目录

          基于R语言机器学习方法与案例分析

基于MATLAB机器学习、深度学习在图像处理中的实践技术应用

全套Python机器学习核心技术与案例分析实践应用

基于R语言机器学习方法与案例分析

机器学习已经成为继理论、实验和数值计算之后的科研“第四范式”&＃xff0c;是发现新规律&＃xff0c;总结和分析实验结果的利器。机器学习涉及的理论和方法繁多&＃xff0c;编程相当复杂&＃xff0c;一直是阻碍机器学习大范围应用的主要困难之一&＃xff0c;由此诞生了Python&＃xff0c;R&＃xff0c;SAS&＃xff0c;STAT等语言辅助机器学习算法的实现。在各种语言中&＃xff0c;R语言以编程简单&＃xff0c;方法先进脱颖而出。

【教 程】基 于 R 语 言 机 器 学 习 方 法 与 案 例 分 析

专题一&＃xff1a;基础知识
1.机器学习的基本概念
2.机器学习建模过程
3.特征工程

专题二&＃xff1a;回归
1.线性回归略谈
2.岭回归
3.偏最小二乘法
4.Lasso回归与最小角度回归
5.弹性网回归

专题三&＃xff1a;树形模型
1.分类回归树
2.随机森林

专题四&＃xff1a;集成学习
1.梯度提升法
2.装袋法
3.GBM与随机GBM
4. XGBOST
5.总结

专题五&＃xff1a;其它方法
1.支持向量机
2.深度学习基础
3.可解释的机器学习

专题六&＃xff1a;降维
1.主成分分析
2.广义低秩模型
3.Autoenconders

专题七&＃xff1a;聚类与分类
1.K-均值聚类
2.分层聚类
3.K-近邻分类
4.Logistic回归

基于MATLAB机器学习、深度学习在图像处理中的实践技术应用

近年来&＃xff0c;随着无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生&＃xff0c;人工智能迎来了新一轮的发展浪潮。尤其是在计算机视觉和图像处理领域&＃xff0c;各种颠覆性的成果应运而生。因此&＃xff0c;为了帮助广大科研人员更加系统地学习图像处理、机器学习和深度学习的基础理论知识及对应的代码实现方法&＃xff0c;帮助学员掌握图像处理的基础知识&＃xff0c;以及经典机器学习算法和最新的深度神经网络、迁移学习、对抗生成网络等算法的基本原理及其MATLAB编程实现方法。采用“理论讲解&＃43;案例实战&＃43;动手实操&＃43;讨论互动”相结合的方式&＃xff0c;抽丝剥茧、深入浅出分析图像处理、机器学习和深度学习在应用时需要掌握的经验及编程技巧。

【目标】&＃xff1a;
1、掌握图像处理基础知识及其MATLAB代码实现方法&＃xff1b;
2、掌握经典机器学习算法原理及其MATLAB代码实现方法&＃xff1b;
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&＃xff1b;
4、掌握生成式对抗网络&＃xff08;GAN&＃xff09;及其在图像处理中的应用及代码实现方法&＃xff1b;
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&＃xff1b;
6、通过深入浅出的讲解、多案例实操&＃xff0c;问题解析及学员项目交流&＃xff0c;掌握其方法及对接工作实践问题。

【教 程】基 于 MATLAB 机 器 学 习、深 度 学 习 在 图 像 处 理 中 的 实 践 技 术 应 用

第一章 梳理MATLAB 图像处理基础内容
1、图像的分类与表示方法
2、图像的常见格式及读写&＃xff08;彩色图像、灰度图像、二值图像等&＃xff09;
3、图像类型的转换
4、数字图像的基本运算
5、数字图像的几何变换&＃xff08;平移、镜像、缩放、旋转等&＃xff09;
6、数字图像的邻域和块操作
7、图像去噪与图像复原
8、图像边缘检测与图像分割
9、案例讲解&＃xff1a;基于手机摄像头的心率计算
10、实操练习

第二章 BP神经网络及其在图像处理中的应用
1、人工智能基本概念辨析&＃xff08;回归拟合问题与分类识别问题&＃xff1b;有监督&＃xff08;导师&＃xff09;学习与无监督&＃xff08;无导师&＃xff09;学习&＃xff1b;训练集、验证集与测试集&＃xff1b;过拟合与欠拟合&＃xff09;
2、BP神经网络的工作原理
3、数据预处理&＃xff08;归一化、异常值剔除、数据扩增技术等&＃xff09;
4、交叉验证与模型参数优化
5、模型评价与指标的选择&＃xff08;回归拟合问题 vs. 分类识别问题&＃xff09;
6、案例讲解&＃xff1a; &＃xff08;1&＃xff09;手写数字识别 &＃xff08;2&＃xff09;人脸朝向识别
7、实操练习

