点击次数:1114 发布日期:2025/09/24 来源:华斯泰
第一模块:理论精讲(十大高阶科研套路)
|
|
第一讲:
垂直领域大语言模型构建与应用 |
理论1:垂直领域大语言模型的价值 理论2:垂直领域大语言模型的应用场景 理论3:垂直领域大语言模型类top文章的撰写格式 理论4:如何将垂直领域大语言模型的构建融入到国自然申报? |
第二讲: Framework构建 |
理论1:何为Framework套路?
理论2:基于Framework的研究设计及构建思考 理论3:完成Framework类研究的要点总结 理论4:撰写套路:Framework类top文献撰写 理论5:绘图制图:Framework类文献精美图片展示与绘制 |
第三讲: |
理论1:何为Benchmark套路? 理论2:基于Benchmark的研究设计及构建思考 理论3:Benchmark和Framework类研究的差别与联系 理论4:撰写套路:Benchmark类top文献撰写 理论5:优化改良:别人的Benchmark,我是否可以“拿来主义”? |
第四讲:
特定领域的问题回答,指定领域的常见问题分析 |
理论1:Most commonly asked questions类研究为什么容易发表? 理论2:如何准确定位好特定领域? 理论3:巧找常见问题(如何定义常见问题) 理论4:文章快速高效撰写 操作5:文章定位与投稿 |
第五讲: 基于LLMs的多模态数据分析(数据+图像) |
理论1:LLMs多模态数据分析的优势 理论2:多模态数据的收集与准备 理论3:多模态数据的取与舍 理论4:LLMs多模态数据分析的多个top刊发表案例 |
第六讲: 风险调查(心理模拟,抑郁、焦虑、自杀、死亡风险等) |
理论1:风险调查类研究如何选题? 理论2:如何诱导LLMs成为模拟患者? 理论3:风险筛选、个性化诊断、预测及治疗 理论4:多个案例展示 |
第七讲: 文字报告类分析与纠错 |
理论1:如何巧用LLMs针对文字类文件进行深入分析? 理论2:文字记录的自动生成与纠错——广受欢迎的应用研究 理论3:样本量的设计与排纳标准 理论4:案例展示与文章撰写 |
第八讲: 学生、青年学者、医师、护士教育 |
理论1:巧选教育方向,发表top刊SCI 理论2:LLMs教育领域的研究设计特点 理论3:LLMs与医学教育——交叉方向的全面总结 理论4:案例展示与文章撰写 |
第九讲:第九讲: 患者教育、满意度调查与患者报告结局 |
理论1:患者教育的重要性与选题 理论2:满意度调查与患者报告结局(PRO) 理论3:LLMs+PRO=万金油 理论4:案例展示与文章撰写 |
第十讲: 个性化问卷构建 |
理论1:基于LLMs的个性化问卷构建 理论2:如何针对性的选择较为热点领域 理论3:Questionnaires+X=套路扩展应用 理论4:案例展示与文章撰写 |
第二模块:实战演练(九大技术冲刺)
|
|
实战一:
LLM医疗应用场景模拟:问答与风险评估 |
1.使用特定的大模型工具,如ChatGPT、deepseek等; 2.模拟患者设定角色,进行精准问答; 3.诱导模型成为一名有抑郁风险/肿瘤诊断的患者,通过对话模拟诊疗过程; 4.风险筛选、个性化诊断、预测及治疗; 5.利用模型生成结构化问卷,用于评估患者的心理健康风险。 |
实战二:
多模态数据分析体验 |
1.从计算机专业角度了解多模态大模型;
2.上传医学影像(如X光片、CT图像),让模型进行初步分析或描述;
3.上传带有图表的医疗报告,让模型进行数据提取和总结。
|
实战三: 报告纠错与文字分析 |
1.将医学资料或论文摘要输入LLMs,让其进行语法、逻辑和事实性错误检查; 2.利用模型对大量病历文本进行关键词提取和主题分析。 |
实战四:
大模型原理&DeepSeek创新点 |
1.从计算机角度:大模型是什么、大模型的原理、大模型的框架; 2.分析任务选择:大模型与传统机器学习模型之间的区别【适用范围选择】; 3.认识Deepseek:Deepseek创新点、Deepseek与其它LLMs区别; 4.本地部署:Deepseek本地部署介绍及部署后的应用。 |
实战五: Python基础与高级技巧 |
1.Python环境搭建与开发工具(Jupyter Lab); 2.基础语法与数据类型应用; 3.常用库实操(NumPy、Pandas、Matplotlib、requests、openai); 4.JSON+pandas处理数据集; 5.Python高级应用技巧(函数封装、面向对象、模块化开发)。 |
实战六: 大模型API调用实战 |
1.本地大模型&云厂商大模型对比; 2.选择主流大模型API(chatgpt、glm、qwen、deepseek等) 3.API Key的获取与管理; 4.大模型的参数介绍; 5.单轮/多轮对话控制; 6.编写Python脚本,实现与大模型的简单对话功能。 |
实战七: 大语言模型的局限性 |
1.幻觉的定义:模型生成看似合理但实际错误或虚构的信息; 2.成因分析:数据偏差、模型架构、训练方式等; 3.规避技巧:如何设计Prompt减少幻觉,以及如何进行交叉验证。 |
实战八: 大模型训练基础与微调(Fine-tuning) |
1.模型训练流程概述:从数据准备到模型部署; 2.微调的重要性:为什么通用模型无法完美适用于所有垂直领域; 3.实战思路:通过SFT(Supervised Fine-Tuning)或RAG(Retrieval-Augmented Generation)思路,利用小样本数据提升模型在特定医学领域的表现; 4.训练与优化效果评估:评估指标、人工评估、结果对比。 |
实战九: 从0到1:构建一个简单的垂直领域应用 |
1.LlamaFactory环境搭建与项目准备; 2.LlamaFactory支持的微调数据集格式; 3.LlamaFactory命令行参数详解与模型微调; 4.微调模型效果评估与部署。 |