最新版-人工智能在生态学研究中的挑战：ChatGPT-4o如何应对？

课程安排

学习内容

第一章

ChatGPT4入门基础

1、ChatGPT概述（GPT-1、GPT-2、GPT-3、GPT-3.5、GPT-4模型的演变）

2、ChatGPT对话初体验（注册与充值、购买方法）

3、GPT-4与GPT-3.5的区别，以及与国内大语言模型（文心一言、星火等）的区别

4、ChatGPT科研必备插件（Data Interpreter、Wolfram、WebPilot、MixerBox Scholar、ScholarAI、Show Me、AskYourPDF等）

5、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）

6、GPT Store简介

7、案例演示与实操练习

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、基于模板的ChatGPT提示词优化

4、利用ChatGPT4 及插件优化提示词

5、通过promptperfect.jina.ai优化提示词

6、利用ChatGPT4 及插件生成提示词

7、ChatGPT4突破Token限制实现接收或输出万字长文（什么是Token？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）

8、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）

9、利用ChatGPT4 及插件保存喜欢的ChatGPT提示词并一键调用

10、案例演示：利用ChatGPT4实现网页版游戏的设计、代码自动生成与运行

11、实操练习

第三章

 ChatGPT4助力信息检索与总结分析

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 及插件实现联网检索文献

3、利用ChatGPT4及插件总结分析文献内容（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 及插件总结Youtube视频内容

5、案例演示与实操练习

第四章

ChatGPT4助力论文写作与投稿

1、利用ChatGPT4自动生成论文的总体框架

2、利用ChatGPT4完成论文翻译（指定翻译角色和翻译的领域、给一些背景提示）

3、利用ChatGPT4实现论文语法校正

4、利用ChatGPT4完成段落结构及句子逻辑润色

5、利用ChatGPT4完成论文评审意见的撰写与回复

6、案例演示与实操练习

第五章

ChatGPT4助力Python入门基础

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、字符串和编码、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）、图形的布局（多个子图绘制、规则与不规则布局绘制、向画布中任意位置添加坐标轴）

7、实操练习

第六章

ChatGPT4助力近红外光谱数据预处理

1、近红外光谱数据标准化与归一化（为什么需要标准化与归一化？）

2、近红外光谱数据异常值、缺失值处理

3、近红外光谱数据离散化及编码处理

4、近红外光谱数据一阶导数与二阶导数

5、近红外光谱数据去噪与基线校正

6、近红外光谱数据预处理中的ChatGPT提示词模板讲解

7、实操练习

第七章

ChatGPT4助力多元线性回归近红外光谱分析

1、多元线性回归模型（工作原理、最小二乘法）

2、岭回归模型（工作原理、岭参数k的选择、用岭回归选择变量）

3、LASSO模型（工作原理、特征选择、建模预测、超参数调节）

4、Elastic Net模型（工作原理、建模预测、超参数调节）

5、多元线性回归、岭回归、LASSO、Elastic Net的Python代码实现

6、多元线性回归中的ChatGPT提示词模板讲解

7、案例演示：近红外光谱回归拟合建模

第八章

ChatGPT4助力BP神经网络近红外光谱分析

1、BP神经网络的基本原理（人工智能发展过程经历了哪些曲折？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、训练集和测试集划分？BP神经网络常用激活函数有哪些？如何查看模型参数？

3、BP神经网络参数（隐含层神经元个数、学习率）的优化（交叉验证）

4、值得研究的若干问题（欠拟合与过拟合、评价指标的设计、样本不平衡问题等）

5、BP神经网络的Python代码实现

6、BP神经网络中的ChatGPT提示词模板讲解

7、案例演示：1）近红外光谱回归拟合建模；2）近红外光谱分类识别建模

第九章

ChatGPT4助力支持向量机（SVM）近红外光谱分析

1、SVM的基本原理（什么是经验误差最小和结构误差最小？SVM的本质是解决什么问题？SVM的四种典型结构是什么？核函数的作用是什么？什么是支持向量？）

2、SVM扩展知识（如何解决多分类问题？SVM的启发：样本重要性排序及样本筛选）

3、SVM的Python代码实现

4、SVM中的ChatGPT提示词模板讲解

5、案例演示：近红外光谱分类识别建模

第十章

ChatGPT4助力决策树、随机森林、Adaboost、XGBoost和LightGBM近红外光谱分析

1、决策树的基本原理（什么是信息熵和信息增益？ID3和C4.5算法的区别与联系）

2、随机森林的基本原理与集成学习框架（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？随机森林的本质是什么？）

