https://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247618985&idx=4&sn=cb10b44822eeb8e30eadd9e45fbdcdc4&chksm=fa82504ecdf5d9584a78de0adfc518c159baf1b70b26106a621adf1aa0bfaf1c67b7203e4b7c&token=12712543&lang=zh_CN#rd一：ChatGPT入门基础
1、ChatGPT
2、ChatGPT对话初体验
3、GPT-4与GPT-3.5的区别，以及与国内大语言模型（文心一言、星火等）的区别
4、ChatGPT科研必备插件
5、定制自己的专属GPTs
6、GPT Store
二：ChatGPT提示词使用方法与技巧
1、ChatGPT Prompt
2、常用的ChatGPT提示词模板
3、基于模板的ChatGPT提示词优化
4、利用ChatGPT4 及插件优化提示词
5、通过promptperfect.jina.ai优化提示词
6、利用ChatGPT4 及插件生成提示词
7、ChatGPT4突破Token限制实现接收或输出万字长文
8、控制ChatGPT的输出长度（使用修饰语、限定回答的范围、通过上下文限定、限定数量等）
9、利用ChatGPT4 及插件保存喜欢的ChatGPT提示词并一键调用
10、利用ChatGPT4实现网页版游戏的设计、代码自动生成与运行
三：ChatGPT助力信息检索
1、传统信息检索方法与技巧总结
2、利用ChatGPT4 及插件实现联网检索文献
3、利用ChatGPT4及插件总结分析文献内容
4、利用ChatGPT4 及插件总结Youtube视频内容
四：ChatGPT助理论文写作与投稿
1、利用ChatGPT4自动生成论文的总体框架
2、利用ChatGPT4完成论文翻译
3、利用ChatGPT4实现论文语法校正
4、利用ChatGPT4完成段落结构及句子逻辑润色
5、利用ChatGPT4完成论文评审意见的撰写与回复
五：ChatGPT助力python入门基础
1、Python环境搭建
2、如何选择Python编辑器？
3、Python基础
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）
六：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
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ChatGPT提示词模板
七：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
2、岭回归模型
3、LASSO模型
4、Elastic Net模型
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ChatGPT提示词模板
7、近红外光谱回归拟合建模
八：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
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
4、值得研究的若干问题
5、BP神经网络的Python代码实现
6、BP神经网络中的ChatGPT提示词模板
7、1）近红外光谱回归拟合建模；2）近红外光谱分类识别建模
九：ChatGPT助力支持向量机（SVM）近红外光谱分析
1、SVM的基本原理
2、SVM扩展知识
3、SVM的Python代码实现
4、SVM中的ChatGPT提示词模板
5、近红外光谱分类识别建模
十：ChatGPT助力决策树，随机森林，Adaboost，XGBoost和LighGBM近红外光谱分析
1、决策树的基本原理
2、随机森林的基本原理与集成学习框架
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
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ChatGPT提示词模板
9 、近红外光谱回归拟合建模
十一：ChatGPT助理遗传算法近红外光谱分析
1、群优化算法
2、遗传算法（Genetic Algorithm）的基本原理
3、遗传算法的Python代码实现
4、遗传算法中的ChatGPT提示词模板
5、基于二进制遗传算法的近红外光谱波长筛选
十二：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
3、近红外光谱波长选择算法的基本原理
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ChatGPT提示词模板
6、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
十三：ChatGPT助力pytorch入门基础
1、深度学习框架
2、PyTorch
3、PyTorch的安装与环境配置
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（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））
十四：ChatGPT助力卷积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
2、卷积神经网络的基本原理
3、卷积神经网络参数调试技巧
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
6、卷积神经网络中的ChatGPT提示词模板
7、（1）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
十五：ChatGPT助力近红外光谱迁移学习
1、迁移学习算法的基本原理
2、常用的迁移学习算法
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、基于迁移学习的近红外光谱的模型传递（模型移植）
十六：ChatGPT助力自编码近红外光谱分析
1、自编码器
2、常见的自编码器类型
3、自编码器的Python代码实现
4、自编码器中的ChatGPT提示词模板
5、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
十七：ChatGPT助力U-Net多光谱图像语义分割
1、语义分割（Semantic Segmentation）
2、U-Net模型的基本原理
3、语义分割、U-Net模型中的ChatGPT提示词模板
4、基于U-Net的多光谱图像语义分割
十八：ChatGPT助理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
3、类激活映射CAM（Class Activation Mapping）、梯度类激活映射GRAD-CAM、局部可解释模型-敏感LIME（Local Interpretable Model-agnostic Explanation）等原理
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ChatGPT提示词模板
