基于GIS、Python机器学习技术的地质灾害风险评价、易发性分析与信息化建库及灾后重建

百科   2024-09-04 09:00   四川  

课程↓推荐

 
1、GIS在地质灾害危险性评估与灾后重建及python机器学习在灾害易发性评价
2、基于“SWMM+慧天”高效建模技术及在排水防涝、海绵城市设计中应用高级培训班
3、五天教学:基于AI+多技术融合在流域生态系统服务评价、水文水生态分析、碳收支、气候变化影响、制图等领域中的实践应用高级培训班
4、2024最新全流程Python编程、机器学习与深度学习实践技术
5、深度学习全景进阶暨最新python深度学习进阶与前沿应用高级培训班
6、2025年国自然基金项目撰写技巧与ChatGPT融合应用
详细信息、微信咨询:19912110290


全流程基于GIS、Python机器学习技术的地质灾害风险评价、易发性分析与信息化建库及灾后重建中的实践应用高级培训班


     本课程将结合项目实践案例和科研论文成果进行讲解。入门篇,ArcGIS软件的快速入门与GIS数据源的获取与理解;方法篇,致灾因子提取方法、灾害危险性因子分析指标体系的建立方法和灾害危险性评价模型构建方法;拓展篇,GIS在灾害重建中的应用方法;高阶篇:Python环境中利用机器学习进行灾害易发性评价模型的建立与优化方法。

     学习本课程,您将进一步理解地质灾害形成机理与成灾模式;从空间数据处理、信息化指标空间数据库构建、致灾因子提取,空间分析、危险性评价与制图分析等方面掌握GIS在灾害危险性评价中的方法;在具体实践案例中,学会运用地质灾害危险性评价原理和技术方法,同时学会GIS在灾后重建规划等领域的应用方法,提升GIS技术的应用能力水平;从科研论文成果复现中学会论文撰写的技巧,学会基于机器学习进行滑坡易发性评价与精度评估;本课程方案将为滑坡的防灾减灾提供重要的理论依据。

一、培训时间及方式



直播时间:9月19日-20日、23日-25日   【5天】

直播方式:腾讯会议

二、证书及学时



参加培训的学员可以获得《地质灾害危险性评估技术应用》专业技能培训证书及学时证明,网上可查。此证书可作为个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。证书查询网址:www.aishangyanxiu.com

四、课程大纲



上下滑动查看更多

第一章、基本概念与平台讲解【基础篇】

1、基本概念

地质灾害类型
地质灾害发育特征与分布规律
地质灾害危害特征
地质灾害孕灾地质条件分析
地质灾害诱发因素与形成机理

2、GIS原理与ArcGIS平台介绍

GIS简介
ArcGIS基础
空间数据采集与组织
空间参考
空间数据的转换与处理
ArcGIS中的数据编辑
地理数据的可视化表达
空间分析:
数字地形分析
叠置分析
距离制图
密度制图
统计分析
重分类
三维分析


第二章、空间信息数据库建设【基础篇】
空间数据库建立及应用

1)地质灾害风险调查评价成果信息化技术相关要求解读
2)数学基础设计
比例尺;坐标系类型:地理坐标系,投影坐标系;椭球参数;投影类型;坐标单位;投影带类型等。
3)数据库内容及要素分层
图层划分原则;图层划分及命名;图层内部属性表

4)数据库建立及入库
创建数据库、要素集、要素类、栅格数据和关系表等。

矢量数据(shp文件)入库
Table表入库:将崩塌、滑坡、泥石流等表的属性数据与灾害点图层关联。
栅格数据入库
栅格数据集入库:遥感影像数据、DEM、坡度图、坡向图、降雨量等值线图以及其他经过空间分析得到的各种栅格图像入库。
5)数据质量控制
利用Topology工具检查点线面及其之间的拓扑关系并修改;图属一致性检查与修改。

