自然科学领域基于ChatGPT大模型的科研绘图

以ChatGPT、LLaMA、Gemini、DALL·E、Midjourney、Stable Diffusion、星火大模型、文心一言、千问为代表AI大语言模型带来了新一波人工智能浪潮，可以面向科研选题、思维导图、数据清洗、统计分析、高级编程、代码调试、算法学习、论文检索、写作、翻译、润色、文献辅助阅读、文献信息提取、辅助论文审稿、新闻撰写、科技绘图、地学绘图（GIS地图绘制）、概念图生成、图像识别、教学课件、教学案例生成、基金润色、专业咨询、文件上传和处理、机器/深度学习训练与模拟、大模型API二次开发等特定任务，生成文本、图片、代码、语音、视频等不同形式的数据、模式和内容，成为不少科研工作者的第二大脑

本次我们通过大量生物、地球、农业、气象、生态、环境科学领域中案例，解锁大模型在科研、办公中的高级应用，一起探索如何优雅地使用大模型。

【特色】：

1、GPT与学科知识融合：GPT深层应用一定是和本身研究的专业知识相融合；

2、精选案例驱动学习：以科研过程为线，结合大量的精选实例掌握GPT技术的实际效果；

3、实践技能培养：不仅仅是理论，更重视实践演练和项目操作，以提升研究工作效率。

4、资源与支持：内容中讲解多种辅助插件应用，建立助学群促进学员之间的交流；

开启大模型

1 开启大模型

1) 大模型的发展历程与最新功能

2) 大模型的强大功能与应用场景

3) 国内外经典大模型（ChatGPT、LLaMA、Gemini、DALL·E、Midjourney、Stable Diffusion、星火大模型、文心一言、千问等）

4) 如何优雅使用大模型

案例1.1：开启不同平台的大模型

案例1.2：GPT不同版本的使用

案例1.3：大模型文件上传和处理

基于ChatGPT大模型提问框架

2 提问框架（提示词、指令）

1) 专业大模型提示词，助你小白变专家

2) 超实用的通用提示词和提问框架

3) GPT store（GPT商店产品）及高级提问技巧

案例2.1：设定角色与投喂规则

案例2.2：行业专家指令合集

案例2.3：角色扮演与不同角度提问

案例2.4：分步提问与上下文关联

案例2.5：经典提问框架练习，提升模型效率

基于ChatGPT大模型的论文助手

3 基于AI大模型的论文助手

案例3.1：大模型论文润色中英文指令大全

案例3.2：使用大模型进行论文润色

案例3.3：使用大模型对英文文献进行搜索

案例3.4：使用大模型对英文文献进行问答和辅助阅读

案例3.5：使用大模型提取英文文献关键信息

案例3.6：使用大模型对论文进行摘要重写

案例3.7：使用大模型取一个好的论文标题

案例3.8：使用大模型写论文框架和调整论文结构

案例3.9：使用大模型对论文进行翻译

案例3.10：使用大模型对论文进行评论，辅助撰写审稿意见

案例3.11：使用大模型对论文进行降重

案例3.12：使用大模型查找研究热点

案例3.13：使用大模型对你的论文凝练成新闻和微信文案

案例3.14：使用大模型对拓展论文讨论

案例3.15：使用大模型辅助专著、教材、课件的撰写

基于ChatGPT大模型的数据清洗

4 基于ChatGPT的数据清洗

1) R语言和Python基础（勿需学会，能看懂即可）

2) 数据清洗方法（重复值、缺失值处理、异常值检验、标准化、归一化、数据长宽转换，数据分组聚合）

案例4.1：使用大模型指令随机生成数据

案例4.2：使用大模型指令读取数据

案例4.3：使用大模型指令进行数据清洗

案例4.4：使用大模型指令对农业气象数据进行预处理

案例4.5：使用大模型指令对生态数据进行预处理

基于ChatGPT大模型的统计分析

5 基于AI大模型的统计分析

1) 统计假设检验

2) 统计学三大常用检验及其应用场景

3) 方差分析、相关分析、回归分析

案例5.1：使用大模型对生态环境数据进行正态性检验、方差齐性检验

案例5.2：使用大模型进行t检验、F检验和卡方检验

案例5.3：使用大模型对生态环境数据进行方差分析、相关分析及回归分析

基于ChatGPT的经典统计模型

6 基于AI大模型的经典统计模型构建

案例6.1：基于AI辅助构建的混合线性模型在生态学中应用

案例6.2：基于AI辅助的全球尺度Meta分析及诊断、绘图

案例6.3：基于AI辅助的生态环境数据结构方程模型构建

案例6.4：基于AI辅助的贝叶斯优化及模型参数不确定性

基于ChatGPT的优化算法

7 基于AI大模型的频率派和贝叶斯派优化算法

案例7.1：最小二乘法优化模型参数优化

案例7.2：遗传算法、差分进化算法参数优化

案例7.3：贝叶斯定理和贝叶斯优化算法

案例7.4：蒙特拉罗马尔科夫链MCMC进行参数优化

基于ChatGPT大模型的机器学习

7 基于AI大模型的机器/深度学习

8 基于AI大模型的机器/深度学习

机器/深度学习
线性代数基础、特征值和特征向量
机器学习监督学习（回归、分类）、非监督学习（降维、聚类）
特征工程、数据分割、目标函数、参数优化、交叉验证、超参数寻优
主成分分析、LDA、NMS、T-SNE、UMAP、Kmeans、Agglomerative、DBSCAN
支持向量机、决策树、随机森林、XGBoost、AdaBoost、LightGBM、高斯过程
深度学习算法（神经网络、激活函数、交叉熵、优化器）
AI大模型的底层逻辑和算法结构（GPT1-GPT4）
卷积神经网络、长短期记忆网络（LSTM）
案例8.1：使用大模型指令构建回归模型（多元线性回归、随机森林、XGBoost、LightGBM等）

案例8.2：使用大模型指令构建分类模型（支持向量机、XGBoost等）

案例8.3：使用大模型指令构建降维模型

案例8.4：使用大模型指令构建聚类模型

案例8.5：使用大模型指令构建卷积神经网络

案例8.6：使用大模型指令构建LSTM模型进行气象时序预测

ChatGPT的二次开发

9 基于AI大模型的二次开发

案例9.1：基于API构建自己的本地大模型

案例9.2：基于构建的本地大模型实现ChatGPT功能、模型评价和图像生成

案例9.3：ChatGPT Store构建方法

基于ChatGPT大模型的科研绘图

9 基于AI大模型的科研绘图