前言
相信大家都听过ChatGPT，但很少有人能真正解锁这个地表最强AI模型的真实能力。其实是在数据分析、编程代码、文献检索等多方面都能大幅提升工作效率。我们一起来看看：
GPT在科研中，到底能帮我们做什么？
人工智能与大语言模型系列专题
专题一：深度学习全进阶：最新python深度学习进阶与前沿应用
专题二：最新ChatGPT办公与科研应用、论文撰写、数据分析、机器学习、深度学习及AI绘图
专题三：2024最新全流程Python编程、机器学习与深度学习实践技术应用
专题四：2025年国自然基金项目撰写技巧与ChatGPT融合应用
专题五：AI大语言模型进阶应用及模型优化、本地化部署、从0-1搭建、智能体构建技术
Ai尚研修新学期最新充值活动：最高购课可享受75折优惠同时赠送24个月国内可直接登录GPT4/4o会员账号，详细见文章末尾！
专题详情如下
专题一：
深度学习全进阶：最新python深度学习进阶与前沿应用高级培训班
参会条件：（备注：该培训课程为进阶课程，需要学员掌握卷积神经网络、循环神经网络等前序基础知识。同时，应具备一定的Python编程基础，熟悉numpy、pandas、matplotlib、scikit-learn、pytorch等第三方模块库。）
一、组织机构
主办单位：Ai尚研修
承办单位：尚研修（保定）信息科技有限公司
二、培训时间及方式
【培训方式】：网络直播+助学群辅助+导师面对面实践工作交流
三、课程内容
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 |
注：请提前自备电脑及安装所需软件。
最新ChatGPT办公与科研应用、论文撰写、数据分析、机器学习、深度学习及A绘图高级培训班
【全网唯一授课4天的ChatGPT课程】
2022年11月30日，可能将成为一个改变人类历史的日子——美国人工智能开发机构OpenAI推出了聊天机器人ChatGPT3.5，将人工智能的发展推向了一个新的高度。2023年4月，更强版本的ChatGPT4.0上线，文本、语音、图像等多模态交互方式使其在各行各业的应用呈现了更多的可能性。2023年11月7日，OpenAI首届开发者大会被称为“科技界的春晚”，吸引了全球广大用户的关注，GPT商店更是显现了OpenAI旨在构建AI生态的野心。因此，为了帮助广大科研人员更加熟练地掌握ChatGPT4.0在数据分析、自动生成代码等方面的强大功能，同时更加系统地学习人工智能（包括传统机器学习、深度学习等）的基础理论知识，以及具体的代码实现方法，特举办“最新ChatGPT办公与科研应用、论文撰写、数据分析、机器学习、深度学习及AI绘图高级”培训班，旨在帮助学员掌握ChatGPT4.0在科研工作中的各种使用方法与技巧，以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、YOLO目标检测、自编码器等）的基本原理及Python、PyTorch代码实现方法。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ChatGPT4.0的最新功能，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。
一、组织机构
主办单位：Ai尚研修
承办单位：尚研修（保定）信息科技有限公司
二、培训时间及方式
【培训方式】：直播与现场培训同步进行
三、会议福利
四、课程内容
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。 备注：详细在会议中具体说明。 |
注：请提前自备电脑及安装所需软件。
专题三
近年来，人工智能领域的飞速发展极大地改变了各个行业的面貌。当前最新的技术动态，如大型语言模型和深度学习技术的发展，展示了深度学习和机器学习技术的强大潜力，成为推动创新和提升竞争力的关键。特别是PyTorch，凭借其灵活性和高效性，成为科研人员和工程师的首选工具。为了帮助科研人员系统地掌握深度学习的基础理论及其在PyTorch中的实现方法，Ai尚研修特别推出了“最新PyTorch机器学习与深度学习技术方法与案例实践应用培训班”。该培训班旨在帮助学员理解和掌握深度学习的基础知识，深入了解其与经典机器学习算法的区别与联系，并系统学习包括迁移学习、循环神经网络（RNN）、长短时记忆网络（LSTM）、时间卷积网络（TCN）、生成对抗网络（GAN）、YOLO目标检测算法、自编码器等前沿技术的原理及其PyTorch编程实现。培训采用“理论讲解+案例实战+动手实操+讨论互动”相结合的教学模式，确保学员不仅理解理论知识，还能通过实践操作掌握实际应用中的关键技巧和方法。通过参加本次培训，学员将系统掌握深度学习和机器学习的基本原理和最新发展动态，熟练使用PyTorch进行模型构建、训练和优化，并将深度学习技术应用于实际问题解决，提升科研和工程项目的创新能力，助力职业发展和高水平论文的撰写。无论您是科研工作者、工程师，还是对深度学习技术有浓厚兴趣的从业者，本次培训班将为您提供全面而深入的学习体验，帮助您在人工智能领域取得更大的突破和成就
一、组织机构
主办单位：Ai尚研修
承办单位：尚研修（保定）信息科技有限公司
二、培训时间及方式
【培训方式】：直播与现场培训同步进行
三、课程内容
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） |
注：请提前自备电脑及安装所需软件。
专题四：
2025年国自然基金项目撰写技巧与ChatGPT融合应用培训班
随着社会经济发展和科技进步，基金项目对创新性的要求越来越高。申请人需要提出独特且有前瞻性的研究问题，具备突破性的科学思路和方法。因此，基金项目申请往往需要进行跨学科的技术融合。申请人需要与不同领域结合，形成多学科交叉的研究。基金项目申请在新时期更加注重国际化视野。申请人需要关注国际前沿研究动态，积极参与国际合作项目，并能够充分展示项目对国际学术和科技发展的贡献。
尤其是青年学者，工作繁重、资源溃泛、基金申请缺乏经验、同时没有形成高效研究团队，仅凭一己之力，在竞争激烈的当下显然不具备优势条件。基金申请是每年学者重要工作内容，势必要时间与精力投入，但往往是在提交前，集中一个有限的时间进行撰写，结果事与愿违。
您的基金撰写过程中是否存在以下问题：摘要如何写才能给评阅专家留下最美好的第一印象？技术路线图如何设计才能吸引评阅专家的目光？如何区分难点问题和关键科学问题？每个章节突出哪些内容才能让项目书更加清晰明了？Ai尚研修应广大学者要求，特召开“2024年科研项目基金撰写要点及技巧培训班”现通知如下：
一、组织机构
主办单位：Ai尚研修
承办单位：尚研修（保定）信息科技有限公司
二、培训时间及方式
【培训方式】：腾讯会议直播
三、会议福利
赠送一个月国内直接可登录ChatGPT4/4o会员账号【无需科学上网，功能与openAI官网账号一样】
四、课程内容
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 |
往届学员反馈
视频课程系列推荐
名师指导
提供全套上课资料【课件、案例数据、代码、参考资料等】+课程长期有效+导师群长期辅助学习
科研必备工具
新学期充值活动
联系方式
以上内容扫码咨询课程顾问
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
本号提供信息分享，对内容保持中立。若发现侵权问题，请及时联系我们，感谢您的理解与支持。
