原文链接:GPT+Python近红外光谱数据分析https://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247603913&idx=1&sn=6eb8fd6f1abcdd8160815997a13eb03d&chksm=fa82172ecdf59e389a860547a238bb86c7f38ae3baa14e97c7490a52ef2a2c206f88d503a5eb&token=1727551034&lang=zh_CN#rd第一:ChatGPT入门基础
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简介
第二:ChatGPT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
第三:ChatGPT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
第四: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(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
第五:ChatGPT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)
第六: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(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
第七: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(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
第八: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(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
第九:ChatGPT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
第十: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(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?)
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简介
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
第十一: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(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
第十二: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(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:ChatGPT助力pytorch入门基础
1、深度学习框架(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: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(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
第十五:ChatGPT助力近红外光谱迁移学习
1、迁移学习算法的基本原理(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(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
第十六:ChatGPT助力自编码近红外光谱分析
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
第十七: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
第十八: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(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