第三章、地质灾害风险评价模型与方法【实战篇】
1、地质灾害易发性评价模型与方法
评价单元确定
易发性评价指标体系
易发性评价模型
权重的确定
2、滑坡易发性评价
评价指标体系
地形:高程、坡度、沟壑密度、地势起伏度等。
地貌:地貌单元、微地貌形态、总体地势等。
地层岩性:岩性特征、岩层厚度、岩石成因类型等
地质构造:断层、褶皱、节理裂隙等。
地震:烈度、动峰值加速度、历史地震活动情况等
工程地质:区域地壳稳定性,基岩埋深,主要持力层岩性、承载力、岩土体工程地质分区等。
常用指标提取
坡度、坡型、高程、地形起伏度、断裂带距离、工程地质岩组、斜坡结构、植被覆盖度、与水系距离等因子提取

指标因子相关性分析

(1)相关性系数计算与分析

(2)共线性诊断


评价指标信息量


评价指标权重确定
滑坡易发性评价结果分析与制图
滑坡易发性综合指数
易发性等级划分
易发性评价结果制图分析

2、崩塌易发性评价

3、泥石流易发性评价
泥石流评价单元提取
水文分析,沟域提取
无洼地DEM生成
水流方向提取
汇流累积量
水流长度
河网提取
流域分割
沟壑密度计算
模型构建器
水文分析工具箱制作

泥石流评价指标
崩滑严重性、泥沙沿程补给长度比、沟口泥石流堆积活动、沟谷纵坡降、区域构造影响程度、流域植被覆盖度、工程地质岩组、沿沟松散堆积物储量、流域面积、流域相对高差、河沟堵塞程度等
典型泥石流评价指标选取


评价因子权重确定
泥石流易发性评价结果分析与制图
泥石流易发性综合指数计算
泥石流的易发性分级确定
泥石流易发性评价结果

4、地质灾害易发性综合评价

综合地质灾害易发值=MAX [泥石流灾害易发值,崩塌灾害易发值,滑坡灾害易发值]

第四章、常用数据来源及预处理【进阶篇】
1、数据类型介绍
2、点数据获取与处理
灾害点统计数据获取与处理

气象站点数据获取与处理
气象站点点位数据处理
气象数据获取
数据整理
探索性分析
数据插值分析

3、矢量数据的获取与处理
道路、断层、水系等矢量数据的获取
欧氏距离
核密度分析
河网密度分析

4、栅格数据获取与处理

DEM,遥感影像等栅格数据获取
影像拼接、裁剪、掩膜等处理
NoData值处理
如何统一行列号

5、NC数据获取与处理

NC数据简介
NC数据获取
模型构建器
NC数据如何转TIF?

6、遥感云计算平台数据获取与处理

遥感云平台数据简介
如何从云平台获取数据?
数据上传与下载
基本函数简介
植被指数提取
土地利用数据获取


第五章、GIS在灾后重建中的应用实践【拓展篇】
1、土方纵坡分析
由等高线产生不规则三角网
计算工程填挖方
利用二维线要素纵剖面
临时生成剖纵面线
2、应急救援路径规划分析
表面分析、成本权重距离、栅格数据距离制图等空间分析;
利用专题地图制图基本方法,制作四川省茂县地质灾害应急救援路线图,
最佳路径的提取与分析 
3、灾害恢复重建选址分析
确定选址的影响因子
确定每种影响因子的权重
收集并处理每种影响因子的数据:地形分析、距离制图分析,重分类
恢复重建选址分析
4、震后生态环境变化分析
使用该类软件强大的数据采集、数据处理、数据存储与管理、空间查询与空间分析、可视化等功能进行生态环境变化评价。


第六章、基于机器学习的滑坡易发性分析【高阶篇】
1、Python编译环境配置
Python自带编辑器IDLE使用
Anaconda集成环境安装及使用
PyCharm环境安装及使用


2、Python数据清洗
Python库简介与安装
读取数据
统一行列数
缺失值处理
相关性分析/共线性分析
主成分分析法(PCA)降维
数据标准化
生成特征集

相关概念:

