主讲老师：郁 磊 副教授，长期从事Python、Matlab机器学习及深度学习等研究工作，具备良好的数学及信号处理基础，熟悉如神经网络、支持向量机、决策树、随机森林等，以及群优 化算法，如遗传算法、蚁群算法、蝙蝠算法等，近些年一直在对深度学习核心技术进行研究，主持参与多项相关重点项目研发及基因项目，且精通多种编程工具，如 MATLAB、Python、 C++、C#、VB、Java、Qt 等。熟悉各种时域、频域和非线性分析方法，如傅里叶变换、小波变换、李雅普诺夫指数、 多尺度熵、压缩感知等，以及各种特征选择与降维方法，如主成分分析、随机投影、互信息、 非负矩阵分解、稀疏优化等。熟悉数据库及网络编程，擅长 Apache + MySQL + PHP 架构开发，以及移动端 Android App 开发等。熟悉可穿戴设备硬件系统的开发，具备心电、肌电、血压、血氧饱和度、惯性传感器等 生理信号采集系统的开发经验。同时，熟悉常用的无线传感器网络通信协议，如 ZigBee、 Wifi、Bluetooth 等。开展Python相关课程多达百余场，发布多篇论文并著有《神经网络 43 个案例分析》和《智能算法 30 个案例分析（第二版）》等。
提供所需全套课件资料、数据代码，并且录播视频永久回放。助学社群长期辅助指导。
通过学习，您不仅学到了理论实操内容，更因此收获了一位科研路上长期相伴的良师益友。
PyTorch深度学习；Python深度学习；Python机器学习；MATLAB编程、机器学习、深度学习；R语言数据挖掘与机器学习...
【基于PyTorch深度学习技术及实践应用】
学习目标：
1. 掌握Python基础编程及常用的科学计算模块库的使用方法
2. 掌握主流的深度学习框架直接的区别与联系
3. 掌握PyTorch深度学习框架的安装与环境配置方法
4. 掌握张量（Tensor）的定义、创建方法、运算、索引操作等
5. 掌握PyTorch的动态计算图与自动求导（Autograd）机制
6. 掌握PyTorch常用工具包及API（torchvision、torch.nn、torch.optim、torch.utils等）的使用方法
7. 掌握前向型神经网络的基本原理、代码实现，以及模型参数优化、模型评价等方法与技巧
8. 掌握卷积神经网络的基本原理、进化史、代码实现、案例实战
9. 掌握PyTorch Lightning的安装、使用方法
10. 掌握迁移学习的基本原理、代码实现、案例实战
11. 掌握生成式对抗网络的基本原理、代码实现、案例实战
12. 掌握RNN、LSTM的基本原理、代码实现、案例实战
13. 掌握目标检测YOLO模型的基本原理、代码实现、案例实战
14. 通过实操培训掌握各种编程技巧
15. 解决实际工作中的疑难问题
【基于MATLAB编程、机器学习、深度学习在图像处理中的应用】
学习目标：
1.掌握图像处理基础知识及其MATLAB代码实现方法
2.掌握经典机器学习算法原理及其MATLAB代码实现方法
3.掌握最新的卷积神经网络、迁移学习等算法的基本原理及其MATLAB代码实现方法
4.掌握生成式对抗网络（GAN）及其在图像处理中的应用及代码实现方法
5.掌握目标检测YOLO模型及其在图像处理中的应用及代码实现方法6.通过深入浅出的讲解、多案例实操，问题解析及学员项目交流，掌握其方法及对接工作实践问题
第一章 梳理MATLAB 图像处理基础内容
第二章 BP神经网络及其在图像处理中的应用
第三章 卷积神经网络及其在图像处理中的应用
第四章 网络优化与调参技巧
第五章 迁移学习算法及其在图像处理中的应用
第六章 循环神经网络与长短时记忆神经网络
第七章 基于深度学习的视频分类案例实战
第八章 生成式对抗网络（GAN）及其在图像处理中的应用
第九章 目标检测YOLO模型及其在图像处理中的应用
第十章 U-Net模型及其在图像处理中的应用
第十一章 自编码器（AutoEncoder）及其在图像处理中的应用
【Python深度学习核心技术方法与案例实践】
专题一、Python编程入门（一）
1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比）
2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）
专题二、Python编程入门（二）
1、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）
2、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）
专题三、Python基本绘图
1、Matplotlib的安装
2、简单图形绘制
3、设置散点、线条、坐标轴、图例、注解等属性
4、绘制多图
5、图的嵌套
专题四、Python科学计算模块库
1、Numpy的安装
2、ndarray类型属性与函数