3、Bagging与Boosting集成策略的区别

4、Adaboost算法的基本原理

5、Gradient Boosting Decision Tree (GBDT)模型的基本原理

6、XGBoost与LightGBM简介

7、决策树、随机森林、Adaboost、XGBoost与LightGBM的Python代码实现

8、决策树、随机森林、Adaboost、XGBoost与LightGBM的ChatGPT提示词模板讲解

9、案例演示：近红外光谱回归拟合建模

第十一章

ChatGPT4助力遗传算法近红外光谱分析

1、群优化算法概述

2、遗传算法（Genetic Algorithm）的基本原理（什么是个体和种群？什么是适应度函数？选择、交叉与变异算子的原理与启发式策略）

3、遗传算法的Python代码实现

4、遗传算法中的ChatGPT提示词模板讲解

5、案例演示：基于二进制遗传算法的近红外光谱波长筛选

第十二章

ChatGPT4助力近红外光谱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（PCA与PLS的区别与联系；PCA除了降维之外，还可以帮助我们做什么？）

3、近红外光谱波长选择算法的基本原理（Filter和Wrapper；前向与后向选择法；区间法；无信息变量消除法等）

4、PCA、PLS、特征选择算法的Python代码实现

5、PCA、PLS、特征选择算法中的ChatGPT提示词模板讲解

6、案例演示：1）基于L1正则化的近红外光谱波长筛选

2）基于信息熵的近红外光谱波长筛选

3）基于Recursive feature elimination的近红外光谱波长筛选

4）基于Forward-SFS的近红外光谱波长筛选

第十三章

ChatGPT4助力Pytorch入门基础

1、深度学习框架概述（PyTorch、Tensorflow、Keras等）

2、PyTorch简介（动态计算图与静态计算图机制、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）

4、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）

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

6、张量（Tensor）的创建（直接创建、从numpy创建、依据概率分布创建）

7、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）

8、张量（Tensor）的索引与切片

9、PyTorch的自动求导（Autograd）机制与计算图的理解

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

第十四章

ChatGPT4助力卷积神经网络近红外光谱分析

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、卷积神经网络参数调试技巧（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？）

4、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

5、利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等）

6、卷积神经网络中的ChatGPT提示词模板讲解

7、案例演示：（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)基于一维卷积神经网络的近红外光谱模型建立;(5)基于二维卷积神经网络的红外图像分类识别模型建立。

 第十五章

ChatGPT4助力近红外光谱迁移学习

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、常用的迁移学习算法简介（基于实例、特征和模型，譬如：TrAdaboost算法）

3、基于卷积神经网络的迁移学习算法

4、迁移学习的Python代码实现

5、案例演示：基于迁移学习的近红外光谱的模型传递（模型移植）

第十六章

ChatGPT4助力自编码器近红外光谱分析

1、自编码器（Auto-Encoder的工作原理）

2、常见的自编码器类型简介（降噪自编码器、深度自编码器、掩码自编码器等）

3、自编码器的Python代码实现

4、自编码器中的ChatGPT提示词模板讲解

5、案例演示：1）基于自编码器的近红外光谱数据预处理

 2）基于自编码器的近红外光谱数据降维与有效特征提取

第十七章

ChatGPT4助力U-Net多光谱图像语义分割

1、语义分割（Semantic Segmentation）简介

2、U-Net模型的基本原理

3、语义分割、U-Net模型中的ChatGPT提示词模板讲解

4、案例演示：基于U-Net的多光谱图像语义分割

第十八章

ChatGPT4助力深度学习模型可解释性与可视化方法

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、常用的可视化方法有哪些（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、深度学习模型可解释性与可视化中的ChatGPT提示词模板讲解

6、案例演示

第十九章

复习与答疑讨论

1、课程复习与总结、资料分享（图书、在线课程资源、源代码等）

2、科研与创新方法总结（如何利用Google Scholar、Sci-Hub、ResearchGate等工具查阅文献资料、配套的数据和代码？如何更好地撰写论文的Discussion部分？）

3、答疑与讨论（大家提前把问题整理好）

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

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国自然项目解读

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