一、课程背景
伴随着人工智能第三次浪潮的兴起与发展，以卷积神经网络为代表的深度学习算法在各行各业都取得了广泛、成功的应用。因此，为了帮助广大科研人员更加系统地学习人工智能（包括传统机器学习、深度学习等）的基础理论知识，以及具体的代码实现方法，特举办“MATLAB机器学习与深度学习技术及应用” 培训班，依托MATLAB开发工具，旨在帮助学员掌握人工智能领域经典机器学习算法和热门深度学习方法的基本原理及MATLAB编程实现方法。本次培训采用“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、深入浅出分析人工智能方法在应用时需要掌握的经验及技巧。通过本次培训的学习，学员将会掌握MATLAB处理图像、时间序列、视频流等数据的处理方法和技巧，掌握各种经典机器学习和深度学习方法的基本原理及代码实现方法，掌握提炼与挖掘创新点的方法，以及掌握各种科研必备工具（无障碍访问国外网站、文献与代码的检索与下载、文献管理、代码调试、论文撰写、审稿意见回复、项目申报书撰写等）的使用技巧。我们拟于2024年9月22-24在上海举办“MATLAB与机器学习（深度学习）实践”。
二、主办单位：
北京中际赛威教育科技有限公司
北京中际孚歌科技有限公司
三、研修时间：2024年08月22-24日(21日报到)
四、研修地点：上海（具体地点及路线图详见报到通知）
五、课程内容:
Day 1
第一章 MATLAB 2023a深度学习工具箱新特性简介
1、MATLAB Deep Learning Toolbox概览
2、实时脚本（Live Script）与交互控件（Control）功能介绍与演示
3、批量大数据导入及Datastore类函数功能介绍与演示
4、数据清洗（Data Cleaning）功能介绍与演示
5、深度网络设计器（Deep Network Designer）功能介绍与演示
6、实验管理器（Experiment Manager）功能介绍与演示
7、MATLAB Deep Learning Model Hub简介
8、MATLAB与TensorFlow、PyTorch等深度学习框架协同工作功能介绍与演示
9、MATLAB Deep Learning Toolbox Examples简介
第二章 卷积神经网络（Convolutional Neural Network, CNN）
1、深度学习与传统机器学习的区别与联系
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、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下载与安装
5、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）
6、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）
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
第三章 模型可解释性与特征可视化（Model Explanation and Feature Visualization）
1、什么是模型可解释性？为什么需要对CNN模型进行解释？
2、常用的可视化方法有哪些（特征图可视化、卷积核可视化、类别激活可视化等）？
3、CAM（Class Activation Mapping）、LIME（Local Interpretable Model-agnostic Explanation）、GRAD-CAM等方法原理讲解
4、案例讲解
5、实操练习
第四章 迁移学习算法（Transfer Learning）
1、迁移学习算法的基本原理（为什么需要迁移学习？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：基于Alexnet预训练模型的模型迁移
4、实操练习
第五章 循环神经网络与长短时记忆神经网络（RNN & LSTM）
1. 循环神经网络（RNN）与长短时记忆神经网络（LSTM）的基本原理
2. 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
第六章 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）时间序列预测：新冠肺炎疫情预测
（2）序列-序列分类：人体动作识别
4. 实操练习
Day 3
第七章 生成式对抗网络（Generative Adversarial Network）
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？对抗生成网络可以做什么？）
2、案例讲解：向日葵花图像的自动生成
3、实操练习
第八章 自编码器（AutoEncoder）
1、自编码器的组成及基本工作原理
2、经典自编码器（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）
3、案例讲解：基于自编码器的图像分类
4、实操练习
第九章 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？YOLO模型的工作原理
2、案例讲解：
(1)标注工具Image Labeler功能简介与演示
(2)使用预训练模型实现图像、视频等实时目标检测
(3)训练自己的数据集：新冠疫情佩戴口罩识别
3、实操练习
第十章 U-Net模型
1、语义分割（Semantic Segmentation）简介
2、U-Net模型的基本原理
3、案例讲解：基于U-Net的多光谱图像语义分割
第十一章 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
六、培训费用及注意事宜：
1.培训费：线下收费：4600元/人 (含培训费、午餐费、资料费、证书费)。
2.付款方式：学员报名后，请直接将款汇到指定账号（见回执表）。
3.以上费用不含食宿，培训期间食宿可统一安排，费用自理。
4.培训会务工作由北京中际孚歌科技有限公司组织，并为学员出具正式发票。
七、课程咨询：010-64113137