网站 策划广告发布计划怎么写

网站 策划,广告发布计划怎么写,小型创业项目,广东深圳天气预报【内容简介】#xff1a;第一章、ChatGPT与DeepSeek等大语言模型助力AI编程必备技能1、大语言模型提示词#xff08;Prompt#xff09;撰写技巧#xff08;为ChatGPT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#xff09;2、Curs…【内容简介】第一章、ChatGPT与DeepSeek等大语言模型助力AI编程必备技能1、大语言模型提示词Prompt撰写技巧为ChatGPT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和DeepSeek上传本地数据Excel/CSV表格、txt文本、PDF、图片等4、利用ChatGPT和DeepSeek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和DeepSeek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和DeepSeek实现代码逐行讲解7、利用ChatGPT和DeepSeek实现代码Bug调试与修改8、实操练习第二章、Deepseek、ChatGPT助力Python入门基础1、Python环境搭建 下载、安装与版本选择。2、如何选择Python编辑器IDLE、Notepad、PyCharm、Jupyter…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、第三方模块的安装与使用5、Numpy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6、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、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7、实操练习第三章、Deepseek、ChatGPT助力近红外光谱数据预处理1、近红外光谱数据标准化与归一化为什么需要标准化与归一化2、近红外光谱数据异常值、缺失值处理3、近红外光谱数据离散化及编码处理4、近红外光谱数据一阶导数与二阶导数5、近红外光谱数据去噪与基线校正6、近红外光谱数据预处理中的Deepseek、ChatGPT提示词模板讲解7、实操练习第四章、Deepseek、ChatGPT助力多元线性回归近红外光谱分析1、多元线性回归模型工作原理、最小二乘法2、岭回归模型工作原理、岭参数k的选择、用岭回归选择变量3、LASSO模型工作原理、特征选择、建模预测、超参数调节4、Elastic Net模型工作原理、建模预测、超参数调节5、多元线性回归、岭回归、LASSO、Elastic Net的Python代码实现6、多元线性回归中的Deepseek、ChatGPT提示词模板讲解7、案例演示近红外光谱回归拟合建模第五章、Deepseek、ChatGPT助力BP神经网络近红外光谱分析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2、训练集和测试集划分 BP神经网络常用激活函数有哪些如何查看模型参数3、BP神经网络参数隐含层神经元个数、学习率的优化交叉验证4、值得研究的若干问题欠拟合与过拟合、评价指标的设计、样本不平衡问题等5、BP神经网络的Python代码实现6、BP神经网络中的Deepseek、ChatGPT提示词模板讲解7、案例演示 1近红外光谱回归拟合建模2近红外光谱分类识别建模第六章、Deepseek、ChatGPT助力支持向量机SVM近红外光谱分析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的启发样本重要性排序及样本筛选3、SVM的Python代码实现4、SVM中的Deepseek、ChatGPT提示词模板讲解5、案例演示近红外光谱分类识别建模第七章、Deepseek、ChatGPT助力决策树、随机森林、Adaboost、XGBoost和LightGBM近红外光谱分析1、决策树的基本原理什么是信息熵和信息增益ID3和C4.5算法的区别与联系2、随机森林的基本原理与集成学习框架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、Bagging与Boosting集成策略的区别4、Adaboost算法的基本原理5、Gradient Boosting Decision Tree (GBDT)模型的基本原理6、XGBoost与LightGBM简介7、决策树、随机森林、Adaboost、XGBoost与LightGBM的Python代码实现8、决策树、随机森林、Adaboost、XGBoost与LightGBM的Deepseek、ChatGPT提示词模板9、案例演示近红外光谱回归拟合建模第八章、Deepseek、ChatGPT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、Deepseek、ChatGPT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、Deepseek、ChatGPT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torchvisiontransforms、datasets、model、torch.nn、torch.optim、torch.utilsDataset、DataLoader第十一章、Deepseek、ChatGPT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1CNN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、Deepseek、ChatGPT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、Deepseek、ChatGPT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、Deepseek、ChatGPT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、Deepseek、ChatGPT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CAMClass Activation Mapping、梯度类激活映射GRAD-CAM、局部可解释模型-敏感LIMELocal 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、复习与总结、资料分享图书、在线资源、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