MATLAB深度学习技术与应用课程大纲

时间

课程

主要内容

Day 1

08:30 – 12:00

一、MATLAB编程基础复习

1. 复习MATLAB编程基础知识

2. 复习MATLAB程序调试技巧及经验等

3. 复习图像处理入门知识

4. 复习MATLAB基本绘图

5. MATLAB编程习惯与风格（Cell模式与Publish功能；Script与Live Script的区别）

6. MATLAB程序调试技巧（断点的添加与删除、进入与退出调试模式、循环体的调试）

7. MATLAB向量化编程与内存优化

13:30 – 17:00

二、人工神经网络

1. 人工智能的发展历史回顾

2. BP神经网络的基本原理（人工智能发展过程经历了哪些曲折？人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？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？BP神经网络建模的本质是什么？）

3. BP神经网络的 MATLAB 实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）

4. 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？）

5. 值得研究的若干问题（欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等）

6. 案例演示一：近红外光谱汽油辛烷值预测（回归拟合）

7. 案例演示二：MNIST手写数字识别（分类识别）

8. 实操练习

9. 值得研究的若干问题

   1）欠拟合与过拟合

   2）模型泛化性能评价（回归拟合、分类识别）

   3）样本不平衡

Day 2

08:30 – 09:00

三、深度学习简介

1. 深度学习的发展历史

2. 深度学习与传统机器学习的区别与联系

09:00 – 12:00

13:30 – 15:00

四、卷积神经网络

1. CNN的拓扑结构

2. CNN的卷积层、池化层、归一化层等

3. CNN的权值共享机制

4. CNN的信号前向传播过程

5. CNN的误差反向传播（核心训练算法）

6. CNN的进化史（LeNet、AlexNet、VggNet、GoogLeNet、ResNet等）

7. CNN的代码实现

   1）利用预训练好的模型预测

   2）利用CNN抽取指定层的抽象特征

   3）自定义卷积神经网络拓扑结构

8. CNN模型的调参技巧与经验（ReLU、Normalization、Dropout等）

15:00 – 17:00

五、迁移学习

1. 迁移学习（Transfer Learning）的基本思想

2. 基于实例的迁移学习算法：TrAdaBoost

3. 基于模型的迁移学习算法

4. 案例实战

   1）基于TrAdaBoost算法的模型移植

   2）基于AlexNet模型的模型迁移

   3）基于Deep Network Designer的模型迁移

Day 3

08:30 – 09:30

六、生成式对抗网络

1. 生成式对抗网络（GAN）的基本思想

2. 生成器（Generator）与判别器（Discriminator）的实现

3. 案例实战

   1）基于GAN的图片生成

09:30 – 12:00

七、循环神经网络（RNN）与长短时记忆神经网络（LSTM）

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. 案例实战

   1）时间序列预测

   2）序列-序列分类

13:30 – 15:00

八、群优化算法

1. 群优化算法的前世今生

2. 遗传算法的基本原理

3. GAOT工具箱的安装与使用

4. 案例实战

   1）连续优化问题：一元函数的极值点优化

   2）离散优化问题：特征选择

   3）深度神经网络模型的参数优化

15:00 – 16:00

九、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

16:00 – 17:00

十、答疑与交流

1. 讨论与答疑

2. 建立微信群、资料拷贝与书籍推荐

3. Google Scholar、ResearchGate、GitHub、SciHub等工具的使用方法