训练前是否有必要对特征归一化
为什么要处理缺失值(Nan值)
输入的特征间相关性过高会有什么影响
什么是训练集、测试集和验证集;为什么要如此划分
超参数是什么
什么是过拟合,如何避免这种现象
模型介绍:
逻辑回归模型
随机森林模型
支持向量机模型
实现方案:

一、线性概率模型——逻辑回归

介绍
连接函数的选取:Sigmoid函数
致灾因子数据集:数据介绍;相关性分析;逻辑回归模型预测;样本精度分析;分类混淆矩阵
注意事项
二、SVM支持向量机
线性分类器
SVM-核方法:核方法介绍;sklearn的SVM核方法
参量优化与调整
SVM数据集:支持向量机模型预测;样本精度分析;分类混淆矩阵
三、Random Forest的Python实现
数据集
数据的随机选取
待选特征的随机选取
相关概念解释
参量优化与调整:随机森林决策树深度调参;CV交叉验证定义;混淆矩阵;样本精度分析
基于pandas和scikit-learn实现Random Forest:数据介绍;随机森林模型预测;样本精度分析;分类混淆矩阵
四、XGBoost(Extreme Gradient Boosting)
XGBoost 是一种基于决策树的梯度提升算法。它通过连续地训练决策树模型来最小化损失函数,从而逐步提升模型性能
数据划分:
将数据集划分为训练集和测试集,采用随机划分或按时间序列划分的方法。
特征工程
对数据进行特征工程,包括特征缩放、特征变换、特征组合等。
构建模型
选择合适的模型参数,如树的数量、树的深度、学习率等。
模型优化:
通过交叉验证来调整模型参数,以提高模型的泛化能力。
模型训练
使用训练集对 XGBoost 模型进行训练。
通过迭代优化损失函数来提高模型性能。
模型评估
使用测试集对训练好的模型进行评估。
使用一些常见的评估指标,如准确率、召回率、F1 分数等。
绘制 ROC 曲线或者计算 AUC 值来评估模型的性能。
结果解释与应用:
对模型的预测结果进行解释,分析模型的重要特征和决策规则。
五、神经网络模型
TensorFlow主要架构


神经网络:ANN\CNN\RNN
导入数据集
分割数据集
定义网络架构

调用tf.keras.models.Sequential()或tf.keras.layers.Layer()创建模型
Sequential: 将多个网络层封装,按顺序堆叠神经网络层
Dense: 全连接层
activation: 激活函数决定神经元是否应该被激活
编译模型
通过compile 函数指定网络使用的优化器对象、 损失函数类型, 评价指标等设定
优化器(optimizer):运行梯度下降的组件
损失(loss):优化的指标
评估指标(metrics):在训练过程进行评估的附加评估函数,以进一步查看有关模型性能
训练模型
通过 fit()函数送入待训练的数据集和验证用的数据集,返回训练过程中的损失值和指定的度量指标的变化情况,用于后续的可视化和模型性能评估。
循环迭代数据集多个 Epoch,每次按批产生训练数据、 前向计算,然后通过损失函数计算误差值,并反向传播自动计算梯度、 更新网络参数
评估模型
 Model.evaluate()测试模型的性能指标
模型预测
Model.predict(x)方法即可完成模型的预测

参数优化

六、集成学习方法
stacking集成算法
准备数据集:
将数据集分为训练集和测试集。
创建基本模型:
选择多个不同类型的基本模型,如决策树、随机森林、支持向量机、神经网络等。
使用训练集对每个基本模型进行训练
生成基本模型的预测结果
使用训练集对每个基本模型进行预测
对于分类问题,每个模型都会生成一个概率矩阵,每一列代表一个类别的预测概率;对于回归问题,每个模型会生成一个预测值向量。
构建元模型:
将基本模型的预测结果作为新的特征,构建一个元模型。
元模型可以是任何机器学习模型,通常选择简单的模型如逻辑回归、线性回归或者简单的决策树。
使用元模型进行预测
将测试集输入到每个基本模型中,得到预测结果。
将基本模型的预测结果输入到元模型中进行最终的预测。
Blending融合
准备数据集:
训练集
验证集
测试集

