第一天

上午

科学研究与R语言基础

决1、科学研究的基本方法

1）概念性架构、模型、操作型定义、变量、命题与假设

2）自变量、依变量、中介变量、干扰变量及控制变量

2、2、R语言基础

1）名目尺度、顺序尺度、区间尺度及比例尺度

2）数据的装载与存储

3）因子变量与数据框

4）列表与表达式

3、R程序设计

1）脚本编写

2）控制结构

3）函数编写

下午

统计学基础

1、基本统计量

1）平均数、众数、方差、协方差、标准偏差

2）偏度与峰度

3）关联分析方法

2、R中的统计方法

1）缺失值处理

2）描述性统计

3）常用数据分析技巧

第二天

上午

R中绘图

决1、R自身基本绘图

1）散点图、线图与时间序列谱图

2）柱形图，点图，饼图，直方图

3）箱线图，热力图，等高线，地图

2、2、ggplot2绘图

1）绘图的基本元素

2）图层、标签、主题

3）各种可视化展现形式

3、生态学探索性数据分析

1）R 语言的一些基本函数使用

2）处理多维生态数据

3）生态数据类型转换

4）空间数据的可视化

下午

概率分布与概率估计

1、常用的概率分布

1）二项分布与R应用

2）正态分布与R应用

3）t分布与卡方分布等

2、概率密度估计

1）采样方法

2）参数估计

4、假设检验

1）两类错误

2）p值与置信区间

第三天

上午

方差分析与关联分析

决1、单、双因子方差分析

2、2、组间差异等检验统计

3、多元变量分析

4、生态学关联方法与关联矩阵分析案例

1）可视化相异矩阵（Q mode）和相关性矩阵（R mode）

2）关联测度之间的比较

下午

非约束性排序方法

1、排序方法与经典排序

1）主成分分析 (PCA)

2）对应分析 (CA)

3）主坐标分析(PCoA)

4）非度量多维尺度分析(NMDS)

5）冗余分析（RDA）

6）典型对应分析（CCA）

7）线性判别分析（LDA）

2、生态学分析案例与结果的可视化

第四天

上午

线性回归分析

决1、线性回归

1）单元线性回归

2）多元线性回归

3）模型评估与模型解释

2、2、逻辑回归

1）正则化方法

2）样本分类

3、生态学空间分析案例

1）多变量趋势面分析

2）基于特征向量的空间变量与空间模型

3）多尺度排序

4）空间数据的可视化

下午

聚类方法

1、K-means聚类

1）距离度量方法

2）聚类效果评价

2、层次聚类方法

1）类别数的确定

2）聚类结果可视化

3、基于模型的聚类

1）GMM算法

4、聚类方法在生态学中的应用案例

第五天

上午

Python开发环境

与机器学习

决1、Python基础

1）开发环境搭建

2）Python语法基础

2、2、机器学习基础

1）监督学习与非监督学习

2）分类与回归

3）模型评估

3、Python中的数据挖掘方法

下午

主要的机器学习模型

1、支持向量机模型

2、决策树与随机森林模型

1）信息熵与基尼系数

2）集成学习方法

3、神经网络模型

1）反向传播算法

2）网络模型优化

4、机器学习在生态学中的应用案例

第六天

上午

深度学习

决1、人工智能前沿进展

1）卷积神经网络

2）长短时记忆网络

2、深度学习的应用案例

下午

Python软件开发相关技术拓展

1、网络爬虫技术

2、文本挖掘技术

1）关键字提取

2）文本分类

3）文本摘要

4）推荐系统案例分析