时间

授课方式

课程

主要内容

Day 1

08:30-09:00

课程简介

经验分享

第一章Python 入门基础

1、到底应该如何学习编程？应该学习哪种编程语言？为什么Python越来越受欢迎？

2、Python环境搭建（ 下载、安装与版本选择）。

3、如何选择Python编辑器？（IDLE、Notepad++、PyCharm、Jupyter…）

4、Python程序的运行（Hello World）

6、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）

7、常见的错误与程序调试

8、第三方模块的安装与使用

9、文件读写（I/O）

10、Python绘图基础

09:00-12:00

相关知识点复习与巩固

理论讲解与案例演示

实操练习

14:00-16:30

理论讲解与案例演示

实操练习

第二章Python常用模块入门

1、numpy、pandas、matplotlib、scipy等科学计算模块库常用函数简介（下载、安装与使用）

2、scikit-learn机器学习模块库简介（下载、安装与使用）

3、keras深度学习模块库简介（下载、安装与使用）

4、案例讲解

16:30-18:00

理论讲解与案例演示

实操练习

第三章Python 图像处理基础

1、图像的常见格式及读写（彩色图像、灰度图像、二值图像等）

2、图像的基本操作（几何变换、时频域变换等）

3、图像直方图（图像的对比度、亮度等改变）

4、PIL图像处理模块库简介

5、案例讲解

Day 2

08:30-12:00

理论讲解与案例演示

实操练习

第四章

BP神经网络及其Python实现

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、BP神经网络的 Python 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、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、案例演示一：近红外光谱汽油辛烷值预测（回归拟合）

6、案例演示二：MNIST手写数字识别（分类识别）

7、实操练习

14:00-15:00

理论讲解与案例演示

实操练习

第五章

极限学习机及其Python实现

1、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？）

2、ELM 与 BP 神经网络的区别与联系

3、ELM的Python代码实现

4、案例实践：鸢尾花种类识别

15:00-16:30

理论讲解与案例演示

实操练习

知识点总结、延拓

第六章

支持向量机及其Python实现

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？）

3、SVM的Python代码实现 

4、案例实践一：乳腺癌肿瘤诊断

5、案例实践二：混凝土强度预测

16:30-18:00

理论讲解与案例演示

实操练习

知识点总结、延拓

课堂讨论

第七章

决策树、随机森林（组合学习）及其Python实现

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、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？）

3、决策树、随机森林（组合学习）的Python代码实现

4、案例实践：乳腺癌肿瘤诊断

5、知识扩展：决策树除了建模型之外，还可以帮我们做什么事情？怎样解读随机森林的结果？

Day 3

08:30-10:00

理论讲解与案例演示

实操练习

知识点总结、延拓

课堂讨论

第八章

遗传算法及其Python实现

1、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？目前国内外的研究热点在哪些方面？）

2、遗传算法的Python代码实现

3、案例实践一：一元函数的寻优计算（极大值与极小值）

4、案例实践二：离散变量的寻优计算（基于遗传算法的特征变量筛选）

10:00-12:00

理论讲解与案例演示

实操练习

知识点总结、延拓

课堂讨论

第九章：变量降维与特征选择

1、变量降维与特征选择在概念上的区分

2、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、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）

3、案例实践：变量降维与特征选择的Python代码实现

14:00-18:00

理论讲解与案例演示

实操练习

知识点总结、延拓

课堂讨论

第十章

深度学习入门基础与卷积神经网络

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、Python深度学习开源工具箱简介

3、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？）

4、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等典型深度神经网络的区别与联系解读

5、卷积神经网络参数调试技巧

6、keras案例演示一：CNN预训练模型实现物体识别

7、keras案例演示二：利用卷积神经网络抽取抽象特征

8、keras案例演示三：自定义卷积神经网络拓扑结构

9、实操练习

Day 4

08:30-10:00

理论讲解与案例演示

实操练习

第十一章

迁移学习算法及其Python实现

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、基于深度神经网络的迁移学习算法

4、迁移学习算法的Python代码实现

5、案例演示

10:00-12:00

理论讲解与案例演示

实操练习

第十二章

循环神经网络、长短时记忆网络及其Python实现

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、RNN和LSTM的Python代码实现

4、案例演示：时间序列预测（Time Series Forecasting）

14:00-15:30

理论讲解与课题讨论

第十三章

深度学习热门研究方向

1、对抗生成网络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？）

2、GAN的Python代码实现

3、专题讨论：数据VS.模型，孰更重要？（模型泛化性能不好，究竟是孰之过？）

15:30-17:00

理论讲解与案例演示

第十四章

科研与创新方法概述

1、如何查阅文献资料？（你会使用Google Scholar、Sci-Hub、ResearchGate吗？应该去哪些地方查找与论文配套的数据和代码？）

2、如何高效率撰写专业论文？（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？）

3、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？）

4、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？）

17:00-18:00

课堂讨论

复习与答疑

第十五章

讨论与答疑

1、建立微信群，便于后期的讨论与答疑

2、讨论与答疑，解答学员的实际问题

3、相关学习资料分享与拷贝（图书推荐、在线课程推荐等）