1、2024 AIGC技术最新进展介绍（生成式人工智能的基本概念与原理、文生视频模型OpenAI Sora vs.Google Veo）2、（实操演练）国内外大语言模型（ChatGPT-4o- 4o、Gemini、Claude、Llama3、温馨一言、星火、通义千问、Kimi、智谱清言等）对比分析3、（实操演练）Llama3开源大语言模型的本地部署、对话与微调训练本地数据4、（实操演练）ChatG

1、2024 AIGC技术最新进展介绍（生成式人工智能的基本概念与原理、文生视频模型OpenAI Sora vs.Google Veo）2、（实操演练）国内外大语言模型（ChatGPT-4o- 4o、Gemini、Claude、Llama3、温馨一言、星火、通义千问、Kimi、智谱清言等）对比分析3、（实操演练）Llama3开源大语言模型的本地部署、对话与微调训练本地数据4、（实操演练）ChatG

本专题，在使用ANN预测浅水方程的基础上，进一步掌握如何使用PINN方法，将动力方程加入模型中，缓解深度学习的物理解释性差的问题。本专题，在详细讲解机器学习常用的两类集成学习算法，Bagging和Boosting，对两类算法及其常用代表模型深入讲解的基础上，结合三个学习个例，并串讲一些机器学习常用技巧，将理论与实践结合。是功能强大、免费、开源，实现面向对象的编程语言，能够在不同操作系统和平台使用，

1、气候模型基础与全球气候模型（GCM）●全球气候（环流）模型的基本原理、发展历程与最新进展●GCM的主要组成部分、工作原理与数值求解方案●模型的空间和时间分辨率及其不确定性对气候预测的影响●气候变化的核心问题与研究意义2、气候模型比较计划（CMIP）与CMIP6●CMIP的背景、目的与组织结构●CMIP6计划的新特性、标准实验设计与应用场景●CMIP6相对于CMIP5的技术升级与改进优势●复杂地

系统学习机器学习和深度学习的理论知识及对应的代码实现方法，掌握图像处理的基础知识，以及经典机器学习算法和最新的深度神经网络、迁移学习、对抗生成网络等算法的基本原理及其MATLAB编程实现方法。1、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；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。

损失函数的设计（数据驱动与物理驱动的损失项）2、Swin Transformer模型（提出的背景、基本架构、与ViT模型的比较、分层架构、窗口机制、位置编码、Transformer编码器、模型的训练与优化、模型的Python代码实现）1、ViT模型（提出的背景、基本架构、与传统CNN的比较、输入图像的分块处理、位置编码、Transformer编码器、分类头、ViT模型的训练与优化、ViT模型的Py

从“存论文”升级为“以文献为证据核心的可推理科研系统”，让AI不再“凭空总结”，而是基于真实文献进行可溯源分析与写作。自由发散型思考（ChatGPT/Claude）vs基于资料的严谨推理（NotebookLM）为什么通用LLM会“幻觉”，而 NotebookLM更“克制”【新增】Python是科研的“发动机”，LLM是科研的“驾驶系统”2.NotebookLM：以“你的资料”为核心的科研AI。AI

Python核心基础速通1.Anaconda/UV环境管理2.Jupyter Notebook vs VS Code vs其它GUI对比3.虚拟环境创建与包管理（pip vs conda）4.Python基础数据结构:列表，字典与元组5.OOP编程基础：类与实例、属性与方法，继承、多态与抽象基类，魔术方法6.Python容器进阶：列表推导式与生成器表达式, 字典推导式与集合操作, 元组解包，深拷贝

Python核心基础速通1.Anaconda/UV环境管理2.Jupyter Notebook vs VS Code vs其它GUI对比3.虚拟环境创建与包管理（pip vs conda）4.Python基础数据结构:列表，字典与元组5.OOP编程基础：类与实例、属性与方法，继承、多态与抽象基类，魔术方法6.Python容器进阶：列表推导式与生成器表达式, 字典推导式与集合操作, 元组解包，深拷贝

Python核心基础速通1.Anaconda/UV环境管理2.Jupyter Notebook vs VS Code vs其它GUI对比3.虚拟环境创建与包管理（pip vs conda）4.Python基础数据结构:列表，字典与元组5.OOP编程基础：类与实例、属性与方法，继承、多态与抽象基类，魔术方法6.Python容器进阶：列表推导式与生成器表达式, 字典推导式与集合操作, 元组解包，深拷贝