在人工智能領(lǐng)域進(jìn)行研究和深耕，將幫助您在茫茫職場(chǎng)的競(jìng)爭(zhēng)人海中脫穎而出，登上未來(lái)科技巨變的最前沿，比他人更加敏銳、更加迅捷地抓住未來(lái)的動(dòng)向！

【專家】：郁 磊（副教授），主要從事Python/Matlab 編程、機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘、數(shù)據(jù)可視化和軟件開發(fā)、生理系統(tǒng)建模與仿真、生物醫(yī)學(xué)信號(hào)處理，具有豐富的科研經(jīng)驗(yàn)，主編《MATLAB智能算法30個(gè)案例分析》、《MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析》相關(guān)著作。已發(fā)表多篇高水平的國(guó)際學(xué)術(shù)研究論文。

模塊一 編程入門與進(jìn)階提高

Python編程入門
1、Python環(huán)境搭建（ 下載、安裝與版本選擇）。
2、如何選擇Python編輯器？（IDLE、Notepad++、PyCharm、Jupyter…）
3、Python基礎(chǔ)（數(shù)據(jù)類型和變量、字符串和編碼、list和tuple、條件判斷、循環(huán)、函數(shù)的定義與調(diào)用等）
4、常見的錯(cuò)誤與程序調(diào)試
5、第三方模塊的安裝與使用
6、文件讀寫（I/O）
7、實(shí)操練習(xí)

Python進(jìn)階與提高
1、Numpy模塊庫(kù)（Numpy的安裝；ndarray類型屬性與數(shù)組的創(chuàng)建；數(shù)組索引與切片；Numpy常用函數(shù)簡(jiǎn)介與使用）
2、Pandas模塊庫(kù)（DataFrame數(shù)據(jù)結(jié)構(gòu)、表格的變換、排序、拼接、融合、分組操作等）
3、Matplotlib基本圖形繪制（線形圖、柱狀圖、餅圖、氣泡圖、直方圖、箱線圖、散點(diǎn)圖等）
4、圖形樣式的美化（顏色、線型、標(biāo)記、字體等屬性的修改）
5、圖形的布局（多個(gè)子圖繪制、規(guī)則與不規(guī)則布局繪制、向畫布中任意位置添加坐標(biāo)軸）
6、高級(jí)圖形繪制（3D圖、等高線圖、棉棒圖、啞鈴圖、漏斗圖、樹狀圖、華夫餅圖等）
7、坐標(biāo)軸高階應(yīng)用（共享繪圖區(qū)域的坐標(biāo)軸、坐標(biāo)軸刻度樣式設(shè)置、控制坐標(biāo)軸的顯示、移動(dòng)坐標(biāo)軸的位置）
8、實(shí)操練習(xí)

課后作業(yè)
根據(jù)給定的圖像處理算法，編寫相應(yīng)的Python程序，實(shí)現(xiàn)圖像的讀取、處理和結(jié)果存儲(chǔ)等功能

模塊二 科研數(shù)據(jù)可視化

Seaborn圖形繪制
1、Seaborn簡(jiǎn)介與安裝
2、Seaborn基本圖像的繪制（統(tǒng)計(jì)關(guān)系、分類數(shù)據(jù)、數(shù)據(jù)集分布等）
3、Seaborn風(fēng)格與顏色管理
4、Seaborn多圖的繪制
5、實(shí)操練習(xí)

Pyecharts圖形繪制
1、Pyecahrts簡(jiǎn)介與安裝
2、Pyecharts基礎(chǔ)知識(shí)（快速繪制圖表、認(rèn)識(shí)圖表類、配置項(xiàng)、渲染圖表）
3、常用圖表的繪制（折線圖、餅圖、圓環(huán)圖、散點(diǎn)圖、柱狀圖、漏斗圖、桑基圖等）
4、組合圖表的繪制（并行多圖、順序多圖、選項(xiàng)卡多圖、時(shí)間線輪播多圖等）
5、實(shí)操練習(xí)

課后作業(yè)
對(duì)給定的原始數(shù)據(jù)進(jìn)行基本的統(tǒng)計(jì)分析，并以可視化的方式將分析結(jié)果予以呈現(xiàn)

