频发科研顶刊！这个新方向杀疯了，抓紧搞起来

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

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、（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、（实操演练）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、（实操演练）利用ChatGPT4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、（实操演练）利用ChatGPT4设计完整的实验方案与数据分析流程

9、（实操演练）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、（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（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、（实操演练）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、（实操演练）Python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）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；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；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）

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：Linear模型、Logistic模型、Softmax函数输出、BP神经网络

5、实操练习

6、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等）

第六章

Python决策树、随机森林、XGBoost与LightGBM

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、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）

6、决策树、随机森林、XGBoost、LightGBM中的ChatGPT提示词库讲解

7、案例讲解：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. 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、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、SHAP法解释特征重要性与可视化（Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释）

6、案例讲解与实操练习

第八章

PyTorch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（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？CNN提取的特征是怎样的？）

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、案例讲解与实践：

（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、实操练习

第九章

PyTorch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. Cats）

4、实操练习

第十章

PyTorch生成式对抗网络

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PyTorch代码实现（手写数字生成）

4、实操练习

第十一章

PyTorch 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

时间卷积网络（Temporal Convolutional Network, TCN）

1、时间卷积网络（TCN）的基本原理

2、TCN与1D CNN、LSTM的区别与联系

3、案例讲解：

   1）时间序列预测：新冠肺炎疫情预测

   2）序列-序列分类：人体动作识别

4、实操练习

第十三章PyTorch目标检测

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

第十四章

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）

3、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

第十五章

U-Net语义分割

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

第十六章

复习与答疑讨论

1、课程相关资料拷贝与分享

2、答疑与讨论（大家提前把问题整理好）