Python编程、机器学习与深度学习技术

原文链接：Python编程、机器学习与深度学习技术https://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247610033&idx=6&sn=e6f6ef169e455ac6a51704afeeeabf52&chksm=fa826f56cdf5e640587d3e8254b4a987040013e19e6c242030cbd0bde856a70145102e02c905&token=91118244&lang=zh_CN#rd

一：Python基础

1、Python环境搭建

2、Python基本语法

3、Python流程控制

4、Python函数与对象

5、Matplotlib的安装与图形绘制模块库

二：PyTorch环境搭建

1、深度学习框架

2、PyTorch

3、PyTorch的安装与环境配置

三：PyTorch编程

1、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）

2、张量（Tensor）的常用属性与方法

3、张量（Tensor）的创建

4、张量（Tensor）的运算

5、张量（Tensor）的索引与切片

6、PyTorch的自动求导（Autograd）机制与计算图的理解

7、PyTorch常用工具包及API

四:Python统计分析与可视化

1、统计数据的描述与可视化

2、概率分布与统计推断

3、回归分析

五:Python前向型神经网络

1、BP神经网络的基本原理

2、BP神经网络的Python代码实现

3、PyTorch代码实现神经网络的基本流程

4、Linear模型、Logistic模型、Softmax函数输出、BP神经网络

六：Python决策树、随机森林、XGBoost与LightGBM

1、决策树的工作原理；决策树除了建模型之外，还可以帮我们做什么事情？

2、随机森林的工作原理

3、Bagging与Boosting的区别与联系

4、AdaBoost vs. Gradient Boosting的工作原理

5、常用的GBDT算法框架（XGBoost、LightGBM）

6、决策树、随机森林、XGBoost、LightGBM中的ChatGPT提示词库讲解

7、利用ChatGPT4实现决策树、随机森林、XGBoost、LightGBM模型的代码自动生成与运行

七: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、常见的特征选择方法

4、遗传算法（Genetic Algorithm, GA）的基本原理

5、SHAP法解释特征重要性与可视化

八:PyTorch卷积神经网络

1、深度学习

2、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

4、利用PyTorch构建卷积神经网络

5、卷积神经网络调参技巧

（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

九:PyTorch迁移学习

1、迁移学习算法的基本原理

2、基于深度神经网络模型的迁移学习算法

3、猫狗大战（Dogs vs. Cats）

十:PyTorch生成式对抗网络

1、生成式对抗网络GAN

2、GAN的基本原理及GAN进化史

3、GAN的PyTorch代码实现

十一:PyTorch RNN与LSTM

1、循环神经网络RNN的基本工作原理

2、长短时记忆网络LSTM的基本工作原理

3、时间序列预测（北京市污染物预测）

十二:时间卷积网络（Temporal Convolutional Network, TCN）

1、时间卷积网络（TCN）的基本原理

2、TCN与1D CNN、LSTM的区别与联系

 1）时间序列预测：新冠肺炎疫情预测

2）序列-序列分类：人体动作识别

十三:PyTorch目标检测

1、什么是目标检测？目标检测与目标识别的区别与联系

2、YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别

（1）利用预训练好的YOLO模型实现目标检测（图像检测、视频检测、摄像头实时检测）

（2）数据标注演示（LabelImage使用方法介绍）

（3）训练自己的目标检测数据集

十四:自编码器

1、什么是自编码器（Auto-Encoder, AE）？

2、经典的几种自编码器模型原理

（1）基于自编码器的噪声去除

（2）基于自编码器的手写数字特征提取与重构

（3）基于掩码自编码器的缺失图像重构

十五:U-Net语义分割

1、语义分割（Semantic Segmentation）

2、U-Net模型的基本原理

3、基于U-Net的多光谱图像语义分割