创建基本模型:
    选择多个不同类型的基本模型,如决策树、随机森林、支持向量机、神经网络等。
    使用训练集对每个基本模型进行训练。
生成基本模型的预测结果:
    使用训练集对每个基本模型进行预测。
对于分类问题,每个模型会生成一个概率矩阵,每一列代表一个类别的预测概率;
对于回归问题,每个模型会生成一个预测值向量。
创建元模型:
    将基本模型的预测结果作为输入特征,结合验证集的真实标签,训练一个元模型。
    元模型可以是任何机器学习模型
使用元模型进行预测:
    将测试集输入到每个基本模型中,得到它们的预测结果。
    将这些基本模型的预测结果作为输入,输入到元模型中进行最终的预测。

四、方法比较分析

模型性能评估:K 折交叉验证的方法
精度分析:accuracy;precision;recall;F1-score,AUC


结果对比分析


第七章、论文写作分析
1、论文写作要点分析
2、论文投稿技巧分析

3、论文案例分析

注:请提前自备电脑及安装所需软件。

四、联系方式


详细报名流程,请联系课程负责人

详细报名流程,请咨询课程负责人

丁依:19912110290(微电


2、SWMM HOT!

直播时间:2024年9月20日-24日 武汉

培训方式:线下+直播授课+助学群辅助+导师面对面实践工作交流

课程内容:(上下滑动查看更多)


第一部分、CAD、GIS在水力建模过程中的应用
1.利用CAD、GIS软件及数据实现管段、节点数据的批量处理:管段属性数据的处理、节点的自动生成、节点属性的自动读取。

2. 利用GIS软件实现节点、管段拓扑连接关系的建立:管段与节点之间网络关系的自动建立。
3.利用GIS软件实现汇水子区域的自动划分:利用节点的分布特征进行汇水子面积的自动划分。

4.利用GIS软件实现汇水子区域参数的计算与赋值:通过GIS空间分析功能的使用,实现汇水子面积不透水面积比例、平均坡度等属性值的自动计算机赋值。
   

5.利用GIS软件实现SWMM的快速建模:通过对SWMM模型文件格式的分析,实现SWMM模型文件的快速编辑,从而快速的实现大规模管网模型的建立。

第二部分、SWMM深度应用
1.SWMM动态控制功能:在模拟进行过程中,通过条件判断,对水泵、管道、孔口、堰以及放空管进行控制

2.SWMM水质模拟功能:介绍SWMM中水质模拟功能、掌握SWMM水质模拟方法


第三部分、SWMM在海绵城市规划设计中的应用
1.SWMM对LID措施的模拟方法:讲解SWMM中对于生物滞留网格、渗渠、植草沟等典型海绵措施的实现方法。

2.利用SWMM对现状地表进行海绵指标评估:在没有海绵设施的情况下,如何利用SWMM评估现状地表的水文特性。

3.利用快速建模方法实现小海绵结构的SWMM建模:实现径流总量控制率及面源污染削减率的计算。


第四部分、慧天排水平台实现城市排水一维管网模型建立
案例4.1一维模型建模
利用慧天排水数据导入功能可以通过指定源图层、源字段的方法将GIS数据导入慧天平台实现模型建立。并且慧天排水完全兼容SWMM模型,可以实现慧天排水模型与SWMM模型之间的格式转换。
利用一维模拟结果,结合GIS丰富的渲染及制图能力,制作排水系统性能评价专题图。典型专题图包括:节点溢流色阶图、管段流速色阶图、管段应对重现期色阶图。直观展示排水系统问题所在以及规划方案实施效果。