第三章 卷积神经网络及其在图像处理中的应用
1、深度学习与传统机器学习的区别与联系&＃xff08;神经网络的隐含层数越多越好吗&＃xff1f;深度学习与传统机器学习的本质区别是什么&＃xff1f;&＃xff09;
2、卷积神经网络的基本原理&＃xff08;什么是卷积核&＃xff1f;CNN的典型拓扑结构是怎样的&＃xff1f;CNN的权值共享机制是什么&＃xff1f;CNN提取的特征是怎样的&＃xff1f;&＃xff09;
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&＃xff08;Alexnet、Vgg-16/19、GoogLeNet、ResNet等&＃xff09;的下载与安装
7、案例讲解&＃xff1a; &＃xff08;1&＃xff09;CNN预训练模型实现物体识别 &＃xff08;2&＃xff09;利用卷积神经网络抽取抽象特征 &＃xff08;3&＃xff09;自定义卷积神经网络拓扑结构
8、实操练习

第四章 网络优化与调参技巧
1、网络拓扑结构优化
2、优化算法&＃xff08;梯度下降、随机梯度下降、小批量随机梯度下降、动量法、Adam等&＃xff09;
3、调参技巧&＃xff08;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&＃xff09; 4、案例讲解&＃xff1a;卷积神经网络模型优化
5、实操练习

第五章 迁移学习算法及其在图像处理中的应用
1、迁移学习算法的基本原理&＃xff08;为什么需要迁移学习&＃xff1f;为什么可以迁移学习&＃xff1f;迁移学习的基本思想是什么&＃xff1f;&＃xff09;
2、基于深度神经网络模型的迁移学习算法
3、案例讲解&＃xff1a;猫狗大战&＃xff08;Dogs vs. Cats&＃xff09;
4、实操练习

第六章 循环神经网络与长短时记忆神经网络
1. 循环神经网络&＃xff08;RNN&＃xff09;的基本原理
2. 长短时记忆神经网络&＃xff08;LSTM&＃xff09;的基本原理
3. RNN与LSTM的区别与联系
4. 案例讲解&＃xff1a; &＃xff08;1&＃xff09;时间序列预测 &＃xff08;2&＃xff09;序列-序列分类
5、实操练习

第七章 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&＃xff1a;HMDB51数据集视频分类
6、实操练习

第八章 生成式对抗网络&＃xff08;GAN&＃xff09;及其在图像处理中的应用
1、生成式对抗网络GAN&＃xff08;什么是对抗生成网络&＃xff1f;为什么需要对抗生成网络&＃xff1f;对抗生成网络可以帮我们做什么&＃xff1f;GAN给我们带来的启示&＃xff09;
2、GAN的基本原理及GAN进化史
3、案例讲解&＃xff1a;GAN的MATLAB代码实现&＃xff08;向日葵花图像的自动生成&＃xff09;
4、实操练习

第九章 目标检测YOLO模型及其在图像处理中的应用  
1、什么是目标检测&＃xff1f;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&＃xff1a; (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&＃xff1a;新冠疫情佩戴口罩识别
5、实操练习

第十章 U-Net模型及其在图像处理中的应用
1、语义分割&＃xff08;Semantic Segmentation&＃xff09;简介
2、U-Net模型的基本原理
3、案例讲解&＃xff1a;基于U-Net的多光谱图像语义分割
4、实操练习

第十一章 自编码器&＃xff08;AutoEncoder&＃xff09;及其在图像处理中的应用
1、自编码器的组成及基本工作原理
2、自编码器的变种&＃xff08;栈式自编码器、稀疏自编码器、去噪自编码器、卷积自编码器等&＃xff09;及其工作原理
3、案例讲解&＃xff1a;基于自编码器的图像分类
4、实操练习

第十二章 讨论与答疑
1、如何查阅文献资料&＃xff1f;&＃xff08;你会使用Google Scholar、Sci-Hub、ResearchGate吗&＃xff1f;应该去哪些地方查找与论文配套的数据和代码&＃xff1f;&＃xff09;
2、如何提炼与挖掘创新点&＃xff1f;&＃xff08;如果在算法层面上难以做出原创性的工作&＃xff0c;如何结合自己的实际问题提炼与挖掘创新点&＃xff1f;&＃xff09;
3、相关学习资料分享与拷贝

全套Python机器学习核心技术与案例分析实践应用

【专家】&＃xff1a;郁磊副教授&＃xff0c;主要从事MATLAB编程、机器学习与数据挖掘、数据可视化和软件开发、生理系统建模与仿真、生物医学信号处理&＃xff0c;具有丰富的实战应用经验&＃xff0c;主编《MATLAB智能算法30个案例分析》、《MATLAB神经网络43个案例分析》相关著作。已发表多篇高水平的国际学术研究论文。

【教 程】全 套 Python 机 器 学 习 核 心 技 术 与 案 例 分 析

更多教程&＃xff1a;
●基于MATLAB深度学习与实践技术应用
●最新基于MATLAB 2021b的机器学习、深度学习实践应用
●基于PyTorch深度学习实践技术应用
●基于PyTorch机器学习与深度学习实践应用与案例分析