各企、事业单位：
近年来，伴随着深度学习的快速发展，人工智能迎来了新一轮的发展浪潮，在各行各业都得到了非常广泛的应用。因此，为了帮助广大科研人员更加系统地学习机器学习和深度学习的基础理论知识及其在MATLAB软件环境下的代码实现方法，宏新环宇（北京）信息技术研究院有限公司特举办“基于MATLAB2023的深度学习理论、应用与实践”培训班，旨在帮助学员掌握MATLAB 2023a深度学习工具箱的新特性、经典机器学习算法及最新的深度神经网络、迁移学习、循环神经网络、对抗生成网络、YOLO目标检测和自编码器AutoEncoder等算法的基本原理及其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。
一、时间地点：
2024年7月5日-7月7日 北京/同步直播 （7月4号发放课程资料，5日-7日上课）
（课后可免费在线观看同步教学视频）
二、主讲专家：
该课程讲师，副教授，博士毕业于中国科学院大学生物医学工程专业，主要从事人工智能、健康医疗大数据分析、隐私计算、物联网和边缘计算等领域的研究工作和系统开发，具有丰富的实战应用经验，具备良好的数学及信号处理基础，较好的英语听说读写能力，以及严谨细致的科研素养。熟练掌握经典机器学习和深度学习算法的原理和应用，以及群优化算法，如遗传算法、蚁群算法、蝙蝠算法等，且精通多种编程工具，如MATLAB、Python、C++、C#、VB、Java、Qt等。主编《MATLAB智能算法30个案例分析》、《MATLAB神经网络43个案例分析》等相关著作。已发表多篇高水平的国际学术研究论文。开展线上、线下培训100多场次，学员上千人。
三、收费标准：
培训费：4680元/人，含培训费、资料费、视频费等。住宿可统一安排，费用自理。
五、内容大纲：
|
时间 |
课程章节 |
主要内容 |
|
Day 1 9:00-10:00 |
第一章 MATLAB 2023a新特性简介 |
1、实时脚本（Live Script）与交互控件（Control）功能介绍与演示 2、批量大数据导入及Datastore类函数功能介绍与演示 3、数据清洗（Data Cleaning）功能介绍与演示 4、实验管理器（Experiment Manager）功能介绍与演示 5、MATLAB Deep Learning Toolbox概览 6、MATLAB Deep Learning Model Hub简介 7、深度网络设计器（Deep Network Designer）功能介绍与演示 8、MATLAB与TensorFlow、PyTorch等深度学习框架协同工作功能介绍与演示 |
|
Day 1 10:00-12:00 14:00-16:00 |
第二章 前向型神经网络 |
1、人工智能基本概念辨析（回归拟合问题与分类识别问题；有监督学习与无监督学习；训练集、验证集与测试集；过拟合与欠拟合） 2、BP 神经网络、极限学习机的工作原理（误差反向传播、梯度下降法） 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 |
|
Day 1 16:00-17:30 |
第三章 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）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 6.1前向选择法与后向选择法 6.2无信息变量消除法 6.3基于二进制遗传算法的特征选择（群优化算法算法的基本思想、遗传算法的工作原理与具体代码实现方法） 7、实操练习 |
|
Day 2 9:00-12:00 |
第四章 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、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet 等）的下载 与安装 5、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） 6、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 7、实操练习 |
|
Day 2 14:00-15:00 |
第五章 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（Dogs vs. Cats） 4、实操练习 |
|
Day 2 15:00-16:00 |
第六章 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（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 |
|
Day 2 16:00-17:30 |
第七章 循环神经网络与长短时记忆神经网络 |
1、 循环神经网络（RNN）的基本原理 2、长短时记忆神经网络（LSTM）的基本原理 3、RNN 与 LSTM 的区别与联系 4、案例讲解： 4.1时间序列预测 4.2序列-序列分类 5、实操练习 |
|
Day 3 9:00-10:00 |
第八章 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 |
|
Day 3 10:00-12:00 |
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 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： 4.1使用预训练模型实现图像、视频等实时目标检测 4.2训练自己的数据集：新冠疫情佩戴口罩识别 5、实操练习 |
|
Day 3 14:00-15:30 |
第十章 自编码器 |
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 |
|
Day 3 15:30-17:00 |
第十一章 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 4、实操练习 |
|
Day 3 17:00-17:30 |
第十二章 讨论与答疑 |
1、如何查阅文献资料？（你会使用ChatGPT、 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 |