆分文档、提取PDF里的表格/图片/关键词信息、总结PDF内容、为PDF生成词云、OCR识别） 4、利用ChatGPT4 及插件实现常见文件格式之间的转换 5、利用ChatGPT4 及插件实现图像处理（图像缩放、旋转、裁剪、去噪与去模糊） 6、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） 7、数据预处理（标准化与归一化、异常值与缺失值处理、离散化及编码处理、生成新特征） 8、融合ChatGPT 4与Python的数据预处理代码自动生成与运行
9、利用ChatGPT4 及插件实现数据统计分析与可视化（折线图、散点图、柱状图、饼图、、气泡图、直方图、箱线图等） 10、案例演示与实操练习 |
第九章 ChatGPT 4助力前向型神经网络建模 | 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？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？） 3、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、值得研究的若干问题（欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等） 5、前向型神经网络中的ChatGPT提示词库讲解 6、案例实践：利用ChatGPT4实现BP神经网络模型的代码自动生成与运行 7、案例演示与实操练习 |
第十章 ChatGPT 4助力决策树、随机森林、XGBoost与LightGBM建模 | 1、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、B
agging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） 6、决策树、随机森林、XGBoost、LightGBM中的ChatGPT提示词库讲解 7、案例实践：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 8、案例演示与实操练习 |
第十一章 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等预训练模型 4、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？） 5、卷积神经网络中的ChatGPT提示词库讲解 6、案例实践：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 7、案例演示与实操练习 |
第十二章 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、RNN与LSTM中的ChatGPT提示词库讲解 4、案例实践：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 |
第十三章 ChatGPT 4助力迁移学习建模 | 1、迁移学习算法的基本原理（为什么需要迁移学习？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、迁移学习中的ChatGPT提示词库讲解 4、案例实践：利用ChatGPT4实现迁移学习模型的代码自动生成与运行 5、案例演示与实操练习 |
第十四章 ChatGPT 4助力自编码器建模 | 1、自编码器模型原理介绍（AE、Denoising AE, Masked AE） 3、自编码器模型中的ChatGPT提示词库讲解 4、案例实践：利用ChatGPT4实现自编码器模型的代码自动生成与运行 （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； 5、案例演示与实操练习 |
第十五章 ChatGPT 4助力AI绘图技术 | 1、生成式模型简介（生成式对抗网络、变分自编码器、扩散模型等） 2、利用ChatGPT4 DALL.E 3生成图像（下载图像、3种不同分辨率、修改图像） 3、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） 4、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） 5、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） 6、ChatGPT4 DALL.E 3格子布局与角色一致性的实现 7、ChatGPT4 DALL.E 3生成动图GIF 8、案例演示与实操练习
|
第十六章 Midjourney助力AI绘图技术 | 1. Midjourney简介（与ChatGPT DALL.E、Stable Diffusion的区别） 2. Midjourney注册与登录 3. 创建第一个Midjourney项目（命令+提示词+后缀参数） 4. Midjourney常用的命令与参数 5. Midjourney进阶用法（图生图、混合多张图、ChatGPT提示词优化） 6、案例演示与实操练习 |
第十七章 GPT 4 API接口调用与完整项目开发 | 1、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、案例实践：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 |
