近年来，随着无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生，人工智能迎来了新一轮的发展浪潮。尤其是在计算机视觉和图像处理领域，各种颠覆性的成果应运而生。
【专家】：郁磊副教授
长期从事Python、Matlab机器学习及深度学习等研究工作，具备良好的数学及信号处理基础，熟悉如神经网络、支持向量机、决策树、随机森林等，以及群优 化算法，如遗传算法、蚁群算法、蝙蝠算法等，近些年一直在对深度学习核心技术进行研究，主持参与多项相关重点项目研发及基因项目，且精通多种编程工具，如 MATLAB、Python、 C++、C#、VB、Java、Qt 等。熟悉各种时域、频域和非线性分析方法，如傅里叶变换、小波变换、李雅普诺夫指数、 多尺度熵、压缩感知等，以及各种特征选择与降维方法，如主成分分析、随机投影、互信息、 非负矩阵分解、稀疏优化等。 熟悉数据库及网络编程，擅长 Apache + MySQL + PHP 架构开发，以及移动端 Android App 开发等。 熟悉可穿戴设备硬件系统的开发，具备心电、肌电、血压、血氧饱和度、惯性传感器等 生理信号采集系统的开发经验。同时，熟悉常用的无线传感器网络通信协议，如 ZigBee、 Wifi、Bluetooth 等。开展Python相关课程多大百余场，发布多篇论文并著有《神经网络 43 个案例分析》和《智能算法 30 个案例分析（第二版）》等。
【原文链接】：【案例教程】基于MATLAB b的机器学习、深度学习实践应用https://mp./s/_5zxBfmV1lq_DUB-lKltFA
【方式 】：全套视频+永久回放+答疑群辅助+课件资料
【内容详情】：
第一章、MATLAB基础编程串讲 ：
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、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
第三章、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
第四章、变量降维与特征选择 ：
1.变量降维(Dimensionreduction)与特征选择(Featureselection)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
第五章、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：
（1）CNN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
（4）1D CNN模型解决回归拟合预测问题
8、实操练习
第六章、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
第七章、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. Cats）
4、实操练习
第八章、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
第九章、时间卷积网络（Temporal Convolutional Network, TCN）：
1. 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
第十章、基于深度学习的视频分类案例实战 ：
1、基于深度学习的视频分类基本原理
2、读取视频流文件并抽取图像帧
3、利用预训练CNN模型提取指定层的特征图
4、自定义构建LSTM神经网络模型
5、案例讲解：HMDB51数据集视频分类
6、实操练习
第十一章、生成式对抗网络（GAN） ：
1、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（AutoEncoder） ：
1、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、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？）
3、相关学习资料分享与拷贝（图书推荐、在线课程推荐等）
4、建立微信群，便于后期的讨论与答疑
