GPT4+Python近红外光谱数据分析及机器学习与深度学习建模

详情点击链接:GPT4+Python近红外光谱数据分析及机器学习与深度学习建模

第一:GPT4

1、ChatGPT(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

图片

第二:GPT4 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

图片

第三:GPT4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

图片

第四:GPT4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

图片

第五:GPT4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)

图片

第六:GPT4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

图片

第七:GPT4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

7、案例演示:近红外光谱回归拟合建模

图片

第八:GPT4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

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

图片

第九:GPT4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

5、案例演示:近红外光谱分类识别建模

图片

第十:GPT4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

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

图片

第十一:GPT4助力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(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

图片

图片

第十二:GPT4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

图片

第十三:GPT4助力Pytorch入门基础

1、深度学习框架概述(PyTorch、Tensorflow、Keras等)

2、PyTorch(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))

图片

第十四:GPT4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

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

图片

图片

第十五:GPT4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)

图片

第十六:GPT4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

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

图片

第十七:GPT4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提示词模板讲解

4、案例演示:基于U-Net的多光谱图像语义分割

图片

第十八:GPT4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

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

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/344654.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

最新AI系统ChatGPT网站H5系统源码,支持Midjourney绘画,GPT语音对话+ChatFile文档对话总结+DALL-E3文生图

一、前言 SparkAi创作系统是基于ChatGPT进行开发的Ai智能问答系统和Midjourney绘画系统,支持OpenAI-GPT全模型国内AI全模型。本期针对源码系统整体测试下来非常完美,那么如何搭建部署AI创作ChatGPT?小编这里写一个详细图文教程吧。已支持GPT…

Django笔记(六):DRF框架

首 前后端分离是互联网应用开发的标准使用方式,让前后端通过接口实现解耦,能够更好的进行开发和维护。 RESTful接口常见规范 在接口设计中,大家遵循一定的规范可以减少很多不必要的麻烦,例如url应有一定辨识度,可以…

(SSO单点登录)多个系统之间如何实现账号互通

SSO具有以下优点: 降低访问第三方网站风险;降低用户名和密码的管理成本;提高用户试用满意度;SSO使用标准的身份认证和授权协议,如OAuth、OpenID Connect等,可以保障用户身份的安全性和隐私性。 单点登录最大…

Linux 驱动开发基础知识——认识LED驱动程序 (二)

个人名片: 🦁作者简介:一名喜欢分享和记录学习的在校大学生 🐯个人主页:妄北y 🐧个人QQ:2061314755 🐻个人邮箱:2061314755qq.com 🦉个人WeChat:V…

el-select选择之后值不显示在文本框的问题解决

问题场景如下图: 在el-collapse-item中使用子组件,子组件里是el-form-item代码。el-select在for循环中,可以有多个。 查了一下博客,有的说这种场景需要给el-select添加change事件,加上 this.$forceUpdate() 强制刷新即…

Vue3.0里为什么要用 Proxy API 替代 defineProperty API ?

文章目录 一、Object.defineProperty二、Proxy三、总结参考文献 一、Object.defineProperty 定义:Object.defineProperty() 方法会直接在一个对象上定义一个新属性,或者修改一个对象的现有属性,并返回此对象 为什么能实现响应式 通过define…

Kubeadm安装单master多node节点K8S集群

kubeadm安装k8s1.25版本集群步骤 环境说明实验环境规划集群搭建规划 初始化安装k8s集群的实验环境安装虚拟机更新yum源和操作系统配置机器主机名配置主机hosts文件,相互之间通过主机名互相访问配置主机之间无密码登录关闭交换分区swap,提升性能修改机器内…

[algorithm] 自动驾驶 规划 非线性优化学习系列之1 :车辆横向运动动力学详细解释

写在前面 最近时空联合规划很火,想学习。由于在学校主打学习新能源电力电子方向,转行后也想好好零散的知识体系。计划从车辆运动动力学习,模型预测控制(经典控制目前看主打应用,不会再去深入),…

