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。掌握ChatGPT4.0在近红外光谱数据分析、定性/定量分析模型代码自动生成等方面的强大功能,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,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、自编码器、U-Net等)的基本原理及Python、Pytorch代码实现方法。
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 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
|
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 |
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 |
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 |
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 |
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 7、实操 |
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: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?) 4、Bagging与Boosting集成策略的区别 5、Adaboost算法的基本原理 6、Gradient Boosting Decision Tree (GBDT)模型的基本原理 7、XGBoost与LightGBM简介 8、决策树、随机森林、Adaboost、XGBoost与LightGBM的Python代码实现 9、决策树、随机森林、Adaboost、XGBoost与LightGBM的ChatGPT提示词模板讲解 10、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 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 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)基于卷积神经网络的近红外光谱模型建立 |
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 6、案例演示 |
第十九章 | 1、总结、资料分享(图书资源、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?) |