2019 MATLAB深度学习技术及应用培训班（12月北京班）已截止报名
推荐参加：2025大健康产业技术创新（昆明）论坛暨中生协特医食品及生物活性肽工作委员会第三届年会

会议时间： 2019-12-26 09:00至 2019-12-29 18:00结束

会议地点：北京北京科技大学会议中心北四环中路251号周边酒店预订

会议规模：50人

主办单位：北京软数信息技术研究院

行业热销热门关注看了又看换一换

会议通知
会议内容主办方介绍

2019 MATLAB深度学习技术及应用培训班（12月北京班）宣传图

近年来，随着人工智能的飞速发展，各行各业都面临着新的“风口”和机遇。尤其是在计算视觉和图像处理领域，伴随着深度学习的新一轮崛起，各种颠覆式的成果应运而生。譬如：以ImageNet竞赛为代表的图像识别准确率不断被刷新、利用对抗生成网络模仿艺术家风格作画等。因此，为了帮助广大科研人员更加系统地学习人工智能、图像处理的基础理论知识及代码实现方法，北京软数信息技术研究院特举办“MATLAB深度学习技术与应用”培训班，旨在帮助学员了解各种传统机器学习算法的基本原理及其MATLAB编程实现方法，以及最新的深度神经网络、迁移学习、对抗生成网络等算法的原理及实现方法等内容。本次培训班采用“实际案例讲解、动手编程实践”相结合的方式进行授课。

培训目标

1、通过学习帮助学员了解各种传统机器学习算法的基本原理及其MATLAB编程实现方法，以及最新的深度神经网络、迁移学习、对抗生成网络等算法的原理及实现方法等；

2、解决学员实际工作中的疑难问题。

时间地点

2019年 12月26日——2019年12月29日北京

（时间安排：第一天报到,授课三天）

培训对象

各省市、自治区从事图像处理、视频处理，人工智能、机器学习等领域相关的企事业单位技术骨干、科研院所研究人员和大专院校相关专业教学人员及在校研究生等相关人员，以及对机器学习、图像处理广大爱好者。

培训方式

(一)课程讲座；（二）专题小组研讨与案例讲解分析结合； (三)上机操作；

（欢迎学员带着在工作中遇到的实际问题与老师一起探讨）

北京软数信息技术研究院

会议日程（最终日程以会议现场为准）

MATLAB深度学习技术与应用课程大纲
时间		课程	主要内容
Day 1	08:30 – 12:00	一、MATLAB编程基础复习	1. 复习MATLAB编程基础知识 2. 复习MATLAB程序调试技巧及经验等 3. 复习图像处理入门知识 4. 复习MATLAB基本绘图 5. MATLAB编程习惯与风格（Cell模式与Publish功能；Script与Live Script的区别） 6. MATLAB程序调试技巧（断点的添加与删除、进入与退出调试模式、循环体的调试） 7. MATLAB向量化编程与内存优化
Day 1	13:30 – 17:00	二、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 9. 值得研究的若干问题 1）欠拟合与过拟合 2）模型泛化性能评价（回归拟合、分类识别） 3）样本不平衡
Day 2	08:30 – 09:00	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
	09:00 – 12:00 13:30 – 15:00	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）
	15:00 – 17:00	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
Day 3	08:30 – 09:30	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
	09:30 – 12:00	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
	13:30 – 15:00	八、群优化算法	1. 群优化算法的前世今生 2. 遗传算法的基本原理 3. GAOT工具箱的安装与使用 4. 案例实战 1）连续优化问题：一元函数的极值点优化 2）离散优化问题：特征选择 3）深度神经网络模型的参数优化
	15:00 – 16:00	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
	16:00 – 17:00	十、答疑与交流	1. 讨论与答疑 2. 建立微信群、资料拷贝与书籍推荐 3. Google Scholar、ResearchGate、GitHub、SciHub等工具的使用方法