AI人工智能实践技术系统性教学方案

 郁磊老师【副教授】 ：长期从事Python、Matlab机器学习及深度学习等研究工作，具备良好的数学及信号处理基础，熟悉如神经网络、支持向量机、决策树、随机森林等，以及群优 化算法，如遗传算法、蚁群算法、蝙蝠算法等，近些年一直在对深度学习核心技术进行研究，主持参与多项相关重点项目研发及基因项目，且精通多种编程工具，如 MATLAB、Python、 C++、C#、VB、Java、Qt 等。熟悉各种时域、频域和非线性分析方法，如傅里叶变换、小波变换、李雅普诺夫指数、 多尺度熵、压缩感知等，以及各种特征选择与降维方法，如主成分分析、随机投影、互信息、 非负矩阵分解、稀疏优化等。熟悉数据库及网络编程，擅长 Apache + MySQL + PHP 架构开发，以及移动端 Android App 开发等。熟悉可穿戴设备硬件系统的开发，具备心电、肌电、血压、血氧饱和度、惯性传感器等 生理信号采集系统的开发经验。同时，熟悉常用的无线传感器网络通信协议，如 ZigBee、 Wifi、Bluetooth 等。开展Python相关课程多大百余场，发布多篇论文并著有《神经网络 43 个案例分析》和《智能算法 30 个案例分析（第二版）》等。

【详情链接】:  AI人工智能实践技术系统性教学方案http://mp.weixin.qq.com/s?__biz=MzU5NTkyMzcxNw==&tempkey=MTE5MV9Rb2JKRHN1UXV5ZFhDa0lIdlVDZ0tONWZueUU2cWE0cEVVdlhmYnlBSXlHOFhPcTktOGpYWUktSmE1bGtjWURnWW5VTmlRc1d0SlREMzJLWlU5ZVJGaVpoTnRPYlpnV1lkVTFvVDBYRDhMUkZiQjJva1Fid2V5UUgzZ0RaWXM2cTU3NjdFMVAzQzg3LWRPMWdHNGI3c3lwUXBhdlhMU0p6YjYzUUpnfn4%3D&chksm=fe68a797c91f2e81b74b4adb2bab7b145307e5c74289774130739521a85e330a3d9bb0020a28&token=1103412836&lang=zh_CN#rd

---

【内容详情】：

模块一、编程入门与进阶提高 :

Python编程入门 ：

1. 1、Python环境搭建（ 下载、安装与版本选择）。
2. 2、如选择Python编辑器？（IDLE、Notepad++、PyCharm、Jupyter…）
3. 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. 4、常见的错误与程序调试
5. 5、第三方模块的安装与使用
6. 6、文件读写（I/O）
7. 7、实操练习

Python进阶与提高 ： 

• 1、Numpy模块库（Numpy的1、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、图形样式的美化（颜色、线型、标记、字体等属性的修改）
• 5、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）
• 6、高级图形绘制（3D图、等高线图、棉棒图、哑铃图、漏斗图、树状图、华夫饼图等）
• 7、坐标轴高阶应用（共享绘图区域的坐标轴、坐标轴刻度样式设置、控制坐标轴的显示、移动坐标轴的位置）

模块二、科研数据可视化 ：

Seaborn图形绘制 :

1. 1、Seaborn简介与安装
2. 2、Seaborn基本图像的绘制（统计关系、分类数据、数据集分布等）
3. 3、Seaborn风格与颜色管理
4. 4、Seaborn多图的绘制
5. 5、实操练习

 Bokeh图形绘制 :

1. 1、Bokeh简介与安装
2. 2、Bokeh基本图形的绘制（散点图、气泡图、折线图、时间序列、柱状图、直方图、饼图、环图、旭日图、雷达图、箱线图、面积图、色块图、仪表盘、火柴图、关系图等）
3. 3、数据类型与转换（列表List、字典Dict、Numpy数组、Pandas DataFrame、Bokeh ColumnDataSource等）
4. 4、视图属性（主题、配色、属性、数据交互等）
5. 5、实操练习

Pyecharts图形绘制 :

1. 1、Pyecahrts简介与安装
2. 2、Pyecharts基础知识（快速绘制图表、认识图表类、配置项、渲染图表）
3. 3、常用图表的绘制（折线图、饼图、圆环图、散点图、柱状图、漏斗图、桑基图等）
4. 4、组合图表的绘制（并行多图、顺序多图、选项卡多图、时间线轮播多图等）
5. 5、实操练习

