2024年AI学术系列丨AI助力Python师资培训

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

在数字化时代，人工智能（AI）正以其惊人的速度和影响力重塑着学术研究的每一个角落。

随着技术的进步，AI不仅在数据分析、模式识别和机器学习中扮演着关键角色，更在Python编程教育领域展现出其独特的价值。

然而，在这个由数据驱动的时代，要想真正掌握AI的力量并将其应用于学术研究，我们需要的不仅是理论知识，更需要的是实践经验和专业指导。

这正是JG学术培训推出这两门专注于AI与Python结合使用的师资培训课程的初衷。

与领域内的顶尖学者一起，深入探索AI在Python学术中的应用，解锁学术研究的新维度。

在这里，您将获得：

√ 前沿知识：掌握AI在爬虫技术和文本分析中的最前沿应用；

√ 实战技能：通过案例学习，提升使用AI工具进行科研教学和论文写作发表的能力；

√ 学术洞察：学习如何利用AI大模型提升机器学习的掌握效率，增强研究的深度和广度。

AI辅助学术研究的新篇章-爬虫+文本分析+机器学习

课程讲师：

陈远祥，北京邮电大学教授，博士生导师，北京大学博士，北京大学优秀博士后，数据分析与机器学习资深讲师。

发表SCI/EI学术论文100余篇，其中第一或通讯作者论文60余篇，授权国家发明专利20余项，出版人工智能书籍2部。主持国家自然科学基金面上项目，国家重点研发计划课题，国家自然科学基金青年项目及博士后基金等多个国家级和省部级项目。IEEE、OSA会员，多个SCI期刊审稿人。曾给中国移动，中国电信，中国银行，国家电网等多个企业和高校做过人工智能相关的课程培训。授课风格通俗易懂，深入浅出，大量的实战案例，广受学员好评。

课程一：Python师资培训 - 爬虫与文本分析遇见AI

课程信息：

时长：爬虫12小时，文本分析12小时

方式：在线学习，提供资料及授课老师答疑

课程介绍：

教授Python在网络爬虫和文本分析领域的应用。将学习如何高效地从网络获取结构化和非结构化数据，并利用这些数据进行深入分析。课程内容覆盖了从爬虫基础到高级技术，以及文本分析的原理和实战应用。

