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.常见的错误与程序调试
5.第三方模块的安装与使用
6.文件读写（I/O）
7.实操练习

第二章 Python进阶与提高

1.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）
2.Pandas模块库（DataFrame数据结构、表格的变换、排序、拼接、融合、分组操作等）
3.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）
4.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）
5.Scikit-Learn模块库简介、下载与安装
6.实操练习

第三章多元线性回归及其在近红外光谱分析中的应用

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.案例演示：近红外光谱回归拟合建模

第四章 BP神经网络及其在近红外光谱分析中的应用

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？BP神经网络建模的本质是什么？）
2.怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？ BP神经网络的常用激活函数有哪些？如何查看模型的参数？
3.BP神经网络参数的优化（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？）
4.值得研究的若干问题（欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等）
5.极限学习机（Extreme Learning Machine, ELM）的基本原理（ELM的基本算法，“极限”体现在哪些地方？ELM 与 BP 神经网络的区别与联系）
6.BP神经网络、极限学习机的Python代码实现
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

第五章支持向量机（SVM）及其在近红外光谱分析中的应用

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除了建模型之外，还可以帮助我们做哪些事情？SVM的启发：样本重要性的排序及样本筛选）
3.SVM的Python代码实现
4.案例演示：近红外光谱分类识别建模

第六章决策树、随机森林、Adaboost、XGBoost和LightGBM及其在近红外光谱分析中的应用

1.决策树的基本原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）
2.决策树的启发：变量重要性的排序及变量筛选
3.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简介
8.决策树、随机森林、Adaboost、XGBoost与LightGBM的Python代码实现
9.案例演示：近红外光谱回归拟合建模

第七章遗传算法及其在近红外光谱分析中的应用

1.群优化算法概述
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.案例演示：基于二进制遗传算法的近红外光谱波长筛选

第八章变量降维与特征选择算法及其在近红外光谱分析中的应用

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的Python代码实现
5.特征选择算法的Python代码实现
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

第九章 Pytorch环境搭建与编程入门

1.深度学习框架概述（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）

第十章卷积神经网络及其在近红外光谱分析中的应用

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
4.卷积神经网络的Python代码实现
5.案例演示：基于卷积神经网络的近红外光谱建模

第十一章迁移学习及其在近红外光谱分析中的应用

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）

第十二章自编码器及其在近红外光谱分析中的应用

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.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

第十三章复习与答疑讨论

1.复习与总结（知识点梳理）
2.资料分享（图书、在线课程资源、源代码等）
3.科研与创新方法总结（如何利用Google Scholar、Sci-Hub、ResearchGate等工具查阅文献资料、配套的数据和代码？如何更好地撰写论文的Discussion部分？如果在算法层面上难以做出原创性的工作，如何结合实际问题提炼与挖掘创新点？）
4.答疑与讨论

MATLAB近红外光谱分析技术及应用

专题一 MATLAB编程基础与进阶（一）
1、MATLAB 安装、版本历史与编程环境
2、MATLAB 基础操作（矩阵操作、逻辑与流程控制、函数与脚本文件）
3、MATLAB文件读写（mat、txt、xls、csv、jpg、wav、avi等格式）

专题二 MATLAB编程基础与进阶（二）
1、MATLAB基本绘图与高级绘图、图片导出与保存、生成SCI期刊要求的图片
2、MATLAB 调试技巧（为什么会给出各种各样的错误信息？常见的错误信息有哪些？如何正确面对错误信息？如何使用断点调试工具？应该去哪些网站寻找答案？）

专题三 BP神经网络及其在近红外光谱分析中的应用（一）
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？BP神经网络建模的本质是什么？）
2、案例演示：BP神经网络的 MATLAB 实现（近红外光谱回归拟合建模）

专题四 BP神经网络及其在近红外光谱分析中的应用（二）
1、怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？ BP神经网络的常用激活函数有哪些？如何使用？）
2、BP神经网络参数的优化（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？）
3、值得研究的若干问题（欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等）
4、案例演示：BP神经网络的 MATLAB 实现（近红外光谱分类识别建模）

专题五支持向量机（SVM）及其在近红外光谱分析中的应用
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除了建模型之外，还可以帮助我们做哪些事情？SVM的启发：样本重要性的排序及样本筛选）
3、LibSVM工具箱的安装与使用
4、案例演示：SVM的MATLAB实现（近红外光谱回归拟合建模）

专题六决策树与随机森林及其在近红外光谱分析中的应用
1、决策树的基本原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）
2、决策树的启发：变量重要性的排序及变量筛选
3、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、案例演示：决策树与随机森林的MATLAB实现（近红外光谱回归拟合建模）

专题七遗传算法及其在近红外光谱分析中的应用
1、群优化算法的前世今生
2、遗传算法（Genetic Algorithm）的基本原理
3、案例演示：基于二进制遗传算法的近红外光谱波长筛选

专题八变量降维算法及其在近红外光谱分析中的应用
1、主成分分析（PCA）、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？）
2、近红外光谱波长选择方法拓展（Filter和Wrapper；前向与后向选择法；区间法；无信息变量消除法等）
3、案例演示：PCA/PLS近红外光谱降维MATLAB实现

专题九卷积神经网络及其在近红外光谱分析中的应用
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
4、案例演示：一维卷积神经网络的MATLAB实现（基于卷积神经网络的近红外光谱建模）

专题十迁移学习及其在近红外光谱分析中的应用
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、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）

多元线性回归，BP神经网络，支持向量机，决策树、随机森林、Adaboost、XGBoost和LightGBM，遗传算法，变量降维与特征选择算法，卷积神经网络，迁移学习，自编码器等在近红外光谱应用_bp神经网络多元回归

第一章 Python入门基础

第二章 Python进阶与提高

第三章 多元线性回归及其在近红外光谱分析中的应用

第四章 BP神经网络及其在近红外光谱分析中的应用

第五章 支持向量机（SVM）及其在近红外光谱分析中的应用

第六章 决策树、随机森林、Adaboost、XGBoost和LightGBM及其在近红外光谱分析中的应用

第七章 遗传算法及其在近红外光谱分析中的应用

第八章 变量降维与特征选择算法及其在近红外光谱分析中的应用

第九章 Pytorch环境搭建与编程入门

第十章 卷积神经网络及其在近红外光谱分析中的应用

第十一章 迁移学习及其在近红外光谱分析中的应用

第十二章 自编码器及其在近红外光谱分析中的应用

第十三章 复习与答疑讨论