3、Numpy数组的创建、索引与切片
4、Numpy常用函数简介与使用
专题五、BP神经网络（一）
1、BP神经网络的基本原理（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？）
2、BP神经网络的Python代码实现（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？）
3、案例演示：回归拟合
4、实操练习
专题六、BP神经网络（二）
1、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？）
2、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）
3、案例演示一：分类识别
4、案例演示二：时间序列预测（新型冠状病毒肺炎流行趋势预测）
5、实操练习
专题七、支持向量机
1、SVM的基本原理
2、核函数的作用与粒计算
3、SVM的Python代码实现
1）回归拟合案例实战 2）分类识别案例实战
4、SVM的启发：样本重要性的排序及样本筛选
专题八、决策树与随机森林
1、决策树的基本原理（信息熵与信息增益）
2、ID3算法与C4.5算法
3、决策树的Python代码实现
1）回归拟合案例实战 2）分类识别案例实战
4、决策树的启发：变量重要性的排序及变量筛选
5、随机森林的基本思想与集成学习框架
6、随机森林的Python代码实现
1）回归拟合案例实战 2）分类识别案例实战
专题九、群优化算法
1、群优化算法的前世今生
2、遗传算法（Genetic Algorithm）的基本原理
3、Python遗传算法代码实现
4. 案例演示一：一元/多元函数的极值点优化（连续优化）
5、案例演示二：特征选择（离散优化）
专题十、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）、偏最小二乘法（PLS）的基本原理
3、PCA的启发：训练集与测试集划分合理性的判断
4、经典特征选择方法（前向选择法与后向选择法、无信息变量消除法）的基本原理
5、案例演示：PCA/PLS多元回归拟合Python代码实现
专题十一、复习与答疑讨论
1、课程复习与总结（知识点梳理）
2、如何避开人工智能实际应用中的那些“坑”？如何挖掘创新点？
3、答疑与讨论
【Python 数据挖掘与机器学习核心技术应用】
学习采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出分析机器学习在应用时需要掌握的经验及编程技巧。此外，教程还将通过实际案例的形式，介绍如何提炼创新点，以及如何发表高水平论文等相关经验。旨在帮助学员掌握Python编程的基础知识与技巧、特征工程（数据清洗、变量降维、特征选择、群优化算法）、回归拟合（线性回归、BP神经网络、极限学习机）、分类识别（KNN、贝叶斯分类、支持向量机、决策树、随机森林、AdaBoost、XGBoost与LightGBM等）、聚类分析（K均值、DBSCAN、层次聚类）、关联分析（关联规则、协同过滤、Apriori算法）的基本原理及Python代码实现方法。
模块一： 准备Python编程基础与进阶
Python编程入门
1、Python环境搭建（ 下载、安装与版本选择）
2、如何选择Python编辑器？（IDLE、Notepad++、PyCharm、Jupyter…）
3、Python基础（数据类型和变量、字符串和编码、list和tuple、条件判断、循环、函数的定义与调用等）
4、常见的错误与程序调试
5、第三方模块的安装与使用
6、文件读写（I/O）
7、实操练习
Python进阶与提高
1、Numpy模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用）
2、Pandas模块库（DataFrame数据结构、表格的变换、排序、拼接、融合、分组操作等）
3、Matplotlib基本图形绘制（线形图、柱状图、饼图、气泡图、直方图、箱线图、散点图等）
4、图形样式的美化（颜色、线型、标记、字体等属性的修改）
5、图形的布局（多个子图绘制、规则与不规则布局绘制、向画布中任意位置添加坐标轴）
6、高级图形绘制（3D图、等高线图、棉棒图、哑铃图、漏斗图、树状图、华夫饼图等）
7、坐标轴高阶应用（共享绘图区域的坐标轴、坐标轴刻度样式设置、控制坐标轴的显示、移动坐标轴的位置）
8、实操练习
模块二： 特征工程
数据清洗
1、描述性统计分析（数据的频数分析：统计直方图；数据的集中趋势分析：算数平均值、几何平均数、众数、极差与四分位差、平均离差、标准差、离散系数；数据的分布：偏态系数、峰度；数据的相关分析：相关系数）
2、数据标准化与归一化（为什么需要标准化与归一化？）
3、缺失值处理（删除、填充）
4、实操练习
变量降维
1、主成分分析（PCA）的基本原理