课程特色：

全面覆盖：从爬虫的基本原理到AI辅助爬虫技术，全面覆盖数据采集的各个方面。

实战案例：通过实际案例教授如何使用Beautiful Soup、Xpath、Selenium等工具进行数据爬取。

全面技能：深入讲解正则表达式、文本清洗、分词、词性标注等文本处理技术。

AI融合：结合AI技术，教授如何利用机器学习和深度学习模型进行高级文本分析。

课程大纲：

1. 爬虫与文本分析概述

目标：了解爬虫和文本分析常见应用场景，如何高效挖掘文本价值

1) 爬虫常见应用场景，结构化数据/文本数据的获取方法概述

2) 高效的编程语言实现结构化数据处理与文本分析的价值

2. 爬虫基础

目标：掌握爬虫基本概念，爬虫基本流程，掌握网页基础知识，学会简单网页制作

1) 什么是网络爬虫

2) 爬虫的基本原理

3) web网页基础

4) 爬虫基本流程

3. 页面解析和数据存储

目标：掌握正则表达式的用法，学会利用正则表达式进行文本信息提取，掌握常见文本信息存储方法

1) 基于正则表达式的文本信息提取

2) 文本文件存储

3) JSON文件存储

4. urllib和requests

目标：掌握两种基本的请求发送方法，通过案例展示，实现单页和多页数据爬取，掌握动态页面爬取方法，掌握模拟登录，IP代理常用方法，实现高效率、大规模的网络爬取

1) 请求头的构造

2) get请求与post请求

3) 单页和多页数据的爬取

4) 动态页面的数据爬取

5) 模拟登录

6) 代理的基本使用

7) 高效代理池的维护

5. Beautiful Soup和Xpath

目标：通过案例，掌握两种高效的网页信息解析和提取方法，实现网络数据的高效提取

1) Beautiful Soup简介

2) Beautiful Soup的页面解析

3) Beautiful Soup节点选择方法

4) 什么是Xpath

5) Xpath常用匹配规则

6) Xpath的节点选择

6. Selenium和Playwright

目标：通过案例，掌握动态渲染页面的两种自动化的爬虫方法

1) Selenium的安装与配置

2) Selenium的基本使用

3) 页面的访问与节点定位

4) 节点信息的获取

5) Playwright的安装

6) Playwright的编写模式

7) Playwright代码生成

8) Playwright的常用操作方法

7. 验证码的处理

目标：针对验证码反爬虫机制，掌握几种常用验证码识别方法

1) OCR识别验证码

2) 图像匹配识别滑动验证码

3) 深度学习识别滑动验证码

8. Scrapy和分布式爬虫

目标：掌握scrapy爬虫框架和常用方法，理解分布式爬虫原理

1) scrapy框架介绍

2) scrapy入门

3) scrapy的节点选择

4) Spider的用法

5) 分布式爬虫原理

6) 分布式爬虫部署

9. 基于AI辅助的网络爬虫

目标：利用AI辅助爬虫，提高爬虫效率

1) 自动提取信息

2) 适应动态网页

3) 突破反爬机制

10. 文本分析概述

目标：掌握文本分析的基本概念，文本分析的发展历程，文本分析流程和挑战

1) 文本数据与文本分析

2) 自然语言处理的流派

3) 文本分析的常见应用

4) 文本分析的层次

5) 文本分析的流程

6) 文本分析的挑战

11. 文本单元的提取与标注

目标：掌握文本常用清洗方法，分词原理和方法，词性标注方法

1) 文本清洗

2) 分词

3) 词性标注

12. 文本特征的选取与表示

目标：掌握文本的常用结构化表示方法，利用多种方法实现文本特征提取，理解每种特征提取的优缺点

1) 文本向量化

2) 词袋模型

3) TF-IDF

4) Word2Vec

5) GloVe

6) Doc2vec

13. 关键词提取

目标：掌握三种关键词提取方法

1) TF-IDF

2) Text Rank

3) LDA

14. 文本分析的应用

目标：掌握文本分析的常见应用，和传统的机器学习方法结合，实现文本的分类，聚类，摘要提取，情感分析等功能

1) 文字云

2) 文本分类

3) 文本聚类

4) 文本摘要

5) 情感分析

15. 基于深度学习的文本分析技术

目标：掌握最新的深度学习在文本分析中的应用，包括RNN，LSTM,CNN，注意力，Transformer等模型和机制的引入

1) RNN

2) Bi-LSTM

3) text CNN

4) GRU

5) 注意力机制

6) BERT和Transformer

16. 基于AI辅助的文本分析

目标：AI辅助文本分析，高效提取文本价值

1) 文本摘要

2) 文本翻译

3) 文本分类

4) 文本聚类

5) 情感分析

课程二：Python师资培训 - AI辅助机器学习与学术应用

课程信息：

时间：2024年10月1-5日（五天）

方式：北京现场班, 同步远程直播; 均提供录播回放

课程介绍：

本课程旨在为参与者提供一个全面的AI和机器学习知识体系，特别强调AI大模型在学术研究和机器学习中的应用。通过5天的密集培训，学员将深入理解AI大模型的基本原理，掌握其在数据清洗、信息检索、论文撰写、机器学习建模等方面的实战技能。

