系统学习MATLAB机器学习和深度学习的理论知识及对应的代码实现方法
系统学习机器学习和深度学习的理论知识及对应的代码实现方法，掌握图像处理的基础知识，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+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。
第一章MATLAB基础编程串讲
1、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2、文件导入：mat、txt、xls、csv、jpg、wav、avi等格式3、MATLAB编程习惯、编程风格与调试技巧4、MATLAB数字图像处理入门5、案例讲解：基于手机摄像头的心率计算6、实操练习
第二章MATLAB统计分析基础
1、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；条形图、直方图、散点图、箱线图）2、概率分布与统计推断（离散概率分布：二项分布、泊松分布；连续概率分布：正态分布、均匀分布、指数分布；点估计与区间估计；最大似然估计与贝叶斯估计；假设检验：t检验、卡方检验、F检验；P值与显著性水平等）3、回归分析（多元线性回归模型；最小二乘法估计；变量选择与模型优化；多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等）4、案例讲解与实操练习
第三章BP神经网络
1、人工智能基本概念辨析（回归拟合问题与分类识别问题；有监督（导师）学习与无监督（无导师）学习；训练集、验证集与测试集；过拟合与欠拟合）2、BP神经网络的工作原理3、数据预处理（归一化、异常值剔除、数据扩增技术等）4、交叉验证与模型参数优化5、模型评价与指标的选择（回归拟合问题vs.分类识别问题）6、案例讲解：①手写数字识别②人脸朝向识别③回归拟合预测7、实操练习
第四章支持向量机、决策树与随机森林
1、支持向量机的基本原理（支持向量的本质、核函数的意义、SVM的启示等）2、决策树的基本原理（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）3、随机森林的基本原理（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”提现在哪些地方？随机森林的本质是什么？）4、知识扩展：支持向量机、决策树除了建模型之外，还可以帮我们做什么事情？怎样解读随机森林的结果？5、案例讲解：①鸢尾花Iris分类识别（SVM、决策树）②基于随机森林的乳腺癌良性/恶性肿瘤智能诊断模型6、实操练习
第五章变量降维与特征选择
1、变量降维(Dimensionreduction)与特征选择(Featureselection)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③基于二进制遗传算法的特征选择7、SHAP法解释特征重要性与可视化（Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释）8、案例演示与实操练习
第六章卷积神经网络
1、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）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、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（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下载与安装7、案例讲解：①CNN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④1DCNN模型解决回归拟合预测问题8、实操练习
第七章网络优化与调参技巧
1、网络拓扑结构优化2、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）3、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）4、案例讲解：卷积神经网络模型优化5、实操练习
第八章迁移学习算法
1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？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：猫狗大战（Dogsvs.Cats）4、实操练习
第九章循环神经网络与长短时记忆神经网络
第十一章生成式对抗网络（GAN）
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？对抗生成网络可以帮我们做什么？GAN给我们带来的启示）2、GAN的基本原理及GAN进化史3、案例讲解：GAN的MATLAB代码实现（向日葵花图像的自动生成）4、实操练习
第十二章目标检测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2、YOLO模型的工作原理3、从YOLOv1到v5的进化之路4、案例讲解：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：新冠疫情佩戴口罩识别5、实操练习
第十三章U-Net模型
1、语义分割（SemanticSegmentation）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4、实操练习
第十四章自编码器（AutoEncoder）
1、自编码器的组成及基本工作原理2、自编码器的变种（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）及其工作原理3、案例讲解：基于自编码器的图像分类4、实操练习
第十五章模型可解释性与特征可视化
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（ClassActivationMapping）、LIME（LocalInterpretableModel-agnosticExplanation）、GRAD-CAM等方法原理讲解4、案例讲解5、实操练习
第十六章讨论与答疑
更多应用
①最新ChatGPT办公与科研应用、论文撰写、数据分析、机器学习、深度学习及AI绘图②AI大语言模型进阶应用及模型优化、本地化部署、从0-1搭建、智能体构建技术③最新全流程Python编程、机器学习与深度学习实践技术应用④深度学习全景进阶：最新Python深度学习进阶与前沿应用