2、偏最小二乘（PLS）的基本原理
3、案例实践
4、实操练习
特征选择
1、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）
2、案例实践
3、实操练习
群优化算法
1、遗传算法（Genetic Algorithm, GA）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、遗传算法的Python代码实现
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：离散变量的寻优计算（基于遗传算法的特征变量筛选）
5、实操练习
模块三： 回归拟合模型
线性回归模型
1、一元线性回归模型与多元线性回归模型（回归参数的估计、回归方程的显著性检验、残差分析）
2、岭回归模型（工作原理、岭参数k的选择、用岭回归选择变量）
3、LASSO模型（工作原理、特征选择、建模预测、超参数调节）
4、Elastic Net模型（工作原理、建模预测、超参数调节）
5、案例实践
6、实操练习
前向型神经网络
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Python代码实现（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？）
3、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？）
4、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）
5、极限学习机（Extreme Learning Machine, ELM）的工作原理
6、案例演示
7、实操练习
模块四： 分类识别模型
KNN、贝叶斯分类与支持向量机
1、KNN分类模型（KNN算法的核心思想、距离度量方式的选择、K值的选取、分类决策规则的选择）
2、朴素贝叶斯分类模型（伯努利朴素贝叶斯BernoulliNB、类朴素贝叶斯CategoricalNB、高斯朴素贝叶斯besfGaussianNB、多项式朴素贝叶斯MultinomialNB、补充朴素贝叶斯ComplementNB）
3、SVM的工作原理（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？）
4、案例实践
5、实操练习
决策树、随机森林、LightGBM、XGBoost
1、决策树的工作原理（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）；决策树除了建模型之外，还可以帮我们做什么事情？
2、随机森林的工作原理（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”体现在哪些地方？随机森林的本质是什么？怎样可视化、解读随机森林的结果？）
3、AdaBoost vs. Gradient Boosting的工作原理
4. 常用的GBDT算法框架（XGBoost、LightGBM）
5、案例实践
6、实操练习
模块五： 聚类分析算法
K均值、DBSCAN、 层次聚类
1、K均值聚类算法的工作原理
2、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法的工作原理
3、层次聚类算法的工作原理
4、案例讲解
5、实操练习
模块六： 关联分析算法
关联规则 协同过滤 Apriori算法
1、关联规则算法的工作原理
2、协同过滤算法的工作原理
3、Apriori算法的工作原理
4、案例讲解
5、实操练习
模块七： 总结与答疑讨论
信息检索与常用科研工具
1、如何无障碍地访问Google、YouTube等网站？（谷歌访问助手、VPN等）
2、如何查阅文献资料？怎样能够保证对最新论文的追踪？
3、Google Scholar、ResearchGate的使用方法
4、应该去哪些地方查找与论文配套的数据和代码？
5、文献管理工具的使用（Endnote、Zotero等）
6、当代码出现错误时，应该如何高效率解决？
7、实操练习
总结与答疑讨论
1、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？
2、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？）
3、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？）
4、相关学习资料分享与拷贝（图书推荐、在线学习推荐等）
5、建立导师助学群，便于后期的讨论与答疑
6、答疑讨论
扫一扫
993
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
