时间

课程章节

主要内容

Day 1

9:00-10:00

第一章

MATLAB 2023a新特性简介

1、实时脚本（Live Script）与交互控件（Control）功能介绍与演示

2、批量大数据导入及Datastore类函数功能介绍与演示

3、数据清洗（Data Cleaning）功能介绍与演示

4、实验管理器（Experiment Manager）功能介绍与演示

5、MATLAB Deep Learning Toolbox概览

6、MATLAB Deep Learning Model Hub简介

7、深度网络设计器（Deep Network Designer）功能介绍与演示

8、MATLAB与TensorFlow、PyTorch等深度学习框架协同工作功能介绍与演示

Day 1

10:00-12:00

14:00-16:00

第二章

前向型神经网络

1、人工智能基本概念辨析（回归拟合问题与分类识别问题；有监督学习与无监督学习；训练集、验证集与测试集；过拟合与欠拟合）

2、BP 神经网络、极限学习机的工作原理（误差反向传播、梯度下降法）

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

Day 1

16:00-17:30

第三章

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

6.1前向选择法与后向选择法

6.2无信息变量消除法

6.3基于二进制遗传算法的特征选择（群优化算法算法的基本思想、遗传算法的工作原理与具体代码实现方法）

7、实操练习

Day 2

9:00-12:00

第四章

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、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet 等）的下载

与安装

5、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）

6、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

7、实操练习

Day 2

14:00-15:00

第五章

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 

Day 2

15:00-16:00

第六章

模型可解释性与特征可视化

1、什么是模型可解释性？为什么需要对CNN模型进行解释？

2、常用的可视化方法有哪些（特征图可视化、卷积核可视化、类别激活可视化等）？

3、CAM（Class Activation Mapping）、LIME（Local Interpretable Model-agnostic Explanation）、GRAD-CAM等方法原理讲解

4、案例讲解

5、实操练习

Day 2

16:00-17:30

第七章

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：

4.1时间序列预测

4.2序列-序列分类

5、实操练习 

Day 3

9:00-10:00

第八章

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

Day 3

10:00-12:00

第九章

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：

4.1使用预训练模型实现图像、视频等实时目标检测

4.2训练自己的数据集：新冠疫情佩戴口罩识别

5、实操练习

Day 3

14:00-15:30

第十章

自编码器

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

Day 3

15:30-17:00

第十一章

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

Day 3

17:00-17:30

第十二章

讨论与答疑

1、如何查阅文献资料？（你会使用ChatGPT、 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