时间

授课方式

课程

主要内容

第

一

天

09:00-10:00

课程简介

经验分享

第一章：MATLAB 快速入门

1、到底应该如何学习编程？应该学习哪种编程语言？MATLAB过时了吗？

2、简单介绍 MATLAB 的安装、版本历史与编程环境（应该安装哪个版本的MATLAB？在哪些情况下需要时刻关注最新版本的MATLAB？）

3、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（浩如烟海的函数应该怎样记忆？矩阵最常用的五种索引操作是什么？MATLAB绘图功能真的比较弱吗？如何导出高质量的图像，以供满足SCI论文的要求？）

4、文件导入：mat、txt、xls、csv、jpg、wav、avi等格式（mat格式的文件是怎么生成的呢？为什么mat文件导入到workspace中会有各种各样名字的变量？）

10:00-12:00

相关知识点复习与巩固

理论讲解与案例演示

实操练习

13:30-15:30

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（Cell模式和程序发布功能是什么？为什么代码中需要加入一些空格和空白行？MATLAB新版本中包含的Live Script是什么？）

2、MATLAB 调试技巧（MATLAB为什么会给出各种各样的错误信息？常见的错误信息有哪些？面对错误信息，应该是失落还是开心？如何使用断点调试工具？应该去哪些网站寻找答案？怎样能够让别人乐意帮助你解决问题？）

3、向量化编程与内存优化（怎样提升你的代码效率？MATLAB的内存管理机制是什么？为什么你的代码中会出现许多红色的下划波浪线？）

15:30-17:30

理论讲解与案例演示

实操练习

第三章：MATLAB GUI设计与软件开发

1、利用GUIDE向导工具开发（常用的控件有哪些？控件的属性怎样设置？如何编写控件的回调函数？）

2、利用M语言开发（图形对象句柄是什么？利用M语言和GUIDE向导工具开发各有什么优缺点？怎样提升软件的交互性？）

3、程序编译与打包发布（怎样生成exe可执行文件？将exe可执行文件部署到其它计算机上时需要注意哪些问题？怎样加密代码？）

第

二

天

09:00-10:00

理论讲解与案例演示

第四章：BP 神经网络

1、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？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？）

2、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？MATLAB中BP神经网络的常用函数有哪些？如何使用？）

3、案例实践：近红外光谱汽油辛烷值预测

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）

10:00-11:00

实操练习

11:00-12:00

知识点总结、延拓

课堂讨论

13:30-15:30

理论讲解与案例演示

实操练习

第五章：极限学习机(Extreme Learning Machine, ELM)

1、ELM 的基本原理（ELM的基本算法，“极限”体现在哪些地方？）

2、ELM 与 BP 神经网络的区别与联系

3、案例实践：鸢尾花种类识别

15:30-17:30

理论讲解与案例演示

实操练习

知识点总结、延拓

第六章：支持向量机(Support Vector Machine, SVM)

1、SVM的基本原理（什么是经验误差最小和结构误差最小？SVM的本质是解决什么问题？SVM的四种典型结构是什么？核函数的作用是什么？什么是支持向量？）

2、SVM扩展知识（如何解决多分类问题？SVM除了建模型之外，还可以帮助我们做哪些事情？）

3、LibSVM工具箱的安装与使用

4、案例实践一：乳腺癌肿瘤诊断

5、案例实践二：混凝土强度预测

第

三

天

09:00-10:30

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：决策树与随机森林

1、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）

2、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？）

3、案例实践：乳腺癌肿瘤诊断

4、知识扩展：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？

10:30-12:00

理论讲解与案例演示

实操练习

第八章：遗传算法(Genetic Algorithm, GA)

1、遗传算法的基本原理（以遗传算法为代表的群优化算法的基本思想是什么？目前国内外的研究热点在哪些方面？）

2、常见遗传算法工具箱介绍（GAOT工具箱的添加与使用方法）

3、案例实践一：一元函数的寻优计算（极大值与极小值）

4、案例实践二：多元函数的寻优计算（遗传算法优化BP神经网络的初始权值与阈值）

5、案例实践三：离散变量的寻优计算（基于遗传算法的特征变量筛选）

13:30-16:00

理论讲解与案例演示

实操练习

第九章：变量降维与特征选择

1、变量降维与特征选择在概念上的区分

2、主成分分析（PCA）、偏最小二乘（PLS）的基本原理（PCA与PLS的区别与联系；PCA除了降维之外，还可以帮助我们做什么？）

2、常见的特征选择方法（优化搜索、Filter和Wrapper等；前向与后向选择法；区间法；无信息变量消除法；正则稀疏优化方法等）

3、案例实践：近红外光谱的降维与波长筛选

16:00-17:30

实操练习

课堂讨论

复习与答疑

第

四

天

09:00-10:00

理论讲解与案例演示

实操练习

第十章：图像处理入门

1、图像的常见格式及读写（彩色图像、灰度图像、二值图像等）
2、图像的基本操作（几何变换、时频域变换等）

3、图像直方图（图像的对比度、亮度等改变）

4、案例实践：基于手机摄像头的心率计算

10:00-12:00

理论讲解与案例演示

实操练习

第十一章：深度学习入门

1、深度学习与传统机器学习的区别与联系（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、深度学习开源工具箱简介（Python & MATLAB）

3、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？）

4、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？）

5、专题讨论：数据VS.模型，孰更重要？（模型泛化性能不好，究竟是孰之过？）

13:30-15:30

理论讲解与案例演示

实操练习

第十二章：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

15:30-17:30

课堂讨论

复习与答疑

第十三章：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. 如何高效率撰写专业论文？（SCI不同分区的论文差别在哪些地方？你知道你的论文为什么显得很单薄吗？）

3. 从审稿人的角度看，SCI期刊论文需要具备哪些要素？（审稿人关注的点有哪些？如何回应审稿人提出的意见？）

4. 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？）