Python近红外光谱数据分析技术

发布于:2024-10-18 ⋅ 阅读:(37) ⋅ 点赞:(0)

原文链接:Python近红外光谱数据分析技术icon-default.png?t=O83Ahttps://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247618985&idx=4&sn=cb10b44822eeb8e30eadd9e45fbdcdc4&chksm=fa82504ecdf5d9584a78de0adfc518c159baf1b70b26106a621adf1aa0bfaf1c67b7203e4b7c&token=12712543&lang=zh_CN#rd

一:ChatGPT入门基础

1、ChatGPT

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

5、定制自己的专属GPTs

6、GPT Store

图片

二:ChatGPT提示词使用方法与技巧

1、ChatGPT Prompt 

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

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、利用ChatGPT4实现网页版游戏的设计、代码自动生成与运行

图片

三:ChatGPT助力信息检索
1、传统信息检索方法与技巧总结

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

4、利用ChatGPT4 及插件总结Youtube视频内容

图片

四:ChatGPT助理论文写作与投稿

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

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

图片

五:ChatGPT助力python入门基础

1、Python环境搭建

2、如何选择Python编辑器?

3、Python基础

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)

图片

六:ChatGPT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

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

图片

七:ChatGPT助力多元线性回归近红外光谱分析

1、多元线性回归模型

2、岭回归模型

3、LASSO模型

4、Elastic Net模型

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

7、近红外光谱回归拟合建模

图片

八:ChatGPT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

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

4、值得研究的若干问题

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

7、1)近红外光谱回归拟合建模;2)近红外光谱分类识别建模

图片

九:ChatGPT助力支持向量机(SVM)近红外光谱分析

1、SVM的基本原理

2、SVM扩展知识

3、SVM的Python代码实现

4、SVM中的ChatGPT提示词模板

5、近红外光谱分类识别建模

图片

十:ChatGPT助力决策树,随机森林,Adaboost,XGBoost和LighGBM近红外光谱分析

1、决策树的基本原理

2、随机森林的基本原理与集成学习框架

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

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

9、近红外光谱回归拟合建模

图片

十一:ChatGPT助理遗传算法近红外光谱分析

1、群优化算法

2、遗传算法(Genetic Algorithm)的基本原理

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、基于二进制遗传算法的近红外光谱波长筛选

图片

十二:ChatGPT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

3、近红外光谱波长选择算法的基本原理

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、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

图片

十三:ChatGPT助力pytorch入门基础

1、深度学习框架

2、PyTorch

3、PyTorch的安装与环境配置

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(torchvision(transforms、datasets、model)、torch.nn、torch.optim、torch.utils(Dataset、DataLoader))

图片

十四:ChatGPT助力卷积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

2、卷积神经网络的基本原理

3、卷积神经网络参数调试技巧

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

6、卷积神经网络中的ChatGPT提示词模板

7、(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

图片

十五:ChatGPT助力近红外光谱迁移学习

1、迁移学习算法的基本原理

2、常用的迁移学习算法

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、基于迁移学习的近红外光谱的模型传递(模型移植)

图片

十六:ChatGPT助力自编码近红外光谱分析

1、自编码器

2、常见的自编码器类型

3、自编码器的Python代码实现

4、自编码器中的ChatGPT提示词模板

5、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

图片

十七:ChatGPT助力U-Net多光谱图像语义分割

1、语义分割(Semantic Segmentation)

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

4、基于U-Net的多光谱图像语义分割

图片

十八:ChatGPT助理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

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

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

图片


网站公告

今日签到

点亮在社区的每一天
去签到