Python由荷兰国家数学与计算机科学研究中心的吉多·范罗苏姆于1990年代初设计，作为一门叫作ABC语言的替代品。
[1] Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，
[2] 随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。
[3] Python在各个编程语言中比较适合新手学习，Python解释器易于扩展，可以使用C、C++或其他可以通过C调用的语言扩展新的功能和数据类型。
[4] Python也可用于可定制化软件中的扩展程序语言。
Python丰富的标准库，提供了适用于各个主要系统平台的源码或机器码。
第一天
模块一、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） 7、实操练习 |
| 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） 8、实操练习 |
作业：
根据给定的图像处理算法，编写相应的Python程序，实现图像的读取、处理和结果存储等功能。
第二天
模块二、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 5、实操练习 |
| 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） 5、实操练习 |
作业：
对给定的原始数据进行基本的统计分析，并以可视化的方式将分析结果予以呈现。
模块三、信息检索与常用科研工具
| 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？ 7、实操练习 |
作业：
检索自己的研究方向内，国内外做的最好的各五个团队，列出同行专家姓名、最相关的代表性论文10篇。
第三天
模块四、科技论文写作与技巧
| 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？） 6、实操练习 |
作业：
自拟一个选题（或根据给定的选题），搭建论文初步框架，并完成Introduction部分的撰写（包括对国内外相关文献的综述）。
模块五、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？） 7、实操练习 |
作业：
对给定的原始数据进行预处理与特征工程处理，并以可视化的方式将处理结果予以呈现。
模块六、多元线性回归
| 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） 5、案例实践 6、实操练习 |
作业：
以“数据为中心”为原则，对给定的数据集进行建模，建模方法统一用随机森林，着重对数据预处理、特征提取、数据增强等建模前步骤的分析，以及对建模结果的深入分析讨论与优化，撰写研究报告一份。
第四天、
模块七、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） 7、实操练习 |
| 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 11、实操练习 |
第五天
| 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） 5、实操练习 |
| 变量降维 特征选择 |
1、变量降维与特征选择在概念上的区分 2、主成分分析（PCA）、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、常见的特征选择方法（优化搜索、Filter和Wrapper等；前向与后向选择法；区间法；无信息变量消除法；正则稀疏优化方法等） 4、案例实践：变量降维与特征选择的Python代码实现 5、实操练习 |
第六天
模块八、深度学习
| 卷积神经网络 |
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） 7、案例讲解： （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）1D CNN 模型解决回归拟合预测问题 8、实操练习 |
| 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） 4、案例讲解：卷积神经网络模型优化 5、实操练习 |
作业：
自拟选题（或根据给定的选题），利用深度学习方法建立模型，并对模型参数进行优化，撰写研究报告一份。
第七天
| 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 3、案例讲解：猫狗大战（Dogs vs. Cats） 4、实操练习 |
| 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 4、案例讲解： 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 5、实操练习 |
| 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 3、案例讲解：GAN 的 Python 代码实现（向日葵花图像的自动生成） 4、实操练习 |
| 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 3、案例讲解：基于自编码器的图像分类 4、实操练习 |
第八天
| 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 3、案例讲解： (1)使用预训练模型实现图像、视频等实时目标检测 (2)训练自己的数据集：新冠疫情佩戴口罩识别 4、实操练习 |
模块九、答疑讨论
| 答疑讨论 |
1、相关学习资料分享与拷贝（图书推荐、在线课程推荐等） 2、建立微信群，便于后期的讨论与答疑 3、答疑讨论（提前把问题准备好） |
https://mp.weixin.qq.com/s?__biz=MzU0MDQ3MDk3NA==&mid=2247558999&idx=4&sn=5fa6701855357cb2f9027de4fda42c80&chksm=fb3b1c86cc4c95905005671e60a65d3724065d0953ad2268974a4aa9c19f0bfd81e4404e6fc3&token=148639736&lang=zh_CN#rd