培训费、会议费、资料费、技术咨询费，配有盖章文件，用于参会人员报销使用；

非会员费用：3680元 

Ai尚研修会员费用：会员政策参会

第一章、大语言模型助力AI编程必备技能详解

第二章、AI大语言模型助力Python入门基础

第三章、AI大语言模型助力近红外光谱数据预处理

第四章、AI大语言模型助力多元线性回归近红外光谱分析

第五章、AI大语言模型助力BP神经网络近红外光谱分析

第六章、AI大语言模型助力支持向量机（SVM）近红外光谱分析

第七章、AI大语言模型助力决策树、随机森林、Adaboost、XGBoost和LightGBM近红外光谱分析

第八章、AI大语言模型助力遗传算法近红外光谱分析

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、遗传算法中的Deepseek、ChatGPT提示词模板讲解

5、案例演示：基于二进制遗传算法的近红外光谱波长筛选

第九章、AI大语言模型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Deepseek、ChatGPT提示词模板讲解

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

第十章、AI大语言模型助力Pytorch入门基础

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））

第十一章、AI大语言模型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提示词模板讲解

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。

第十二章、AI大语言模型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）

第十三章、AI大语言模型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Deepseek、ChatGPT提示词模板讲解

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

第十四章、AI大语言模型助力U-Net多光谱图像语义分割

1、语义分割（Semantic Segmentation）简介

2、U-Net模型的基本原理

3、语义分割、U-Net模型中的Deepseek、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

第十五章、AI大语言模型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）等原理讲解

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Deepseek、ChatGPT提示词模板讲解

6、案例演示

第十六章、复习与答疑讨论

1、课程复习与总结、资料分享（图书、在线课程资源、源代码等）

2、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？）

3、答疑与讨论（大家提前把问题整理好）