最新基于MATLAB 2023a的机器学习、深度学习应用
目录
第一章 MATLAB 2023a深度学习工具箱新特性简介
第二章 卷积神经网络（Convolutional Neural Network, CNN）
第三章 模型可解释性与特征可视化Model Explanation and Feature Visualization
第四章 迁移学习算法（Transfer Learning）
第五章 循环神经网络与长短时记忆神经网络（RNN & LSTM）
第六章 时间卷积网络（Temporal Convolutional Network, TCN）
第七章 生成式对抗网络（Generative Adversarial Network）
第八章 自编码器（AutoEncoder）
第九章 目标检测YOLO模型
第十章 U-Net模型
第十一章 讨论与答疑
更多
MATLAB 2023版的深度学习工具箱，提供了完整的工具链，使您能够在一个集成的环境中进行深度学习的建模、训练和部署。与Python相比，MATLAB的语法简洁、易于上手，无需繁琐的配置和安装，让您能够更快地实现深度学习的任务。
MATLAB的深度学习工具箱提供了丰富的函数和算法，涵盖了从数据预处理到模型训练的全过程。您可以轻松地导入和处理大规模数据集，利用批量导入和Datastore类函数高效地进行数据操作。MATLAB还提供了直观的深度网络设计器，让您能够快速构建和定制网络结构，无需编写繁琐的代码。同时，MATLAB与TensorFlow、PyTorch等深度学习框架的协同工作功能让您能够灵活地与其他平台进行交互，充分发挥各自的优势。另外，MATLAB的深度学习工具箱在模型可解释性和特征可视化方面也具备突出的优势。您可以通过特征图可视化、卷积核可视化和类别激活可视化等方法，深入理解深度学习模型的工作原理和决策过程。MATLAB还提供了CAM、LIME、GRAD-CAM等常用的可解释性方法，帮助您解释和解读模型的预测结果。这些功能将为您的研究和项目带来更深入的洞察和理解。
无论您是初学者还是有一定经验的深度学习从业者，都将为您提供丰富的案例讲解和实操练习，让您能够轻松应用所学知识解决实际问题。加入我们，共同探索深度学习的边界，开拓新的可能性！
【专家】：郁磊（副教授），主要从事Python/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，具有丰富的实战应用经验，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
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
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
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）
更多
●基于MATLAB 2021b的机器学习、深度学习应用
●Python数据挖掘与机器学习实践技术应用
●全套Python机器学习核心技术与案例分析应用
●基于现代R语言【Tidyverse、Tidymodel】的机器学习方法
●MATLAB近红外光谱分析技术及实践技术应用
●基于Python近红外光谱分析与机器学习、深度学习方法融合实践技术应用
●基于python机器学习及深度学习在空间模拟与时间预测领域中的实践技术应用
●PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化技术
●面向课题组团队及科研人员AI培养计划：AI人工智能实践技术系统性教学方案
●R语言Meta全流程、不确定、回归、诊断分析与绘图及Meta机器学习高级应用
●Matlab高光谱遥感、数据处理与混合像元分解实践技术应用