模塊三 信息檢索與常用科研工具

信息檢索與常用科研工具
1、如何無(wú)障礙地訪問(wèn)Google、YouTube等網(wǎng)站？（谷歌訪問(wèn)助手、VPN等）
2、如何查閱文獻(xiàn)資料？怎樣能夠保證對(duì)最新論文的追蹤？
3、Google Scholar、ResearchGate的使用方法
4、應(yīng)該去哪些地方查找與論文配套的數(shù)據(jù)和代碼？
5、文獻(xiàn)管理工具的使用（Endnote、Zotero等）
6、當(dāng)代碼出現(xiàn)錯(cuò)誤時(shí)，應(yīng)該如何高效率解決？
7、實(shí)操練習(xí)

課后作業(yè)
檢索自己的研究方向內(nèi)，國(guó)內(nèi)外做的最好的各五個(gè)團(tuán)隊(duì)，列出同行專家姓名、最相關(guān)的代表性論文10篇

模塊四 科技論文寫作與技巧

科技論文寫作與技巧
1、科技論文結(jié)構(gòu)解析（Title、Abstract、Keywords、Introduction、Materials & Methods、Results、Discussion、Conclusion、References）
2、如何高效率撰寫專業(yè)論文？
3、SCI不同分區(qū)的論文差別在哪些地方？
4、從審稿人的角度看，SCI期刊論文需要具備哪些要素？（審稿人關(guān)注的點(diǎn)有哪些？如何回應(yīng)審稿人提出的意見？）
5、如何提煉與挖掘創(chuàng)新點(diǎn)？（如果在算法層面上難以做出原創(chuàng)性的工作，如何結(jié)合自己的實(shí)際問(wèn)題提煉與挖掘創(chuàng)新點(diǎn)？）
6、實(shí)操練習(xí)

課后作業(yè)
自擬一個(gè)選題（或根據(jù)給定的選題），搭建論文初步框架，并完成Introduction部分的撰寫（包括對(duì)國(guó)內(nèi)外相關(guān)文獻(xiàn)的綜述）

模塊五 數(shù)據(jù)預(yù)處理與特征工程

數(shù)據(jù)預(yù)處理與特征工程
1、描述性統(tǒng)計(jì)分析（數(shù)據(jù)的頻數(shù)分析：統(tǒng)計(jì)直方圖；數(shù)據(jù)的集中趨勢(shì)分析：算數(shù)平均值標(biāo)準(zhǔn)差；數(shù)據(jù)的分布可視化；數(shù)據(jù)的相關(guān)分析：相關(guān)系數(shù)）
2、Model-Centric AI與Data Centric AI的本質(zhì)區(qū)別與聯(lián)系
3、數(shù)據(jù)異常值、缺失值處理
4、數(shù)據(jù)離散化及編碼處理
5、手動(dòng)生成新特征
6、數(shù)據(jù)標(biāo)準(zhǔn)化與歸一化（為什么需要標(biāo)準(zhǔn)化與歸一化？）
7、實(shí)操練習(xí)

課后作業(yè)
對(duì)給定的原始數(shù)據(jù)進(jìn)行預(yù)處理與特征工程處理，并以可視化的方式將處理結(jié)果予以呈現(xiàn)

模塊六 多元線性回歸

多元線性回歸
1、多元線性回歸模型（回歸參數(shù)的估計(jì)、回歸方程的系數(shù)）
2、嶺回歸模型（工作原理、嶺參數(shù)k的選擇、用嶺回歸選擇變量）
3、LASSO模型（工作原理、特征選擇、建模預(yù)測(cè)、超參數(shù)調(diào)節(jié)）
4、Elastic Net模型（工作原理、建模預(yù)測(cè)、超參數(shù)調(diào)節(jié)）
5、案例實(shí)踐
6、實(shí)操練習(xí)

模塊七 機(jī)器學(xué)習(xí)

前向型神經(jīng)網(wǎng)絡(luò)
1、BP神經(jīng)網(wǎng)絡(luò)的基本原理（人工神經(jīng)網(wǎng)絡(luò)的分類有哪些？BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和訓(xùn)練過(guò)程是怎樣的？什么是梯度下降法？）
2、BP神經(jīng)網(wǎng)絡(luò)的Python代碼實(shí)現(xiàn)（怎樣劃分訓(xùn)練集和測(cè)試集？為什么需要?dú)w一化？歸一化是必須的嗎？什么是梯度爆炸與梯度消失？）
3、BP神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化（隱含層神經(jīng)元個(gè)數(shù)、學(xué)習(xí)率、初始權(quán)值和閾值等如何設(shè)置？什么是交叉驗(yàn)證？）
4、值得研究的若干問(wèn)題（欠擬合與過(guò)擬合、泛化性能評(píng)價(jià)指標(biāo)的設(shè)計(jì)等）
5、案例演示一：近紅外光譜汽油辛烷值預(yù)測(cè)（回歸擬合）
6、案例演示二：MNIST手寫數(shù)字識(shí)別（分類識(shí)別）
7、實(shí)操練習(xí)