慧天排水数字化分析平台可以实现一维模拟计算,并提供丰富的结果查看功能。


第五部分、慧天排水平台实现城市内涝一维二维耦合模拟
城市内涝模拟与分析包括对于地下管网排水性能的分析以及地面内涝积水情况的分析两个主要方面,针对上述需求慧天排水数字化分析平台提供了丰富的模拟结果展示与分析功能。
案例4.2 城市内涝一维二维耦合模拟
利用慧天排水数字化分析平台实现城市内涝一维二维耦合模拟计算,给出地面内涝水体的淹没深度、流动方向、流动速度等模拟结果。通过城市内涝一维二维耦合模拟结果,对城市内涝情况进行分析。

可对指定地块进行淹没深度统计分析,获得不同地块淹没深度的最大值、最小值、平均值、淹没总面积等数据的统计结果,支持自定义淹没深度面积统计。

可对淹没区域的淹没深度-时间变化曲线进行绘制。

可对指定淹没深度指定淹没时长的区域进行导出,方便进行内涝风险区的划分。

利用耦合模拟结果及GIS软件的制图功能,生成内涝淹没图及风险区划分图。

   


第六部分、海绵城市关键控制指标计算
利用慧天排水数字化分析平台建立面向海绵城市的水文、水动力模型,依据水量守恒原则计算地块的年径流控制率、污染物削减率。


案例4.3年径流总量控制率计算
一键获得模型整体及单个汇水子面积的年径流总量控制率计算结果。


案例4.4污染物削减率计算
一键获得模型整体及单个汇水子面积的污染物削减率计算结果。


注:(请提前配置学习所需软件)。


3、AI+多技术融合 HOT!

培训时间:2024年10月20日-22日、28日-29日

培训方式:直播授课+助学群辅助+导师面对面实践工作交流

课程福利:

1:赠送国内可直接登录一个月ChatGPT4.0账号【无需科学上网】。

2:提供全部课程回放视频,建立助学群,长期辅助交流。

课程内容:(上下滑动查看更多)




专题一、生态系统服务评价技术框架
1.1 生态系统服务概述
1.2 流域生态系统服务的分类与作用
1.3 生态系统服务评估方法


专题二、AI大模型与生态系统服务评价
2.1 目前常用大模型介绍
2.2 如何使用好AI
2.3 prompt介绍
2.4 AI大模型与生态系统服务评价


专题三、数据获取与处理
3.1 数据制备中的遥感和GIS技术
3.2 ArcGIS软件界面
3.3 坐标系与坐标变换
3.4 区域数据的处理
3.5网络数据资源与下载
3.6 网络数据的处理


专题四、GIS水文分析工具及应用
4.1 DEM数据介绍及处理
4.2 GIS水文分析的步骤
4.3 流域边界的提取
4.4 流域河网、子流域的提取
4.5 水库淹没分析


专题五、基于SWAT模型的流域水资源、水环境、水生态分析
5.1 SWAT模型介绍
5.2 SWAT模型数据制备
5.3 SWAT模型的建模
5.4 基于SWAT模型的水资源、
水环境、水生态分析


专题六、基于InVEST模型的土壤侵蚀分析
6.1 流域土壤侵蚀模型
6.2 数据制备
6.3 InVEST模型的土壤侵蚀分析


专题七、基于InVEST模型的流域产水分析
7.1 流域产水分析原理
7.2 数据制备
7.3 InVEST模型的流域产水分析


专题八、基于InVEST模型的生态系统服务评估
8.1 数据制备
8.2 InVEST模型的生态系统服务评估
8.3 生态系统服务匹配分析


专题九、流域碳收支评估及生态系统服务
9.1 流域碳收支简介
9.2 土地利用数据下载
9.3 基于土地利用的碳收支评估
9.4 InVEST模型的碳收支评估


专题十、基于CMIP6的气候变化背景下生态系统服务评估
10.1 CMIP6数据简介
10.2 CMIP6数据下载
10.3 CMIP6数据显示
10.4未来气候变化下的生态系统服务评估


专题十一、水电开发对河流生态系统服务的影响
11.1 水电开发介绍
11.2 水电开发下的淹没分析
11.3 水电开发对河流生态系统服务的影响
11.4 水电开发下游河道生态补水分析


专题十二、流域生态系统服务制图
12.1 GIS制图基础
12.2 数据可视化与注记
12.3 制作流域生态系统服务地图
12.4 制图高级操作


4、Python编程 HOT!

