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、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下载与安装。2、经典自编码器（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）6、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

近年来，人工智能领域已经取得突破性进展，对经济社会各个领域都产生了重大影响，结合了统计学、数据科学和计算机科学的机器学习是人工智能的主流方向之一，目前也在飞快的融入计量经济学研究。在本次培训中，我们将从论文写作的实际需求出发，首先简单的介绍经济学的基本理论与研究方法，让您了解论文的选题方法与写作框架。随后重点从数据的收集与清洗、综合建模评价、数据的分析与可视化、数据的空间效应、因果推断等方面入手，

结合Python编程工具，专注于解决高光谱数据读取、数据预处理、高光谱数据机器学习等技术难题，通过复现高光谱数据处理和分析过程，并解析代码，使学员掌握python高光谱数据处理技巧。通过矿物识别、农业应用、木材含水量提取、土壤有机碳评估等案例，提供可借鉴的高光谱应用技术方案，结合Python科学计算、可视化、数据处理和机器学习库，深入讲解应用开发。课程深入探讨了高光谱遥感数据处理技术，涵盖了基本概

相比于ENVI等传统的遥感影像处理工具，GEE在处理海量遥感数据方面具有不可比拟的优势，一方面提供了丰富的计算资源，另一方面其巨大的云存储节省了科研人员大量的数据下载和预处理的时间，是遥感数据的计算和分析可视化方面代表世界该领域最前沿水平，是遥感领域的一次革命。专题涉及长时间序列遥感影像预处理、植被指数批量计算、年度影像合成、数组影像概念和使用方法、LandTrendr算法原理及参数设置、森林扰动

课程不仅限于生态模型的构建，还包括数据科学技能的培养，如数据预处理、统计分析和结果可视化，这些技能在当今数据驱动的科研和政策制定中极为重要。针对当前生态和环境问题，如气候变化和生物入侵，课程包括专题讨论和案例研究，帮助学员理解物种分布模型在解决这些全球问题中的实际应用和潜力。课程覆盖多种模型和技术，包括广义线性模型、广义加性模型、机器学习方法等，学员能够了解和掌握多种建模技术，增强模型选择和应用的

随着高通量测序以及生物信息学的发展，R语言在生物大数据分析以及数据挖掘中发挥着越来越重要的作用。因此，为辅助提高生命科学研究工作者的生物数据可视化与深度挖掘技能，我们举办了本次R语言与生物信息学培训班，本次会议我们精选大量生物数据分析案例，包括利用R语言绘制SCI高质量图片、利用R语言分析生物学数据的案例。本次培训采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出讲解R

更进一步，以大模型（Foundation Models） 为代表的新型人工智能范式，正在重塑数据密集型科研的边界，为遥感反演、气候模拟、污染物溯源等任务带来前所未有的泛化与迁移潜力。本课程面向自然科学领域的研究生与科研工作者，不仅涵盖机器学习与深度学习的核心方法（如随机森林、XGBoost、CNN、LSTM、Transformer等），还特别强调其在真实科研场景中的严谨应用：从数据预处理、不确定性

Python是功能强大、免费、开源，实现面向对象的编程语言，在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能，这些优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。帮助气象和海洋等地学领域的从业人员更加系统地学习Python在人工智能领域的应用，帮助学员掌握Python实操基础和机器学习与深度学习的理论基础，并进一步实战学习机器

例如，通过多样性指数（如Shannon-Wiener指数、Simpson指数）可以量化物种多样性，通过非度量多维尺度分析（NMDS）、主成分分析（PCA）等方法揭示群落的组成和生态位特征。此外，R语言强大的空间数据分析能力也为研究森林的空间分布模式提供了便利，例如通过莫兰指数（Moran's I）或Ripley’s K函数，可以分析树木分布的聚集性、随机性或均匀性。5）Hmsc计数数据（多度）单变

与传统的理论和实验学科不同，生物信息是一门数据科学，这就需要从业 者具备一定数据收集、管理、处理和分析的能力。在海量的组学数据面前，使用别人开发的软件及图 形界面操作往往不能解决工作中的问题，而简单的编程就可能解决问题，因而编程即成为一个生物信 息工作者的必备技能。模块化和面向对象的支持使得学员能不费力地从一个只能写几行代 码的操作员变成一个管理千行代码的程序员，同时书写良好可读性代码的编程习惯也