一、课程背景：
伴随着人工智能第三次浪潮的兴起与发展，以卷积神经网络为代表的深度学习算法在各行各业都取得了广泛、成功的应用。因此，为了帮助广大科研人员更加系统地学习人工智能（包括传统机器学习、深度学习等）的基础理论知识，以及具体的代码实现方法，特举办“MATLAB机器学习与深度学习技术及应用” 培训班，依托MATLAB开发工具，旨在帮助学员掌握人工智能领域经典机器学习算法和热门深度学习方法的基本原理及MATLAB编程实现方法。本次培训采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出分析人工智能方法在应用时需要掌握的经验及技巧。通过本次培训的学习，学员将会掌握MATLAB处理图像、时间序列、视频流等数据的处理方法和技巧，掌握各种经典机器学习和深度学习方法的基本原理及代码实现方法，掌握提炼与挖掘创新点的方法，以及掌握各种科研必备工具（无障碍访问国外网站、文献与代码的检索与下载、文献管理、代码调试、论文撰写、审稿意见回复、项目申报书撰写等）的使用技巧。我们拟于2022年3月10-12在上海举办“MATLAB与机器学习（深度学习）实践”。
二、主办单位：
中国高科技产业化研究会智能信息处理分会
北京中际赛威文化发展有限公司
北京中际孚歌科技有限公司
三、研修时间：2022年03月10-12日(09日报到)
四、研修地点：上海（具体地点及路线图详见报到通知）
五、课程内容:
（一）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
（二）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
（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
（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）
（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
（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
（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
（八）目标检测YOLO模型及其在图像处理中的应用
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：汽车的目标检测
5、实操练习
（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
3）基于二进制遗传算法的特征选择
（十）答疑与交流
1. 讨论与答疑
2. 资料拷贝与书籍推荐
3. Google Scholar、ResearchGate、GitHub、SciHub等工具的使用方法
六、授课专家：
MATLAB技术论坛管理团队成员，主要从事MATLAB 编程、机器学习与数据挖掘、数据可视化和软件开发、生理系统建模与仿真、生物医学信号处理，具有丰富的实战应用经验，于权威网站发表多篇高水平的国际学术研究论文。先后主持国家级省市级等多个相关项目，主讲多场MATLAB培训，课程以其实用性；趣味性广受学员及企事业单位好评。
七、培训费用及注意事宜：
1. 培训费：4600元/人 (含培训费、午餐费、资料费等)。
2. 付款方式：学员报名后，请直接将款汇到指定账号（见回执表）。
3. 以上费用不含食宿，培训期间食宿可统一安排，费用自理。
4. 培训会务工作由北京中际孚歌科技有限公司组织，并为学员出具正式发票。
八、课程咨询：010-64113137