第一章：ChatGPT与DeepSeek等大语言模型助力AI编程必备技能

1、大语言模型提示词

2、Cursor与Trae等AI编程开发环境

3、利用ChatGPT和DeepSeek上传本地数据

4、利用ChatGPT和DeepSeek实现描述性统计分析

5、利用ChatGPT和DeepSeek实现数据预处理

6、利用ChatGPT和DeepSeek实现代码逐行

7、利用ChatGPT和DeepSeek实现代码Bug调试与修改

第二章：Deepseek、ChatGPT助力Python入门基础

1、Python环境搭建

2、如何选择Python编辑器？

3、Python基础4、第三方模块的安装与使用

5、Numpy模块库

6、Matplotlib基本图形绘制第三章：Deepseek、ChatGPT助力近红外光谱数据预处理

1、近红外光谱数据标准化与归一化

2、近红外光谱数据异常值、缺失值处理

3、近红外光谱数据离散化及编码处理

4、近红外光谱数据一阶导数与二阶导数

5、近红外光谱数据去噪与基线校正

6、近红外光谱数据预处理中的Deepseek、ChatGPT提示词模板

第四章：Deepseek、ChatGPT助力多元线性回归近红外光谱分析

1、多元线性回归模型

2、岭回归模型

3、LASSO模型

4、Elastic Net模型

5、多元线性回归、岭回归、LASSO、Elastic Net的Python代码实现

6、多元线性回归中的Deepseek、ChatGPT提示词模板

第五章：Deepseek、ChatGPT助力BP神经网络近红外光谱分析

1、BP神经网络的基本原理

2、训练集和测试集划分？ BP神经网络常用激活函数有哪些？如何查看模型参数？

3、BP神经网络参数的优化

4、值得研究的若干问题

5、BP神经网络的Python代码实现

6、BP神经网络中的Deepseek、ChatGPT提示词模板

第六章：Deepseek、ChatGPT助力支持向量机近红外光谱分析

1、SVM的基本原理

2、SVM扩展知识

3、SVM的Python代码实现

4、SVM中的Deepseek、ChatGPT提示词模板

第七章：Deepseek、ChatGPT助力决策树、随机森林、Adaboost、XGBoost和LightGBM近红外光谱分析

1、决策树的基本原理

2、随机森林的基本原理与集成学习框架

3、Bagging与Boosting集成策略的区别

4、Adaboost算法的基本原理

5、Gradient Boosting Decision Tree 模型的基本原理

6、XGBoost与LightGBM简介

第八章：Deepseek、ChatGPT助力遗传算法近红外光谱分析

1、群优化算法

2、遗传算法的基本原理

3、遗传算法的Python代码实现

4、遗传算法中的Deepseek、ChatGPT提示词模板

第九章：Deepseek、ChatGPT助力近红外光谱变量降维与特征选择

1、主成分分析的基本原理

2、偏最小二乘的基本原理

3、近红外光谱波长选择算法的基本原理

4、PCA、PLS、特征选择算法的Python代码实现

5、PCA、PLS、特征选择算法中的Deepseek、ChatGPT提示词模板

第十章：Deepseek、ChatGPT助力Pytorch入门基础

1、深度学习框架

2、PyTorch

3、PyTorch的安装与环境配置

4、张量的定义，以及与标量、向量、矩阵的区别与联系

5、张量的常用属性与方法

6、张量的创建

7、张量的运算

8、张量的索引与切片

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

第十一章：Deepseek、ChatGPT助力卷积神经网络近红外光谱分析

1、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、卷积神经网络参数调试技巧

4、卷积神经网络的进化史

5、利用PyTorch构建卷积神经网络

6、卷积神经网络中的ChatGPT提示词模板

第十二章：Deepseek、ChatGPT助力近红外光谱迁移学习

1、迁移学习算法的基本原理

2、常用的迁移学习算法

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

第十三章：Deepseek、ChatGPT助力自编码器近红外光谱分析

1、自编码器

2、常见的自编码器类型

3、自编码器的Python代码实现

4、自编码器中的Deepseek、ChatGPT提示词模板

第十四章：Deepseek、ChatGPT助力U-Net多光谱图像语义分割

1、语义分割简介

2、U-Net模型的基本原理

3、语义分割、U-Net模型中的Deepseek、ChatGPT提示词模板

第十五章：Deepseek、ChatGPT助力深度学习模型可解释性与可视化方法

1、什么是模型可解释性？

2、常用的可视化方法有哪些

3、类激活映射CAM、梯度类激活映射GRAD-CAM、局部可解释模型-敏感LIME等原理

4、t-SNE的基本概念及使用t-SNE可视化深度学习模型的高维特征

5、深度学习模型可解释性与可视化中的Deepseek、ChatGPT提示词模板

原文：AI与Python近红外光谱数据智能分析