https://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247622086&idx=4&sn=a2e310ea4b6e8a40de2fc683215e839b&chksm=fa825c21cdf5d537c8ef826df48d5e4791c48eda7bc53733a14dfaa67613dc76842db5da7104&token=12712543&lang=zh_CN#rd一：Python基础
1、Python环境搭建
2、Python基本语法
3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）
4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）
5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）
6、科学计算模块库
二：PyTorch环境搭建
1、深度学习框架
2、PyTorch
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、CPU版与GPU版的安装方法）
三：PyTorch编程
1、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）
2、张量（Tensor）的常用属性与方法
3、张量（Tensor）的创建
4、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）
5、张量（Tensor）的索引与切片
6、PyTorch的自动求导（Autograd）机制与计算图的理解
7、PyTorch常用工具包及API（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））
四:Python统计分析与可视化
1、统计数据的描述与可视化
2、概率分布与统计推断（离散概率分布：二项分布、泊松分布；连续概率分布：正态分布、均匀分布、指数分布；点估计与区间估计；最大似然估计与贝叶斯估计；假设检验：t检验、卡方检验、F检验；P值与显著性水平等）
3、回归分析（多元线性回归模型；最小二乘法估计；变量选择与模型优化；多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等）
五:Python前向型神经网络
1、BP神经网络的基本原理
2、BP神经网络的Python代码实现
3、PyTorch代码实现神经网络的基本流程
4、Linear模型、Logistic模型、Softmax函数输出、BP神经网络
六：Python决策树、随机森林、XGBoost与LightGBM
1、决策树的工作原理
2、随机森林的工作原理
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、利用ChatGPT4实现决策树、随机森林、XGBoost、LightGBM模型的代码自动生成与运行
七: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
4、遗传算法
5、SHAP法解释特征重要性与可视化
八:PyTorch卷积神经网络
1、深度学习
2、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
（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
九:PyTorch迁移学习
1、迁移学习算法的基本原理
2、基于深度神经网络模型的迁移学习算法
十:PyTorch生成式对抗网络
1、生成式对抗网络GAN
2、GAN的基本原理及GAN进化史
3、GAN的PyTorch代码实现（手写数字生成）
十一:PyTorch RNN与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、时间序列预测（北京市污染物预测）
十二:时间卷积网络（Temporal Convolutional Network, TCN）
1、时间卷积网络（TCN）的基本原理
2、TCN与1D CNN、LSTM的区别与联系
1）时间序列预测：新冠肺炎疫情预测
2）序列-序列分类：人体动作识别
十三:PyTorch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
（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
（3）训练自己的目标检测数据集
第十四: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）
（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
十五:U-Net语义分割
1、语义分割（Semantic Segmentation）
2、U-Net模型的基本原理
3、基于U-Net的多光谱图像语义分割
标签：编码器,Python,模型,编程,神经网络,学习,卷积,PyTorch From： https://blog.csdn.net/2401_87727806/article/details/142908549