时间

课程章节

主要内容

Day 1

9:00–10:30

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

Day 1

10:30-12:00

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

Day 1

14:30-16:00

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、新启示等）

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

Day 1

16:00-17:30

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

Day 2

9:00-12:00

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

Day 2

14:30-15:30

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

Day 2

15:30-16:30

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

Day 2

16:30-17:30

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

3、案例讲解：（1）时间序列预测

（2）序列-序列分类  

4、实操练习

Day 3

9:00-10:00

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）新冠肺炎疫情预测

（2）人体动作识别

4、实操练习

Day 3

10:00-11:00

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

Day 3

11:00-12:00

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 

Day 3

14:30-16:00

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

Day 3

16:00-17:00

第十三章 U-Net 模型

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

Day 3

17:00-17:30

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