1、BP神经网络的基本原理（人工神经网络的分类有哪些？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？）

2、（实操演练）BP神经网络的Python代码实现（划分训练集和测试集、数据归一化）

3、（实操演练）BP神经网络参数的优化（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？）

4、（实操演练）值得研究的若干问题（欠拟合与过拟合、评价指标选择、样本不平衡等）

5、（实操演练）BP神经网络中的ChatGPT-4o提示词库讲解

6、（实操演练）利用ChatGPT-4o实现BP神经网络模型的代码自动生成与运行

7、SVM的工作原理（核函数的作用是什么？什么是支持向量？如何解决多分类问题？）

8、决策树的工作原理（什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）

9、随机森林的工作原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”的本质是什么？怎样可视化、解读随机森林的结果？）

10、Bagging与Boosting的区别与联系

11、AdaBoost vs. Gradient Boosting的工作原理

12、（实操演练）常用的GBDT算法框架（XGBoost、LightGBM）

13、（实操演练）决策树、随机森林、XGBoost、LightGBM中的ChatGPT-4o提示词库讲解

14、（实操演练）利用ChatGPT-4o实现决策树、随机森林、XGBoost、LightGBM模型的代码自动生成与运行

15、案例演示与实操练习：

（1）分类识别模型：基于BP神经网络的垂体瘤患者嗅觉障碍风险预测

（2）回归拟合模型：基于BP神经网络的糖尿病遗传风险预测

（3）基于决策树的阿尔茨海默病（AD）患者空间结构能力智能评测模型

（4）基于随机森林的乳腺癌良性/恶性肿瘤智能诊断模型