支持向量機(jī)、決策樹、隨機(jī)森林、XGBoost和LightGBM
1、SVM的基本原理（SVM的本質(zhì)是解決什么問(wèn)題？SVM的四種典型結(jié)構(gòu)是什么？核函數(shù)的作用是什么？什么是支持向量？）
2、SVM擴(kuò)展知識(shí)（如何解決多分類問(wèn)題？SVM除了建模型之外，還可以幫助我們做哪些事情？）
3、決策樹的基本原理（微軟小冰讀心術(shù)的啟示；什么是信息熵和信息增益？ID3算法和C4.5算法的區(qū)別與聯(lián)系）；決策樹除了建模型之外，還可以幫我們做什么事情？
4、隨機(jī)森林的基本原理（為什么需要隨機(jī)森林算法？廣義與狹義意義下的“隨機(jī)森林”分別指的是什么？“隨機(jī)”提現(xiàn)在哪些地方？隨機(jī)森林的本質(zhì)是什么？）怎樣可視化、解讀隨機(jī)森林的結(jié)果？
5、Bagging與Boosting的區(qū)別與聯(lián)系
6、AdaBoost vs. Gradient Boosting的工作原理
7、 常用的GBDT算法框架（XGBoost、LightGBM）
8、SVM、決策樹、隨機(jī)森林、XGBoost和LightGBM的Python代碼實(shí)現(xiàn)
9、案例實(shí)踐一：乳腺癌腫瘤診斷
10、案例實(shí)踐二：混凝土強(qiáng)度預(yù)測(cè)
11、實(shí)操練習(xí)

群優(yōu)化算法
1、遺傳算法（Genetic Algorithm, GA）的基本原理（以遺傳算法為代表的群優(yōu)化算法的基本思想是什么？目前國(guó)內(nèi)外的研究熱點(diǎn)在哪些方面？）
2、遺傳算法的Python代碼實(shí)現(xiàn)
3、案例實(shí)踐一：一元函數(shù)的尋優(yōu)計(jì)算（極大值與極小值）
4、案例實(shí)踐二：離散變量的尋優(yōu)計(jì)算（基于遺傳算法的特征變量篩選）
5、實(shí)操練習(xí)

變量降維?特征選擇
1、變量降維與特征選擇在概念上的區(qū)分
2、主成分分析（PCA）、偏最小二乘（PLS）的基本原理（PCA與PLS的區(qū)別與聯(lián)系；PCA除了降維之外，還可以幫助我們做什么？）
3、常見的特征選擇方法（優(yōu)化搜索、Filter和Wrapper等；前向與后向選擇法；區(qū)間法；無(wú)信息變量消除法；正則稀疏優(yōu)化方法等）
4、案例實(shí)踐：變量降維與特征選擇的Python代碼實(shí)現(xiàn)
5、實(shí)操練習(xí)

課后作業(yè)
以“數(shù)據(jù)為中心”為原則，對(duì)給定的數(shù)據(jù)集進(jìn)行建模，建模方法統(tǒng)一用隨機(jī)森林，著重對(duì)數(shù)據(jù)預(yù)處理、特征提取、數(shù)據(jù)增強(qiáng)等建模前步驟的分析，以及對(duì)建模結(jié)果的深入分析討論與優(yōu)化，撰寫研究報(bào)告一份

模塊八 深度學(xué)習(xí)