培训时间:2024年10月16日-20日【南京】

培训方式:线下+直播授课+助学群辅助+导师面对面实践工作交流

课程内容:(上下滑动查看更多)

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)


5、Python进阶 HOT!

培训时间:2024年9月19日-21日

培训方式:直播授课+助学群辅助+导师面对面实践工作交流

课程内容:(上下滑动查看更多)

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


6、基金 HOT!

培训时间:2024年10月19日-20日

培训方式:直播授课+助学群辅助+导师面对面实践工作交流

课程内容:(上下滑动查看更多)

课程安排

学习内容

专题一

国自然项目介绍

1.1项目介绍        

1.2接收情况

1.3受理情况              

1.4近五年资助情况

1.5国自然改革解读                       

1.6省级项目解读

1.7博后项目介绍

专题二

基金的撰写技巧(从申请人的角度,带你一次入门)

2.1 问题属性与评阅标准

2.2 前期准备工作-如何去选题

2.3 项目撰写

2.3.1 题目的设计
2.3.1.1 题目确定:如何设计一个合适的题目
2.3.2 项目的研究内容、研究目标,以及拟解决的关键科学问题

2.3.2.1 研究内容的四点注意事项          

2.3.2.2 研究目标如何精准定位

2.3.2.3 关键科学问题的提炼方法-一个行之有效的小技巧

2.3.3 拟采取的研究方案及可行性分析

2.3.3.1 研究方案:如何安排总述与总图

2.3.3.2技术路线:如何将技术细节做到一一对应     

2.3.3.3 可行性分析:如何通过三个维度分析到位

2.3.4 本项目的特色与创新之处:多个角度分析

2.3.5 年度研究计划与预期成果:

2.3.5.1 研究计划如何布局推进                  

2.3.5.2 预期成果有哪些细微区别

2.3.6 研究基础与工作条件

2.3.6.1 研究基础-如何突出与代表作的联系        

2.3.6.2工作条件-如何充分展现平台优势

2.3.7 其他注意事项

专题三

基金的专项技巧(从评审专家的角度,带您逐一突破)

3.1 了解评审专家的视角         

3.2 最关键的细节-摘要的写法      

3.3 如何挑选的五篇代表作

3.4 手把手带你画技术路线图    

3.5 如何合理安排研究经费      

3.6其他备受关注的问题

3.7最后的自查-自查十连问

专题四

ChatGPT在基金撰写中的妙用

4.1 ChatGPT高效搜索

4.2 ChatGPT梳理文献

4.3 ChatGPT选择基金题目

4.4 ChatGPT生成基金提纲

4.5 ChatGPT助力摘要书写

4.6 ChatGPT形成文献综述

4.7 ChatGPT推荐研究方向

4.8 ChatGPT扩写基金内容

4.9 ChatGPT精简基金内容

4.10 ChatGPT润色基金文字

4.11 ChatGPT仿写指定风格

4.12 ChatGPT降重文本内容

4.13 ChatGPT搜索关键图片

4.14 ChatGPT分析评审意见

4.15 ChatGPT开发科研工具


Tips:联系客服咨询:老师:19912110290(微电


(扫码咨询)

<模型课程推荐-提供全部资料及回放视频、导师群辅助答疑>



声明: 本号旨在传播、传递、交流,对相关文章内容观点保持中立态度。涉及内容如有侵权或其他问题,请与本号联系,第一时间做出撤回。

END

Ai尚研修丨专注科研领域

技术推广,人才招聘推荐,科研活动服务

科研技术云导师,Easy  Scientific  Research 

大地质家
介绍地质方面的科普知识,专业知识,让我们深入了解地质人的生活,同时提供地质软件的下载和详细教程,美好的地质生活期待每一个人的关注与共享!
 最新文章