近红外光谱
阿里云国际版折扣https://www.yundadi.com |
阿里云国际,腾讯云国际,低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号:monov8 飞机:@monov6 |
第一章 Python入门基础 【理论讲解与案例演示实操练习】
第一n入门基础
【理论讲解与案
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、常见的错误与程序调试
5、第三方模块的安装与使用
6、文件读写I/O
7、实操练习
第二章 Python进阶与提高 【理论讲解与案例演示实操练习】
1、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
2、Pandas模块库DataFrame数据结构、表格的变换、排序、拼接、融合、分组操作等
3、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
4、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
5、Scikit-Learn模块库简介、下载与安装
6、实操练习
第三章 多元线性回归及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
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、案例演示近红外光谱回归拟合建模
第四章 BP神经网络及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
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、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 BP神经网络的常用激活函数有哪些如何查看模型的参数
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、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ELM 与 BP 神经网络的区别与联系
6、BP神经网络、极限学习机的Python代码实现
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
第五章 支持向量机SVM及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
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SVM的启发样本重要性的排序及样本筛选
3、SVM的Python代码实现
4、案例演示近红外光谱分类识别建模
第六章 决策树、随机森林、Adaboost、XGBoost和LightGBM及其在近红外光谱分析中的应用 【理论讲解与案例演示实操练习】
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、决策树的启发变量重要性的排序及变量筛选
3、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
4、Bagging与Boosting集成策略的区别
5、Adaboost算法的基本原理
6、Gradient Boosting Decision Tree (GBDT)模型的基本原理
7、XGBoost与LightGBM简介
8、决策树、随机森林、Adaboost、XGBoost与LightGBM的Python代码实现
9、案例演示近红外光谱回归拟合建模
第七章 遗传算法及其在近红外光谱分析中的应用 【理论讲解与案例演示实操练习】
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、案例演示基于二进制遗传算法的近红外光谱波长筛选
第八章 变量降维与特征选择算法及其在近红外光谱分析中的应用 【理论讲解与案例演示实操练习】
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的Python代码实现
5、特征选择算法的Python代码实现
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
第九章 Pytorch环境搭建与编程入门 【理论讲解与案例演示实操练习】
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
第十章 卷积神经网络及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】光谱分析中的应用【理论讲解与案例演示实操练习】
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
4、卷积神经网络的Python代码实现
5、案例演示基于卷积神经网络的近红外光谱建模
第十一章 迁移学习及其在近红外光谱分析中的应用 【理论讲解与案例演示实操练习】
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
第十二章 自编码器及其在近红外光谱分析中的应用 【理论讲解与案例演示实操练习】
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、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
第十三章 复习与答疑讨论
1、课程复习与总结知识点梳理
2、资料分享图书、在线课程资源、源代码等
3、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部分如果在算法层面上难以做出原创性的工作如何结合实际问题提炼与挖掘创新点
4、答疑与讨论大家提前把问题整理好
基于Python近红外光谱分析与机器学、深度学习方法融合技术应用