一:Python基础
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
3、Python流程控制
4、Python函数与对象
5、Matplotlib的安装与图形绘制
6、科学计算模块库
二:PyTorch环境搭建
1、深度学习框架
2、PyTorch
3、PyTorch安装与环境配置
三: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))
四:Python统计分析与可视化
1、统计数据的描述与可视化
2、概率分布与统计推断
3、回归分析
五:Python前向型神经网络
1、BP神经网络的基本原理
2、BP神经网络的Python代码实现
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、Linear模型、Logistic模型、Softmax函数输出、BP神经网络
六:Python决策树、随机森林、XGBoost与LightGBM
1、决策树的工作原理;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
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、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
七: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
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
八:PyTorch卷积神经网络
1、深度学习
2、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
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
5、卷积神经网络调参技巧
(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
九:PyTorch迁移学习
1、迁移学习算法的基本原理
2、基于深度神经网络模型的迁移学习算法
3、猫狗大战(Dogs vs. Cats)
十:PyTorch生成式对抗网络
1、生成式对抗网络GAN
2、GAN的基本原理及GAN进化史
3、GAN的PyTorch代码实现
十一: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、时间序列预测
十二: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
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
十三: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
(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
十四: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
(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
十五:U-Net语义分割
1、语义分割(Semantic Segmentation)
2、U-Net模型的基本原理
3、基于U-Net的多光谱图像语义分割