時間

課程章節

主要內容

Day 1

9:00–10:30

第一章

MATLAB 基礎

編程串講

1、MATLAB基礎操作：包括矩陣操作、邏輯與流程控制、函數與腳本文件、基本繪圖等

2、文件導入：mat、txt、xls、csv、jpg、wav、avi 等格式

3、MATLAB 編程習慣、編程風格與調試技巧

4、MATLAB 數字圖像處理入門

5、案例講解：基于手機攝像頭的心率計算

6、實操練習

Day 1

10:30-12:00

第二章BP

神經網絡

1、人工智能基本概念辨析（回歸擬合問題與分類識別問題；有監督（導

師）學習與無監督（無導師）學習；訓練集、驗證集與測試集；過擬合與欠擬合）

2、BP神經網絡的工作原理

3、數據預處理（歸一化、異常值剔除、數據擴增技術等）

4、交叉驗證與模型參數優化

5、模型評價與指標的選擇（回歸擬合問題 vs、分類識別問題）

6、案例講解：（1）手寫數字識別?

（2）人臉朝向識別

（3）回歸擬合預測 ?

7、實操練習

Day 1

14:30-16:00

第三章

支持向量機、

決策樹與

隨機森林

1、支持向量機的基本原理（支持向量的本質、核函數的意義、新啟示等）

2、決策樹的基本原理（微軟小冰讀心術的啟示；什么是信息熵和信息增

益？ID3 算法和 C4、5 算法的區別與聯系）

3、隨機森林的基本原理（為什么需要隨機森林算法？廣義與狹義意義下

的“隨機森林”分別指的是什么？“隨機”提現在哪些地方？隨機森林

的本質是什么？）

4、知識擴展：支持向量機、決策樹除了建模型之外，還可以幫我們做什

么事情？怎樣解讀隨機森林的結果？

5、案例講解：（1）鳶尾花 Iris 分類識別（SVM、決策樹）

（2）基于隨機森林的乳腺癌良性/惡性腫瘤智能診斷模型

6、實操練習

Day 1

16:00-17:30

第四章

變量降維與

特征選擇

1、變量降維(Dimension reduction)與特征選擇(Feature selection)

在概念上的區別與聯系

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 與 PLS 的代碼實現

5、PCA 的啟發：訓練集與測試集劃分合理性的判斷

6、經典特征選擇方法 ：（1）前向選擇法與后向選擇法

（2）無信息變量消除法

（3）基于二進制遺傳算法的特征選擇

Day 2

9:00-12:00

第五章

卷積神經網絡

1、深度學習與傳統機器學習的區別與聯系（神經網絡的隱含層數越多越

好嗎？深度學習與傳統機器學習的本質區別是什么？）

2、卷積神經網絡的基本原理（什么是卷積核？CNN 的典型拓撲結構是怎

樣的？CNN 的權值共享機制是什么？CNN 提取的特征是怎樣的？）

3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet 等經典深度神經

網絡的區別與聯系

4、MATLAB 深度學習工具箱簡介

5、deepNetworkDesigner 交互式設計工具演示

6、預訓練模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet 等）的下載

與安裝

7、案例講解：（1）CNN 預訓練模型實現物體識別

（2）利用卷積神經網絡抽取抽象特征

（3）自定義卷積神經網絡拓撲結構

（4）1D CNN 模型解決回歸擬合預測問題

8、實操練習

Day 2

14:30-15:30

第六章

網絡優化與

調參技巧

1、網絡拓撲結構優化

2、優化算法（梯度下降、隨機梯度下降、小批量隨機梯度下降、動量法、 Adam 等）

3、調參技巧（參數初始化、數據預處理、數據擴增、批量歸一化、超參 數優化、網絡正則化等）

4、案例講解：卷積神經網絡模型優化

5、實操練習

Day 2

15:30-16:30

第七章

遷移學習算法

1、遷移學習算法的基本原理（為什么需要遷移學習？為什么可以遷移學

習？遷移學習的基本思想是什么？）

2、基于深度神經網絡模型的遷移學習算法

3、案例講解：貓狗大戰（Dogs vs、 Cats） ?

4、實操練習

Day 2

16:30-17:30

第八章

循環神經網絡與長短時

記憶神經網絡

1、循環神經網絡（RNN）的基本原理

2、長短時記憶神經網絡（LSTM）的基本原理

3、?RNN 與 LSTM 的區別與聯系

3、案例講解：（1）時間序列預測

（2）序列-序列分類 ?

4、實操練習

Day 3

9:00-10:00

第九章

時間卷積網絡

（Temporal

Convolutional

Network, TCN）

1、時間卷積網絡（TCN）的基本原理

2、TCN 與 1D CNN、LSTM 的區別與聯系

3、案例講解：（1）新冠肺炎疫情預測

（2）人體動作識別

4、實操練習

Day 3

10:00-11:00

第十章

基于深度學習的視頻分

類案例實戰

1、基于深度學習的視頻分類基本原理

2、讀取視頻流文件并抽取圖像幀

3、利用預訓練 CNN 模型提取指定層的特征圖

4、自定義構建 LSTM 神經網絡模型

5、案例講解：HMDB51 數據集視頻分類

6、實操練習

Day 3

11:00-12:00

第十一章

生成式對抗網絡（GAN）

1、生成式對抗網絡 GAN（什么是對抗生成網絡？為什么需要對抗生成網

絡？對抗生成網絡可以幫我們做什么？GAN 給我們帶來的啟示）

2、GAN 的基本原理及 GAN 進化史

3、案例講解：GAN 的 MATLAB 代碼實現（向日葵花圖像的自動生成）

4、實操練習?

Day 3

14:30-16:00

第十二章

目標檢測 YOLO 模型

1、什么是目標檢測？目標檢測與目標識別的區別與聯系

2、YOLO 模型的工作原理

3、從 YOLO v1 到 v5 的進化之路

4、案例講解：（1）使用預訓練模型實現圖像、視頻等實時目標檢測

（2）訓練自己的數據集：新冠疫情佩戴口罩識別

5、實操練習

Day 3

16:00-17:00

第十三章 U-Net 模型

1、自編碼器的組成及基本工作原理

2、自編碼器的變種（棧式自編碼器、稀疏自編碼器、去噪自編碼器、卷

積自編碼器、掩碼自編碼器等）及其工作原理

3、案例講解：基于自編碼器的圖像分類

4、實操練習

Day 3

17:00-17:30

第十五章

討論與答疑

1、如何查閱文獻資料？（你會使用 Google Scholar、Sci-Hub、

ResearchGate 嗎？應該去哪些地方查找與論文配套的數據和代碼？）

2、如何提煉與挖掘創新點？（如果在算法層面上難以做出原創性的工作，

如何結合自己的實際問題提煉與挖掘創新點？）

3、相關學習資料分享與拷貝（圖書推薦、在線課程推薦等）

4、建立微信群，便于后期的討論與答疑