模块三、信息检索与常用科研工具 ：

信息检索与常用科研工具

1. 1、如何无障碍地访问Google、YouTube等网站？（谷歌访问助手、VPN等）
2. 2、如何查阅文献资料？怎样能够保证对最新论文的追踪？
3. 3、Google Scholar、ResearchGate的使用方法
4. 4、应该去哪些地方查找与论文配套的数据和代码？
5. 5、文献管理工具的使用（Endnote、Zotero等）
6. 6、当代码出现错误时，应该如何高效率解决？
7. 7、实操练习 

模块四、科技论文写作与技巧 ：

1. 1、科技论文结构解析（Title、Abstract、Keywords、Introduction、Materials & Methods、Results、Discussion、Conclusion、References）
2. 2、如何高效率撰写专业论文？
3. 3、SCI不同分区的论文差别在哪些地方？你知道你的论文为什么显得很单薄吗？
4. 4、从审稿人的角度看，SCI期刊论文需要具备哪些要素？（审稿人关注的点有哪些？如何回应审稿人提出的意见？）
5. 5、如何提炼与挖掘创新点？（如果在算法层面上难以做出原创性的工作，如何结合自己的实际问题提炼与挖掘创新点？）
6. 6、实操练习

模块五、传统机器学习 ：

前向型神经网络 ：

1. 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. 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. 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. 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. 5、案例演示一：近红外光谱汽油辛烷值预测（回归拟合）
6. 6、案例演示二：MNIST手写数字识别（分类识别）
7. 7、实操练习

 支持向量机、决策树与随机森林 ：

1. 1、SVM的基本原理（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？）
2. 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？）
3. 3、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）；决策树除了建模型之外，还可以帮我们做什么事情？
4. 4、随机森林的基本原理（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”提现在哪些地方？随机森林的本质是什么？）怎样可视化、解读随机森林的结果？
5. 5、SVM、决策树、随机森林的Python代码实现
6. 6、案例实践一：乳腺癌肿瘤诊断

模块六、深度学习 ：

卷积神经网络 ：

1. 1、深度学习与传统机器学习的区别与联系（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. 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. 3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet 等经典深度神经网络的区别与联系
4. 4、Pytorch深度学习框架简介、PyTorch的安装与环境配置
5. 5、PyTorch常用工具包及API简介：张量Tensor的定义、属性、创建、运算、索引与切片、torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader）
6. 6、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet 等）
7. 7、案例讲解：
8. （1）CNN 预训练模型实现物体识别
9. （2）利用卷积神经网络抽取抽象特征
10. （3）自定义卷积神经网络拓扑结构
11. （4）1D CNN 模型解决回归拟合预测问题

• 8、实操练习

网络优化调参技巧 ：

1. 1、网络拓扑结构优化
2. 2、优化算法（梯度下降、随机梯度下降、小批量随机梯度下降、动量法、 Adam 等）
3. 3、调参技巧（参数初始化、数据预处理、数据扩增、批量归一化、超参数优化、网络正则化等） 4、案例讲解：卷积神经网络模型优化
4. 5、实操练习

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：猫狗大战（Dogs vs. Cats）
4. 实操练习
6. 循环神经网络长短时记忆神经网络时间卷积网络 ：
7. 1、循环神经网络（RNN）的基本原理
8. 2、长短时记忆神经网络（LSTM）的基本原理
9. 3、时间卷积网络（TCN）的基本原理
10. 4、RNN、LSTM与TCN的区别与联系
11. 5、案例讲解：
12. 1）时间序列预测：新冠肺炎疫情预测
13. 2）序列-序列分类：人体动作识别
14. 6、实操练习

生成式对抗网络 ：

1. 生成式对抗网络 GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？GAN 给我们带来的启示）
2. GAN 的基本原理
3. 案例讲解：GAN 的 Python 代码实现（向日葵花图像的自动生成）
4. 实操练习

YOLO目标检测算法 ：

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
3. 从 YOLO v1 到 v5 的进化之路
4. 案例讲解： (1)使用预训练模型实现图像、视频等实时目标检测 (2)训练自己的数据集：新冠疫情佩戴口罩识别
5. 实操练习

自编码器 ：

1. 1、自编码器的组成及基本工作原理
2. 2、自编码器的变种（栈式自编码器、稀疏自编码器、去噪自编码器、卷积自编码器、掩码自编码器等）及其工作原理
3. 3、案例讲解：基于自编码器的图像分类
4. 4、实操练习

 答疑讨论 ：

1. 相关学习资料分享与拷贝（图书推荐、在线课程推荐等）
2. 建立微信群，便于后期的讨论与答疑
3. 答疑讨论（提前把问题准备好）