时间安排：

上午9：00-12:00 点         下午14:00 -17:00点

第一章

ChatGPT 基础入门

1 、ChatGPT 概述

2 、ChatGPT 对话初体验

3 、GPT-3.5 与 GPT-4 的区别

4 、ChatGPT  科研必备插件（Data  Interpreter 、Wolfram 、WebPilot 、MixerBox Scholar、 ScholarAI 、Show Me 、AskYourPDF 等）

5 、GPT Store 简介

6 、ChatGPT Prompt (提示词)使用技巧（如何更好地向 ChatGPT 提问？常用的 ChatGPT 指 令、为 ChatGPT 设定身份）

7 、案例演示                                    8、实操练习

第二章

融合 ChatGPT4 的文 献检索与综述

1、文献检索方法与技巧总结

2、基于 WebPilot 、MixerBox Scholar、ScholarAI 等 ChatGPT 插件检索参考文献

3、基于 ChatGPT4 的文献总结并撰写综述

4、案例演示                                           5、实操练习

第三章

融合 ChatGPT4 与

Python 的 BP 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？ 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？）

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 、前向神经网络中的 ChatGPT 提示词库讲解

6 、案例实践： 融合 ChatGPT4 与 Python 的 BP 神经网络、极限学习机模型代码自动生成 与运行

7、实操练习

第四章

融合 ChatGPT4 与

Python 的 KNN、贝

叶斯分类与 SVM

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）

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（核函数的作用是什么？什么是支持向量？

4 、SVM 扩展知识（如何解决多分类问题？）

5 、KNN、贝叶斯分类与 SVM 中的 ChatGPT 提示词库讲解

6、案例实践： 融合 ChatGPT4 与 Python 的 KNN、贝叶斯分类、SVM 模型代码自动生成 与运行

7、实操练习

第五章

融合 ChatGPT4 与

Python 的决策树、随

机森林、 XGBoost 与

LightGBM

1、决策树的工作原理（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？

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 、案例实践： 融合 ChatGPT4 与 Python 的决策树、随机森林、XGBoost 、LightGBM 模 型代码自动生成与运行

8.  实操练习

第六章

融合 ChatGPT4 与

Python 的变量降维与

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？粒子群算法、蜻蜓算法、蝙蝠算法、模拟退火算法等与遗传算法的区别与 联系）

5 、PCA 、PLS、特征选择、群优化算法的 ChatGPT 提示词库讲解

6 、案例实践： 融合 ChatGPT4 与 Python 的变量降维与特征选择代码自动生成与运行

7、实操练习

第七章

融合 ChatGPT4 与

Pytorch 的卷积神经网

络

1、深度学习简介（深度学习大事记、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（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？）

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（Convolution 层、Batch Normalization 层、Pooling 层、Dropout 层、 Flatten 层等）

5、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？）

6、卷积神经网络中的 ChatGPT 提示词库讲解

7 、案例实践： 融合 ChatGPT4 与 Pytorch 的卷积神经网络模型代码自动生成与运行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）自定卷积神经网络拓扑结构  

8、实践操作

第八章

融合 ChatGPT4 与

Pytorch 的迁移学习

1 、迁移学习算法的基本原理（为什么需要迁移学习？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、迁移学习中的 ChatGPT 提示词库讲解

4 、案例实践： 融合 ChatGPT4 与 Pytorch 的迁移学习模型代码自动生成与运行

5、实操练习

第九章

融合 ChatGPT4 与

Pytorch 的 RNN、

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 、RNN 与 LSTM 中的 ChatGPT 提示词库讲解

4、案例实践： 融合 ChatGPT4 与 Pytorch 的 RNN 、LSTM 模型代码自动生成与运行

5、实操练习

第十章

融合 ChatGPT4 与

Pytorch 的 YOLO 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 、YOLO 模型中的 ChatGPT 提示词库讲解

4、案例实践： 融合 ChatGPT4 与 Pytorch 的 YOLO 模型代码自动生成与运行

（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

5、实操练习

第十一章

融合 ChatGPT4 与

Pytorch 的自编码器

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、自编码器模型中的 ChatGPT 提示词库讲解

4、案例实践： 融合 ChatGPT4 与 Pytorch 的 YOLO 模型代码自动生成与运行

（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

5、实操练习

第十二章

基于 ChatGPT4 论文

写作

1、基于 ChatGPT4 自动生成论文的总体框架

2、基于 ChatGPT 4 完成论文翻译（中译英、英译中）

3、基于 ChatGPT4 实现论文语法校正

4、基于 ChatGPT4 完成段落结构及句子逻辑润色

5、基于 ChatGPT4 完成论文评审意见的回复

6 、案例演示 7、实操练习

第十三章讨论与答疑

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