使用js判断list中是否含有某个字符串,存在则删除,

显示上图中使用了两种方式, 左边的是filter将不等于userCode的元素筛选出来组成一个新的list, userCodeList.filter(item> item!userCode);但是上面这个方法在IE浏览器中不支持, 所以改成了右边的方法,使用splice…

C#,入门教程(22)——函数的基础知识

上一篇: C#,入门教程(21)——命名空间(namespace)与程序结构的基础知识https://blog.csdn.net/beijinghorn/article/details/124140653 一、函数的基本概念 一个软件的结构大体如下: 大厦application: a plaza { --…

01-灵魂一问:智能网联汽车域控SOA如何做?

1. 前言 //TODO 2. SOA?微服务? //TODO 3. 如何设计框架? 3.1 全面SOA SOA平台化,全面解耦操作系统,将操作系统重新分层 3.2 部分SOA 仅仅将部分涉及车辆相关的SOA服务化,比如automotive service …

Java带你快速了解单元测试

一、单元测试 1.1 单元测试快速入门 所谓单元测试,就是针对最小的功能单元,编写测试代码对其进行正确性测试。 我们想想,咱们之前是怎么进行测试的呢? 比如说我们写了一个学生管理系统,有添加学生、修改学生、删除…

MySQL基础(一)

学习数据库的目的: 实现数据持久化到本地。使用完整的管理系统统一管理,可以实现结构化查询,方便管理。 一、数据库概述 数据库(DataBase) 为了方便数据的存储和管理,它将数据按照特定的 规则存储在磁盘…

成都直播基地应该怎么做?直击西南直播电商行业发展现状

新蓝图已然绘就,新征程击鼓催征。近年,四川电子商务行业的发展势头日益强劲,为助力成都直播产业的多元化发展,由德商产投与无锋科技联袂打造的中国西部大型全域直播产业基地——天府锋巢直播产业基地落户成都市天府新区。该成都直…

HTTP与HTTPS的工作流程

HTTP与HTTPS的工作流程 http知识点回顾1、HTTP访问的过程2、HTTP常见状态码3、HTTP 协议一共五大特点 https的工作流程1、对称加密2、非对称加密3、https工作流程 http知识点回顾 1、HTTP访问的过程 (1)解析url,获取 url 中包含的域名&…

使用ffmpeg转换索尼老DV拍摄的VOB文件为mp4

一些背景故事 最近对象想用 CCD 拍照录像,家里刚好有一台快 20 年前的索尼 DV DCR-DVD653E,就是电池老化充不进去电了。 翻出来之后还感慨了一下:当年没有网购,价格不透明;有些地方也没有官方店,只有一两家…

vivado:关联notepad++

网上好多都要下插件,看了野火视频,直接在vivado里面加路径弄好的 2 3(那个fonts and colors也经常用 改字体) 4 5 以下是我的路径 D:/gongjuruanjian/notepad/Notepad/notepad.exe [file name] -n[line number] 把[file name] -…

【刷题】 leetcode 面试题 01.06 字符串压缩

字符串压缩 字符串压缩思路一(双指针顺畅版)思路二(sprintf函数巧解版) Thanks♪(・ω・)ノ谢谢阅读下一篇文章见!!! 字符串压缩 来看题目: 根据题目…

Python实现中英文互译

使用预训练模型时经常会涉及到中英文互译,总结一下方法 1、translate库 安装 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple translate使用 #中文翻译成英文translator Translator(from_langchinese,to_langenglish)result translator.translate(&…

【QML-Qt Design Studio】

QML编程指南 ■ Qt Design Studio (Qt Quick UI设计工具)■ 安装Qt Design Studio■ ■ Qt Design Studio (Qt Quick UI设计工具) Qt Design Studio是一个用于创建酷炫、优美UI的工具。 简单概括其功能就是让UI设计转换为qml&…