阅读全文点击《python从入门到精通——完整教程》

一、编程入门与进阶提高

Python编程入门

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）

Python进阶与提高

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、图形样式的美化（颜色、线型、标记、字体等属性的修改）

5、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）

6、高级图形绘制（3D图、等高线图、棉棒图、哑铃图、漏斗图、树状图、华夫饼图等）

7、坐标轴高阶应用（共享绘图区域的坐标轴、坐标轴刻度样式设置、控制坐标轴的显示、移动坐标轴的位置）

二、科研数据可视化

Seaborn图形绘制

1、Seaborn简介与安装

2、Seaborn基本图像的绘制（统计关系、分类数据、数据集分布等）

3、Seaborn风格与颜色管理

4、Seaborn多图的绘制

Pyecharts图形绘制

1、Pyecahrts简介与安装

2、Pyecharts基础知识（快速绘制图表、认识图表类、配置项、渲染图表）

3、常用图表的绘制（折线图、饼图、圆环图、散点图、柱状图、漏斗图、桑基图等）

4、组合图表的绘制（并行多图、顺序多图、选项卡多图、时间线轮播多图等）

三、信息检索与常用科研工具

1、如何无障碍地访问Google、YouTube等网站？（谷歌访问助手、VPN等）

2、如何查阅文献资料？怎样能够保证对最新论文的追踪？

3、Google Scholar、ResearchGate的使用方法

4、应该去哪些地方查找与论文配套的数据和代码？

5、文献管理工具的使用（Endnote、Zotero等）

6、当代码出现错误时，应该如何高效率解决？

四、科技论文写作与技巧

1、科技论文结构解析（Title、Abstract、Keywords、Introduction、Materials & Methods、Results、Discussion、Conclusion、References）

2、如何高效率撰写专业论文？

3、SCI不同分区的论文差别在哪些地方？

4、从审稿人的角度看，SCI期刊论文需要具备哪些要素？（审稿人关注的点有哪些？如何回应审稿人提出的意见？）

5、如何提炼与挖掘创新点？（如果在算法层面上难以做出原创性的工作，如何结合自己的实际问题提炼与挖掘创新点？）

五、数据预处理与特征工程

数据预处理与特征工程

1、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：算数平均值标准差；数据的分布可视化；数据的相关分析：相关系数）

2、Model-Centric AI与Data Centric AI的本质区别与联系

3、数据异常值、缺失值处理

4、数据离散化及编码处理

5、手动生成新特征

6、数据标准化与归一化（为什么需要标准化与归一化？）

六、多元线性回归

1、多元线性回归模型（回归参数的估计、回归方程的系数）

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）

七、机器学习

前向型神经网络

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？）

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？什么是梯度爆炸与梯度消失？）

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等）

5、案例演示一：近红外光谱汽油辛烷值预测（回归拟合）

6、案例演示二：MNIST手写数字识别（分类识别）

支持向量机、决策树、随机森林、XGBoost和LightGBM

1、SVM的基本原理（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？）

3、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）；决策树除了建模型之外，还可以帮我们做什么事情？

4、随机森林的基本原理（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”提现在哪些地方？随机森林的本质是什么？）怎样可视化、解读随机森林的结果？

5、Bagging与Boosting的区别与联系

6、AdaBoost vs. Gradient Boosting的工作原理

7、 常用的GBDT算法框架（XGBoost、LightGBM）

8、SVM、决策树、随机森林、XGBoost和LightGBM的Python代码实现

9、案例实践一：乳腺癌肿瘤诊断

10、案例实践二：混凝土强度预测

群优化算法

1、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？目前国内外的研究热点在哪些方面？）

2、遗传算法的Python代码实现

3、案例实践一：一元函数的寻优计算（极大值与极小值）

4、案例实践二：离散变量的寻优计算（基于遗传算法的特征变量筛选）

八、深度学习

1、深度学习与传统机器学习的区别与联系（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、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet 等经典深度神经网络的区别与联系

4、Pytorch深度学习框架简介、PyTorch的安装与环境配置

5、PyTorch常用工具包及API简介：张量Tensor的定义、属性、创建、运算、索引与切片、torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader）

6、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet 等）

网络优化调参技巧

1、网络拓扑结构优化

2、优化算法（梯度下降、随机梯度下降、小批量随机梯度下降、动量法、 Adam 等）

3、调参技巧（参数初始化、数据预处理、数据扩增、批量归一化、超参数优化、网络正则化等）

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、基于深度神经网络模型的迁移学习算法

循环神经网络长短时记忆神经网络

1、循环神经网络（RNN）的基本原理

2、长短时记忆神经网络（LSTM）的基本原理

3、RNN与LSTM的区别与联系

生成式对抗网络

1、生成式对抗网络 GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？GAN 给我们带来的启示）

2、GAN 的基本原理

自编码器

1、自编码器的组成及基本工作原理

2、自编码器的变种（栈式自编码器、稀疏自编码器、去噪自编码器、卷积自编码器、掩码自编码器等）及其工作原理

YOLO目标检测算法

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

 阅读全文点击《python从入门到精通——完整教程》