课程特色：

1. AI大模型基础：从GPT的入门到AI大模型如何辅助学术研究，为学员打下坚实的理论基础。

2. 提示词技巧：教授如何设计有效的提示词，控制输出长度，突破token限制，提高与AI的交互效率。

3. 学术应用：介绍学术常用GPTs，定制专属GPTs，以及如何利用大模型进行信息检索、内容摘要和文献信息提取。

4. 实战案例：通过KNN、决策树、贝叶斯网络、支持向量机、线性回归与逻辑回归、随机森林等算法的实战案例，使学员能够将理论知识应用于解决实际问题。

5. 数据科学技能：涵盖数据清洗、预处理、特征选择与生成等关键数据科学技能。

6. 权威师资：由985高校教授、国际杂志评审专家亲授，具有丰富的人工智能研发经验和教学背景，确保课程内容的权威性和实用性。

课程内容：

第一部分：AI大模型入门与学术应用（1天）

1. 大模型基础入门

1) 了解GPT

2) GPT基本原理

3) GPT和传统搜索引擎的比较

4) 大模型如何辅助学术研究

2. 提示词使用方法与技巧

1) 提示词要素

2) 提示词设计技巧

3) 常用提示词模板

4) 辅助提示词生成

5) 控制GPT的输出长度

6) 让GPT突破token限制

3. 学术常用GPTs

1) GPT Store简介

2) 学术常用GPTs

3) 定制学术专属GPTs

4. 大模型辅助的信息检索与分析

1) 传统信息检索方法与技巧总结

2) 利用GPTs实现联网检索文献

3) 利用大模型进行内容摘要

4) 利用大模型进行文献信息提取

5. 大模型辅助论文撰写、投稿

1) 大模型作为论文撰写、投稿的辅助工具

2) 学术论文撰写的基本结构和要素

3) 大模型辅助研究设计

4) 大模型进行论文润色

5) 大模型进行论文降重、重复改写和翻译

6) 大模型辅助进行论文投稿

6. 大模型辅助的数据清洗与预处理

1) 描述性统计分析与可视化

2) 数据探索性分析

3) 数据清洗

4) 标准化与归一化

5) 异常值与缺失值处理

6) 离散化及编码处理

7) 特征选择与生成

第二部分：AI大模型辅助机器学习学术应用（4天）

1. 大模型辅助的机器学习学术应用介绍

1) 机器学习基本思想

2) 机器学习分类

3) 常用机器学习算法

4) 机器学习评价标准

5) 机器学习算法库介绍

6) 大模型的架构与工作原理

7) 大模型在机器学习中的优势

8) 如何利用大模型辅助机器学习

2. 大模型辅助的机器学习算法与实战

1) 基于大模型的机器学习算法推荐

2) 基于大模型的机器学习建模

3) KNN：

    KNN算法原理，KNN用于分类和回归，KNN模型的优化与调参，利用大模型对knn进行建模，利用大模型进行knn代码生成，利用大模型对建模结果的详细解释和可视化，knn的优缺点分析

    综合案例应用：波士顿房价预测

4) 决策树：

    决策树算法原理，决策树分类，决策树用于分类和回归实现，决策树参数优化，决策树的可视化，利用大模型对决策树进行建模，利用大模型进行决策树代码生成，决策树的可视化与解释

    综合案例应用：利用决策树进行保险行业用户画像

5) 线性回归与逻辑回归：

    回归模型基本原理，回归模型中的正则化，从线性回归到逻辑回归，回归模型的实现和参数优化，利用大模型对线性回归和逻辑回归进行建模，利用大模型进行回归代码生成，回归模型的解释

    综合案例应用：数字化人力资源之员工流失风险预警

6) 贝叶斯网络：

    贝叶斯分类原理，朴素贝叶斯，贝叶斯模型分类，贝叶斯模型的优缺点和局限性，利用大模型对贝叶斯进行建模，利用大模型进行贝叶斯网络代码生成，贝叶斯模型解释，综合案例应用

    综合案例应用：利用贝叶斯进行新闻分类

7) 支持向量机：

    支持向量机分类原理，线性SVM和非线性SVM，SVM中的核函数，大模型辅助贝叶斯核函数的选择，利用大模型进行支持向量机代码生成，模型解释

    综合案例应用：支持向量机人脸识别

8) 随机森林与集成学习：

    决策树与随机森林，随机森林原理，随机森林的实现与参数调优，集成学习，随机森林用于特征选择，大模型辅助的随机森林建模，利用大模型进行集成学习代码生成，模型调参和评估

    综合案例应用：随机森林船员生存预测

新课首发福利：

赠送Python师资培训-编程基础与数据清洗先导课（15小时+），价值1300元

课程咨询：

尹老师

电话：13321178792

QQ：42884447

WeChat：JGxueshu

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：python 师资培训 国家自然科学基金青年项目 beautiful transform

看看，学习学习

谢谢分享！

点赞楼主分享的专业资讯，大有裨益！

学习是我们一生不变的选择！

支持一下了