课程

主要内容

授课方式

第一章：MATLAB 入门基础

1、简单介绍 MATLAB 的安装、版本历史与编程环境

2、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)

3、文件导入(mat、txt、xls、csv、jpg、wav、avi等格式)

课程简介；

经验分享；

相关知识点复习与巩固；

理论讲解与案例演示；

实操练习；

第二章：MATLAB 进阶与提高

1、MATLAB 编程习惯与风格

2、MATLAB 调试技巧

3、向量化编程与内存优化

4、图形对象和句柄

理论讲解与案例演示；

实操练习；

知识点总结、延拓；

课堂讨论；

第三章：BP 神经网络

1、BP神经网络的基本原理

2、BP神经网络的 MATLAB 实现

3、案例实践

4、BP神经网络参数的优化

理论讲解与案例演示；

实操练习；

知识点总结、延拓；

课堂讨论；

第四章：极限学习机(Extreme Learning Machine, ELM)

1、ELM 的基本原理

2、ELM 与 BP 神经网络的区别与联系

3、案例实践

理论讲解与案例演示；

实操练习；   

第五章：支持向量机(Support Vector Machine, SVM)

1、SVM 分类的基本原理

2、SVM 回归拟合的基本原理

3、案例实践

理论讲解与案例演示；

实操练习；

知识点总结、延拓；

第六章：决策树与随机森林

1、决策树的基本原理

2、随机森林的基本原理

3、案例实践

理论讲解与案例演示；

实操练习；

知识点总结、延拓；

课堂讨论；

第七章：遗传算法(Genetic Algorithm, GA)

1、遗传算法的基本原理
2、常见遗传算法工具箱介绍

3、案例实践

理论讲解与案例演示；

实操练习；

第八章：图像处理入门

1、图像的常见格式及读写
2、图像的基本操作（几何变换、时频域变换等）

3、图像直方图

4、案例实践：基于手机摄像头的心率计算

理论讲解与案例演示；

实操练习；

第九章：深度学习入门

1、深度学习与传统机器学习的区别与联系

2、深度学习开源工具箱简介

3、卷积神经网络的基本原理

4、迁移学习算法的基本原理

5、专题讨论：数据VS.模型，孰更重要？

理论讲解与案例演示；

实操练习；

第十章：深度学习在图像处理中的应用案例

1、MATLAB 2017b深度学习工具箱功能介绍

2、案例一：11行代码实现深度学习物体识别

3、案例二：利用卷积神经网络抽取抽象特征

4、案例三：自定义卷积神经网络拓扑结构

5、案例四：基于卷积神经网络的手写数字识别

6、案例五：基于卷积神经网络实现迁移学习

理论讲解与案例演示；

实操练习；

第十一章：讨论与答疑

1. 如何查阅文献资料？

2. 如何高效率撰写专业论文？

3. 从审稿人的角度看，SCI期刊论文需要具备哪些要素？

4. 如何提炼与挖掘创新点？

课堂讨论；

复习与答疑；