学习内容 |
第一章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力AI编程必备技能详解 1、ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型提示词（Prompt）撰写技巧（为大语言模型设定身份、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、Cursor与Trae等AI编程开发环境简介与演示 3、利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型上传本地数据（Excel/CSV表格、txt文本、PDF、图片等） 4、利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型实现描述性统计分析（数据的频数分析：统计直方图；数据的集中趋势分析：数据的相关分析） 5、利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型实现数据预处理（数据标准化与归一化、数据异常值与缺失值处理、数据离散化及编码处理、手动生成新特征）代码自动生成运行 6、利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型实现代码逐行讲解 7、利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型实现代码Bug调试与修改 8、实操练习 |
第二章：Python基础知识串讲 1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比） 2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释） 3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环） 4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用） 5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套） 6、科学计算模块库（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；Pandas常用函数简介与使用） 7、实操练习 |
第三章：PyTorch简介与环境搭建 1、深度学习框架概述（PyTorch、Tensorflow、Keras等） 2、PyTorch简介（PyTorch的版本、动态计算图与静态计算图、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、CPU版与GPU版的安装方法） 4、实操练习 |
第四章：PyTorch编程入门与进阶 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（dtype、device、layout、requires_grad、cuda等） 3、张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建） 4、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） 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简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader）） 8、实操练习 |
第五章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力前向型神经网络 1、BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？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、BP神经网络的Python代码实现（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？什么是梯度爆炸与梯度消失？） 3、PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update） 4、案例讲解：Linear模型、Logistic模型、Softmax函数输出、BP神经网络 5、值得研究的若干问题（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？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择等） 6、利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2实现BP神经网络模型的代码自动生成与运行 7、实操练习 |
第六章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力KNN、贝叶斯分类与支持向量机 1、KNN分类模型（KNN算法的核心思想、距离度量方式的选择、K值的选取、分类决策规则的选择） 2、朴素贝叶斯分类模型（伯努利朴素贝叶斯BernoulliNB、类朴素贝叶斯CategoricalNB、高斯朴素贝叶斯besfGaussianNB、多项式朴素贝叶斯MultinomialNB、补充朴素贝叶斯ComplementNB） 3、SVM的工作原理（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？） 4、利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2实现KNN、贝叶斯分类与支持向量机模型的代码自动生成与运行 5、案例实践与实操练习 |
第七章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力决策树、随机森林、XGBoost与LightGBM 1、决策树的工作原理 2、随机森林的工作原理（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”体现在哪些地方？随机森林的本质是什么？怎样可视化、解读随机森林的结果？） 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、案例讲解：利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2实现决策树、随机森林、XGBoost、LightGBM模型的代码自动生成与运行 8、实操练习 |
第八章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力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（优化搜索、Filter和Wrapper等；前向与后向选择法；区间法；无信息变量消除法；正则稀疏优化方法等） 4、遗传算法（Genetic Algorithm, GA）的基本原理（以遗传算法为代表的群优化算法的基本思想是什么？选择、交叉、变异三个算子的作用分别是什么？） 5、SHAP法解释特征重要性与可视化（Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释） 6、案例讲解：利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2实现变量降维与特征选择的代码自动生成与运行 7、实操练习 |
第九章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力卷积神经网络 1、深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo） 2、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？） 3、卷积神经网络的基本原理（什么是卷积核、池化核？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？） 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、卷积神经网络调参技巧（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？） 7、案例讲解与实践：利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2实现卷积神经网络模型的代码自动生成与运行 案例讲解与实践-1：CNN预训练模型实现物体识别 案例讲解与实践-2：利用卷积神经网络抽取抽象特征 案例讲解与实践-3：自定义卷积神经网络拓扑结构 8、实操练习 |
第十章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力迁移学习 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、基于深度神经网络模型的迁移学习算法 3、案例讲解：利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2实现迁移学习的代码自动生成与运行 4、实操练习 |
第十一章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力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、案例讲解：利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2实现LSTM神经网络模型的代码自动生成与运行 4、实操练习 |
第十二章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力目标检测 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 3、案例讲解：利用ChatGPT和DeepSeek实现YOLO的代码自动生成与运行 案例讲解-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） 案例讲解-2：数据标注演示（LabelImage使用方法介绍） 案例讲解-3：训练自己的目标检测数据集 4、实操练习 |
第十三章：ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2等大语言模型助力自编码器 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介绍（AE、Denoising AE, Masked AE） 3、案例讲解：利用ChatGPT 5.2、Gemini-3.1 Pro、DeepSeek V3.2实现自编码器的代码自动生成与运行 案例讲解-1：基于自编码器的噪声去除 案例讲解-2：基于自编码器的手写数字特征提取与重构 案例讲解-3：基于掩码自编码器的缺失图像重构 4、实操练习 |
第十四章：复习与答疑讨论 1、课程相关资料拷贝与分享 2、答疑与讨论（大家提前把问题整理好） |