卷積神經(jīng)網(wǎng)絡(luò)
1、深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別與聯(lián)系（隱含層數(shù)越多越好嗎？深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的本質(zhì)區(qū)別是什么？）
2、卷積神經(jīng)網(wǎng)絡(luò)的基本原理（什么是卷積核？CNN的典型拓?fù)浣Y(jié)構(gòu)是怎樣的？CNN的權(quán)值共享機(jī)制是什么？CNN提取的特征是怎樣的？）
3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet 等經(jīng)典深度神經(jīng)網(wǎng)絡(luò)的區(qū)別與聯(lián)系
4、Pytorch深度學(xué)習(xí)框架簡(jiǎn)介、PyTorch的安裝與環(huán)境配置
5、PyTorch常用工具包及API簡(jiǎn)介：張量Tensor的定義、屬性、創(chuàng)建、運(yùn)算、索引與切片、torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader）
6、預(yù)訓(xùn)練模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet 等）
7、案例講解：
（1）CNN 預(yù)訓(xùn)練模型實(shí)現(xiàn)物體識(shí)別
（2）利用卷積神經(jīng)網(wǎng)絡(luò)抽取抽象特征
（3）自定義卷積神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
（4）1D CNN 模型解決回歸擬合預(yù)測(cè)問(wèn)題
8、實(shí)操練習(xí)

網(wǎng)絡(luò)優(yōu)化?調(diào)參技巧
1、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)優(yōu)化
2、優(yōu)化算法（梯度下降、隨機(jī)梯度下降、小批量隨機(jī)梯度下降、動(dòng)量法、 Adam 等）
3、調(diào)參技巧（參數(shù)初始化、數(shù)據(jù)預(yù)處理、數(shù)據(jù)擴(kuò)增、批量歸一化、超參數(shù)優(yōu)化、網(wǎng)絡(luò)正則化等）
4、案例講解：卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)化
5、實(shí)操練習(xí)

遷移學(xué)習(xí)
1、遷移學(xué)習(xí)算法的基本原理（為什么需要遷移學(xué)習(xí)？為什么可以遷移學(xué)習(xí)？遷移學(xué)習(xí)的基本思想是什么？）
2、基于深度神經(jīng)網(wǎng)絡(luò)模型的遷移學(xué)習(xí)算法
3、案例講解：貓狗大戰(zhàn)（Dogs vs. Cats）
4、實(shí)操練習(xí)

循環(huán)神經(jīng)網(wǎng)絡(luò)?長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)
1、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基本原理
2、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的基本原理
3、RNN與LSTM的區(qū)別與聯(lián)系
4、案例講解：
1）時(shí)間序列預(yù)測(cè)：新冠肺炎疫情預(yù)測(cè)
2）序列-序列分類：人體動(dòng)作識(shí)別
5、實(shí)操練習(xí)

生成式對(duì)抗網(wǎng)絡(luò)
1、生成式對(duì)抗網(wǎng)絡(luò) GAN（什么是對(duì)抗生成網(wǎng)絡(luò)？為什么需要對(duì)抗生成網(wǎng)絡(luò)？對(duì)抗生成網(wǎng)絡(luò)可以幫我們做什么？GAN 給我們帶來(lái)的啟示）
2、GAN 的基本原理
3、案例講解：GAN 的 Python 代碼實(shí)現(xiàn)（向日葵花圖像的自動(dòng)生成）
4、實(shí)操練習(xí)

自編碼器
1、自編碼器的組成及基本工作原理
2、自編碼器的變種（棧式自編碼器、稀疏自編碼器、去噪自編碼器、卷積自編碼器、掩碼自編碼器等）及其工作原理
3、案例講解：基于自編碼器的圖像分類
4、實(shí)操練習(xí)

YOLO目標(biāo)檢測(cè)算法
1、什么是目標(biāo)檢測(cè)？目標(biāo)檢測(cè)與目標(biāo)識(shí)別的區(qū)別與聯(lián)系
2、YOLO 模型的工作原理
3、案例講解：
(1)使用預(yù)訓(xùn)練模型實(shí)現(xiàn)圖像、視頻等實(shí)時(shí)目標(biāo)檢測(cè)
(2)訓(xùn)練自己的數(shù)據(jù)集：新冠疫情佩戴口罩識(shí)別
4、實(shí)操練習(xí)

課后作業(yè)
自擬選題（或根據(jù)給定的選題），利用深度學(xué)習(xí)方法建立模型，并對(duì)模型參數(shù)進(jìn)行優(yōu)化，撰寫研究報(bào)告一份

模塊九 答疑討論

1、相關(guān)學(xué)習(xí)資料分享與拷貝（圖書推薦、在線學(xué)習(xí)推薦等）
2、建立微信群，便于后期的討論與答疑
3、答疑討論