第十八章 课程总结与答疑讨论 |
1、课程总结与现场答疑 2、相关学习资料分享与拷贝（图书推荐、在线课程推荐等） 3、建立微信群，便于后期的讨论与答疑（提供终身免费答疑） |
培训时间：7月19日、20日、21日 上海现场+直播授课培训时间：7月26日、27日、28日 北京现场+直播授课报名联系：刘老师 13261851751（微信同号）注：全程有录屏，可以回放，课后提供答疑，可开发票，方便报销。大章节 | 小章节 |
第一章：2024年AI领域最新发展介绍 | 1. OpenAI最新模型-GPT4o介绍 2.GPT4o与ChatGPT3.5区别 3.国外大语言模型Claude3，Gemini，LLama3技术详解 4.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。 5.GPT4o的各种插件应用介绍 6.AI工具与科研应用的结合 |
第二章：大语言模型（LLM）Prompt提示词高级使用技巧
| 1.大语言模型和搜索引擎的区别 2.PromptEngineering提示词工程介绍 3.（课堂动手练习）技巧1：角色扮演 4.（课堂动手练习）技巧2：使用不同的语气 5.（课堂动手练习）技巧3：给出具体任务 6.（课堂动手练习）技巧4：利用上下文管关联的特点 7.（课堂动手练习）技巧5：零样本思维链提示-提高模型逻辑推理能力 8.（课堂动手练习）技巧6：多样本思维链提示-提升模型模仿能力 9.（课堂动手练习）技巧7：自洽性-提升模型数学能力 10.（课堂动手练习）技巧8：生成知识提示-提升模型知识水平 11.如何写好一篇论文的提示词 12.如何与AI交流科研问题 |
第三章：AI在教学/科研中的应用实战案例 | 1.（课堂动手练习）使用AI进行文献翻译 2.（课堂动手练习）使用AI生成临床研究的数据表 3.（课堂动手练习）使用AI识别公式并保存 4.（课堂动手练习）使用AI将文章中的数据整理成表格 5.（课堂动手练习）使用AI帮你进行文章内容分类 6.（课堂动手练习）使用AI协助撰写工作报告 7.（课堂动手练习）使用AI快速生成选择/填空/问答/判断题 |
第四章：让GPT成为你的工作秘书 | 1.（课堂动手练习）让GPT帮你整理文章数据 2（课堂动手练习）让GPT帮你进行数据处理 3.（课堂动手练习）让GPT帮你进行用户评论分类 4.（课堂动手练习）让GPT帮你优化工作总结 5.（课堂动手练习）使用GPT改进你的产品或服务 6.（课堂动手练习）使用GPT分析不同产品的差异 7.（课堂动手练习）向GPT寻求商业和营销意见 8.（课堂动手练习）让GPT帮你生成特定知识的测试题 9.（课堂动手练习）让GPT帮你写合同 10.（课堂动手练习）让GPT帮你写简历 11.（课堂动手练习）让GPT帮你进行模拟面试 12.（课堂动手练习）让GPT生成数学公式并保存 13.（课堂动手练习）让GPT根据特定数据生成图表 |
第五章：AI辅助论文搜索与阅读 | 1. （课堂动手练习）利用AI进行论文搜索 2.（课堂动手练习）论文拓展平台使用 3.（课堂动手练习）最好用的AI论文阅读交流神器介绍 4.（课堂动手练习）RAG检索增强生成介绍 5.（课堂动手练习）利用AI进行论文阅读总结交流。 6.（课堂动手练习）最好用的AI论文翻译神器介绍 7.（课堂动手练习）利用AI对论文中的公式讲解 |
第六章：AI辅助写作ABCD模型（通用方法论） | 1.（课堂动手练习）【A模式】AI直接写（给定框架或者不给定框架） 2.（课堂动手练习）【B模式】投喂式写作（指定引用内容的写作） 3.（课堂动手练习）【C模式】模仿式写作（指定范文，给出观点，套用格式） 4.（课堂动手练习）【D模式】连接论文数据数据库进行写作（搜索相关论文，参考相关论文内容） |
第七章：让AI成为您的论文写作助手 | 1.（课堂动手练习）利用AI生成论文选题 2.（课堂动手练习）利用AI辅助大纲撰写 3.（课堂动手练习）利用AI辅助写摘要 4.（课堂动手练习）利用AI辅助写前言 5.（课堂动手练习）利用AI辅助写技术方法 6.（课堂动手练习）利用AI辅助描述实验数据 7.（课堂动手练习）利用AI辅助进行数据分析 8.（课堂动手练习）利用AI辅助写结论 9.（课堂动手练习）利用AI进行论文写作翻译 10.（课堂动手练习）利用AI帮你生成完整的文献综述（附带真实参考文献） 11.（课堂动手练习）AI写作过程中自动标注参考文献的2种方法 |
第八章：AI辅助科研论文优化 | 1.（课堂动手练习）利用AI辅助中英文论文润色 2.（课堂动手练习）利用AI辅助论文润色并生成表格对比润色效果 3.（课堂动手练习）利用AI进行论文降重的2种方案 4.（课堂动手练习）利用AI提出论文审稿意见和具体修改方案 5.（课堂动手练习）如何判别文章是不是AI生成 6.（课堂动手练习）如何避免AI生成的文章被检测 |
第九章：AI在科研绘图中的应用 | 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 |
第十章：SCI论文解读及写作 |
