MATLAB 智能计算全栈实战：基础编程→统计分析→机器学习→深度学习→前沿模型与可解释性

第一章、MATLAB基础编程1、MATLAB 基础操作包括矩阵操作、逻辑与流程控制、函数与脚本文件、基本绘图等2、文件导入mat、txt、xls、csv、jpg、wav、avi等格式3、MATLAB编程习惯、编程风格与调试技巧4、MATLAB数字图像处理入门5、案例讲解基于手机摄像头的心率计算6、实操练习第二章、MATLAB统计分析基础1、统计数据的描述与可视化数据的描述性统计均值、中位数、众数、方差、标准差、极差、四分位数间距等条形图、直方图、散点图、箱线图2、概率分布与统计推断离散概率分布二项分布、泊松分布连续概率分布正态分布、均匀分布、指数分布点估计与区间估计最大似然估计与贝叶斯估计假设检验t检验、卡方检验、F检验P值与显著性水平等3、回归分析多元线性回归模型最小二乘法估计变量选择与模型优化多重共线性与解决方法Ridge回归LASSO回归ElasticNet回归等4、案例讲解与实操练习第三章、BP神经网络1、人工智能基本概念辨析回归拟合问题与分类识别问题有监督导师学习与无监督无导师学习训练集、验证集与测试集过拟合与欠拟合2、BP神经网络的工作原理3、数据预处理归一化、异常值剔除、数据扩增技术等4、交叉验证与模型参数优化5、模型评价与指标的选择回归拟合问题 vs. 分类识别问题6、案例讲解1手写数字识别2人脸朝向识别3回归拟合预测7、实操练习第四章、支持向量机、决策树与随机森林1、支持向量机的基本原理支持向量的本质、核函数的意义、SVM的启示等2、决策树的基本原理微软小冰读心术的启示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3、随机森林的基本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”提现在哪些地方随机森林的本质是什么4、知识扩展支持向量机、决策树除了建模型之外还可以帮我们做什么事情怎样解读随机森林的结果5、案例讲解1鸢尾花Iris分类识别SVM、决策树2基于随机森林的乳腺癌良性/恶性肿瘤智能诊断模型6、实操练习第五章、变量降维与特征选择1、变量降维(Dimension reduction)与特征选择(Feature selection)在概念上的区别与联系2、主成分分析PCA的基本原理3、偏最小二乘法PLS的基本原理4、PCA与PLS的代码实现5、PCA的启发训练集与测试集划分合理性的判断6、经典特征选择方法1前向选择法与后向选择法2无信息变量消除法3基于二进制遗传算法的特征选择7、SHAP法解释特征重要性与可视化Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释8、案例演示与实操练习第六章、卷积神经网络1、深度学习与传统机器学习的区别与联系神经网络的隐含层数越多越好吗深度学习与传统机器学习的本质区别是什么2、卷积神经网络的基本原理什么是卷积核CNN的典型拓扑结构是怎样的CNN的权值共享机制是什么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、MATLAB深度学习工具箱简介5、deepNetworkDesigner交互式设计工具演示6、预训练模型Alexnet、Vgg-16/19、GoogLeNet、ResNet等的下载与安装7、案例讲解1CNN预训练模型实现物体识别2利用卷积神经网络抽取抽象特征3自定义卷积神经网络拓扑结构41D CNN模型解决回归拟合预测问题8、实操练习第七章、网络优化与调参技巧1、网络拓扑结构优化2、优化算法梯度下降、随机梯度下降、小批量随机梯度下降、动量法、Adam等3、调参技巧参数初始化、数据预处理、数据扩增、批量归一化、超参数优化、网络正则化等4、案例讲解卷积神经网络模型优化5、实操练习第八章、迁移学习算法1、迁移学习算法的基本原理为什么需要迁移学习为什么可以迁移学习迁移学习的基本思想是什么2、基于深度神经网络模型的迁移学习算法3、案例讲解猫狗大战Dogs vs. Cats4、实操练习第九章、循环神经网络与长短时记忆神经网络1、循环神经网络RNN的基本原理2、长短时记忆神经网络LSTM的基本原理3、RNN与LSTM的区别与联系4、案例讲解1时间序列预测2序列-序列分类5、实操练习第十章、时间卷积网络Temporal Convolutional Network, TCN1、时间卷积网络TCN的基本原理2、TCN与1D CNN、LSTM的区别与联系3、案例讲解1时间序列预测新冠肺炎疫情预测2序列-序列分类人体动作识别4、实操练习第十一章、生成式对抗网络GAN1、生成式对抗网络GAN什么是对抗生成网络为什么需要对抗生成网络对抗生成网络可以帮我们做什么GAN给我们带来的启示2、GAN的基本原理及GAN进化史3、案例讲解GAN的MATLAB代码实现向日葵花图像的自动生成4、实操练习第十二章、目标检测YOLO模型1、什么是目标检测目标检测与目标识别的区别与联系2、YOLO模型的工作原理3、从YOLO v1到v5的进化之路4、案例讲解1)使用预训练模型实现图像、视频等实时目标检测2)训练自己的数据集新冠疫情佩戴口罩识别5、实操练习第十三章、U-Net模型1、语义分割Semantic Segmentation简介2、U-Net模型的基本原理3、案例讲解基于U-Net的多光谱图像语义分割4、实操练习第十四章、自编码器AutoEncoder1、自编码器的组成及基本工作原理2、自编码器的变种栈式自编码器、稀疏自编码器、去噪自编码器、卷积自编码器、掩码自编码器等及其工作原理3、案例讲解基于自编码器的图像分类4、实操练习第十五章、模型可解释性与特征可视化1、什么是模型可解释性为什么需要对CNN模型进行解释2、常用的可视化方法有哪些特征图可视化、卷积核可视化、类别激活可视化等3、CAMClass Activation Mapping、LIMELocal Interpretable Model-agnostic Explanation、GRAD-CAM等方法原理讲解4、案例讲解5、实操练习第十六章、讨论与答疑1、如何查阅文献资料你会使用Google Scholar、Sci-Hub、ResearchGate吗应该去哪些地方查找与论文配套的数据和代码2、如何提炼与挖掘创新点如果在算法层面上难以做出原创性的工作如何结合自己的实际问题提炼与挖掘创新点