MATLAB​​（​​Matrix Laboratory​​，矩阵实验室）是由美国 MathWorks 公司开发的一款高性能​​数值计算与科学编程软件​​，广泛应用于​​工程计算、数据分析、算法开发、控制系统设计、信号处理、机器学习​​等领域。

主要应用领域​​

​​领域​​	​​典型应用​​
​​工程计算​​	结构力学分析、流体动力学仿真、电路设计
​​数据分析​​	金融建模、统计回归、大数据可视化
​​信号处理​​	音频处理、雷达信号分析、通信系统设计
​​图像处理​​	医学影像分析、计算机视觉、目标检测
​​机器学习​​	深度学习（CNN、RNN）、强化学习、预测建模
​​控制系统​​	机器人控制、PID 调节、自动驾驶算法开发
​​金融建模​​	量化交易、风险评估、期权定价

第一章、MATLAB基础编程介绍

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：基于手机摄像头的心率计算

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：

（1）手写数字识别

（2）人脸朝向识别

（3）回归拟合预测

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：

（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

第四章、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

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：

（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

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：卷积神经网络模型优化

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：猫狗大战（Dogs vs. Cats）

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：

1）时间序列预测

2）序列-序列分类

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：

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

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：HMDB51数据集视频分类

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：GAN的MATLAB代码实现（向日葵花图像的自动生成）

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：

(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

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：基于U-Net的多光谱图像语义分割

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：基于自编码器的图像分类

第十五章、总结

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、总结