论坛元老
- 威望
- 276
- 贡献
- 320
- 热心值
- 7
- 金币
- 41780
- 注册时间
- 2020-8-31
|
课程简介:
近年来，随着人工智能的发展，机器学习已经广泛应用于各行各业中，如语言识别、文本分类、智能推荐、网络安全、物联网等。然而，对于绝大部分非数学专业出身的人而言，谈到机器学习，就会被大量的数学公式吓到退避三舍。实际上，随着计算机与信息技术的快速发展，越来越多的人仅需要会使用机器学习这一工具即可，无需了解各种机器学习算法的细枝末节。正如，我们每天都在使用计算机，但是我们不需要了解CPU和内存在每一时刻的具体运行过程。因此，我们推出本课程，旨在帮助学员了解各种常见机器学习算法的原理与思想，同时，以具体案例的形式，引导学员自己动手实践编程。
考虑到众多学员基础不一，本次课程将会分成三大部分：MATLAB入门基础与提高、机器学习基础和具体案例实践。
课程目录：
第一课：MATLAB入门基础
1、 简单介绍MATLAB的安装、版本历史与编程环境
2、 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）
3、 文件导入（mat、txt、xls、csv等格式）
第二课：MATLAB进阶与提高
1、 MATLAB编程习惯与风格
2、 MATLAB调试技巧
3、 向量化编程与内存优化
4、 图形对象和句柄
第三课：BP神经网络
1、 BP神经网络的基本原理
2、 BP神经网络的MATLAB实现
3、 案例实践
4、 BP神经网络参数的优化
第四课：RBF、GRNN和PNN神经网络
1、 RBF神经网络的基本原理
2、 GRNN神经网络的基本原理
3、 PNN神经网络的基本原理
4、 案例实践
第五课：竞争神经网络与SOM神经网络
1、 竞争神经网络的基本原理
2、 自组织特征映射（SOM）神经网络的基本原理
3、 案例实践
第六课：支持向量机（Support Vector Machine, SVM）
1、 SVM分类的基本原理
2、 SVM回归拟合的基本原理
3、 SVM的常见训练算法（分块、SMO、增量学习等）
4、 案例实践
第七课：极限学习机（Extreme Learning Machine, ELM）
1、 ELM的基本原理
2、 ELM与BP神经网络的区别与联系
3、 案例实践
第八课：决策树与随机森林
1、 决策树的基本原理
2、 随机森林的基本原理
3、 案例实践
第九课：遗传算法（Genetic Algorithm, GA）
1、 遗传算法的基本原理
2、 常见遗传算法工具箱介绍
3、 案例实践
第十课：粒子群优化（Particle Swarm Optimization, PSO）算法
1、 粒子群优化算法的基本原理
2、 案例实践
第十一课：蚁群算法（Ant Colony Algorithm, ACA）
1、 粒子群优化算法的基本原理
2、 案例实践
第十二课：模拟退火算法（Simulated Annealing, SA）
1、 模拟退火算法的基本原理
2、 案例实践
第十三课：降维与特征选择
1、 主成分分析的基本原理
2、 偏最小二乘的基本原理
3、 常见的特征选择方法（优化搜索、Filter和Wrapper等）
|
|
发表于 2019-3-27 11:17
