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
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
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
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
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)
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
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
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
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
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
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
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
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))
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
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)
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
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
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