1.详细解读几篇经典SCI论文。 ChatGPT应用：将科研呢项目中的数据处理、分析、建模和可视化成果转化为学术论文，并利用ChatGPT优化论文写作流程。 2.数据处理 描述：详述数据预处理、清洗和转换步骤。 ChatGPT应用：生成数据处理部分的文本描述，确保术语准确。 3.建模方法 描述：阐明模型选择、训练过程和参数优化。 ChatGPT应用：帮助撰写模型选择和优化策略的逻辑论述。 4.结果可视化 描述：展示关键图表，如准确率和ROC曲线，并解释其意义。 ChatGPT应用：生成图表的描述和解释，简洁明了。 5.成果讨论 描述：分析模型表现，讨论其在相关领域的应用潜力。 ChatGPT应用：生成对模型结果的深入讨论和潜在应用的描述。 6.论文撰写 ChatGPT应用：辅助撰写论文各部分，包括摘要、引言和结论，提高写作效率。 |
第十一章：AI的拓展应用 | 1.（课堂动手练习）利用AI自动创建精美PPT 2.（课堂动手练习）利用AI根据文章内容或自定义大纲创建PPT 3.（课堂动手练习）利用AI快速产出科普短视频 4.（课堂动手练习）利用AI快速制作流程图 5.（课堂动手练习）利用AI快速制作序列图 6.（课堂动手练习）利用AI快速制作思维导图 |
第十二章：不会写代码也能成为编程高手 | 1.（课堂动手练习）利用AI实现某一特定功能的程序 2.（课堂动手练习）利用AI对代码进行解释 3.（课堂动手练习）利用AI进行代码纠错及修改 4.（课堂动手练习）利用AI回答代码疑问 5.（课堂动手练习）利用AI帮你优化代码 6.（课堂动手练习）利用AI读取本地数据然后写代码 7.（课堂动手练习）利用AI帮你提供完整项目代码并不断修正代码 8.（课堂动手练习）自动化AI编程助手介绍 |
第十三章：基于AI完成的机器学习/深度学习项目案例 | 1.（课堂动手练习）用AI了解科研/项目相关知识 2.（课堂动手练习）用AI优化科研/项目的设计 3.（课堂动手练习）用AI解答科研/项目相关问题 4.（课堂动手练习）用AI读取本地数据（Excel数据或CSV数据等） 5.（课堂动手练习）用AI对科研/项目数据进行深度学习建模程序编写 6.（课堂动手练习）如何分析特征重要性（哪些特征对标签的影响最大） 7.（课堂动手练习）多种常用机器学习算法结果对比 |
第十四章：GPT-4o功能详解
| 1.（课堂动手练习）GPT-4o不同情绪的语音功能介绍 2.（课堂动手练习）GPT-4o联网功能介绍 3.（课堂动手练习）GPT-4o图像识别能力详细解析 4.（课堂动手练习）GPT-4o识别统计分析图并生成对应画图的代码 5.（课堂动手练习）GPT-4o识别图片中的表格数据并保存 6.（课堂动手练习）GPT-4o识别图片中的公式并进行编辑 7.（课堂动手练习）利用GPT-4o完成全自动数据分析、绘图、建模 8.（课堂动手练习）利用GPT-4o连接论文数据库 |
第十五章：AI绘图工具Midjourney应用 | 1.AI画图原理介绍 2.文生图和图生图介绍 3.CLIP模型和扩散模型介绍 4.（课堂动手练习）Midjourney使用介绍 5.（课堂动手练习）Midjourney提高分辨率及图像微调 6.（课堂动手练习）Midjourney参考别人的优秀作品进行绘图 7.（课堂动手练习）Midjourney图生图高级用法 8.（课堂动手练习）Midjourney的参数使用 9.（课堂动手练习）Midjourney科研作图应用 |
第十六章：AI绘图工具StableDiffusion应用 | 1.StableDiffusion工具介绍 2.StableDiffusion环境部署介绍 3.StableDiffusion工作界面介绍 4.（课堂动手练习）使用Lora模型产生写实人物图像 5.（课堂动手练习）图像的局部重绘 6.（课堂动手练习）StableDiffusion的插件系统介绍 7.（课堂动手练习）使用线稿图生成装修和建筑 8.（课堂动手练习）使用线稿图给图片上色 9.（课堂动手练习）产生特定姿态的人物图像 |
第十七章：GPT-4o科研绘图工具DALL-E3应用 | 1.（课堂动手练习）DALL-E3模型介绍
2.（课堂动手练习）DALL-E3与GPT4结合使用 3.（课堂动手练习）DALL-E3中文提示词的使用 4.（课堂动手练习）DALL-E3根据上下文内容修改图片 5.（课堂动手练习）DALL-E3在图像中生成特定文字 6.（课堂动手练习）DALL-E3绘图结果的不断优化 7.（课堂动手练习）DALL-E3科研作图应用 |
辅助课程 |
1.课程总结及技术发展展望。 2.根据学员感兴趣的领域，讲解ChatGPT在该领域的应用方法 3.建立信群答疑群（课后提供终身免费答疑，提供一对一答疑） 4.配备AIGC/GPT/AI绘图/等教材，课后逐步提高能力。 |
培训时间：8月16日、17日、18日 上海现场+直播授课
报名联系：刘老师 13261851751（微信同号）注：全程有录屏，可以回放，课后提供答疑，可开发票，方便报销。
大章节 | 小章节 |
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（课堂练习中学员自己完成） | 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）用 | 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 |
辅助课程 | 1.课程总结及技术发展展望。 2.建立信群答疑群，课后提供答疑。 3.配备AIGC/GPT/AI绘图/人工智能、机器学习与深度学习教材，课后逐步提高能力。 |
中科软研
