目录
基于R语言机器学习方法与案例分析
基于MATLAB机器学习、深度学习在图像处理中的实践技术应用
全套Python机器学习核心技术与案例分析实践应用
基于R语言机器学习方法与案例分析
机器学习已经成为继理论、实验和数值计算之后的科研“第四范式”,是发现新规律,总结和分析实验结果的利器。机器学习涉及的理论和方法繁多,编程相当复杂,一直是阻碍机器学习大范围应用的主要困难之一,由此诞生了Python,R,SAS,STAT等语言辅助机器学习算法的实现。在各种语言中,R语言以编程简单,方法先进脱颖而出。
【教 程】基 于 R 语 言 机 器 学 习 方 法 与 案 例 分 析
专题一:基础知识
1.机器学习的基本概念
2.机器学习建模过程
3.特征工程
专题二:回归
1.线性回归略谈
2.岭回归
3.偏最小二乘法
4.Lasso回归与最小角度回归
5.弹性网回归
专题三:树形模型
1.分类回归树
2.随机森林
专题四:集成学习
1.梯度提升法
2.装袋法
3.GBM与随机GBM
4. XGBOST
5.总结
专题五:其它方法
1.支持向量机
2.深度学习基础
3.可解释的机器学习
专题六:降维
1.主成分分析
2.广义低秩模型
3.Autoenconders
专题七:聚类与分类
1.K-均值聚类
2.分层聚类
3.K-近邻分类
4.Logistic回归
基于MATLAB机器学习、深度学习在图像处理中的实践技术应用
近年来,随着无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生,人工智能迎来了新一轮的发展浪潮。尤其是在计算机视觉和图像处理领域,各种颠覆性的成果应运而生。因此,为了帮助广大科研人员更加系统地学习图像处理、机器学习和深度学习的基础理论知识及对应的代码实现方法,帮助学员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。
【目标】:
1、掌握图像处理基础知识及其MATLAB代码实现方法;
2、掌握经典机器学习算法原理及其MATLAB代码实现方法;
3、掌握最新的卷积神经网络、迁移学习等算法的基本原理及其MATLAB代码实现方法;
4、掌握生成式对抗网络(GAN)及其在图像处理中的应用及代码实现方法;
5、掌握目标检测YOLO模型及其在图像处理中的应用及代码实现方法;
6、通过深入浅出的讲解、多案例实操,问题解析及学员项目交流,掌握其方法及对接工作实践问题。
【教 程】基 于 MATLAB 机 器 学 习、深 度 学 习 在 图 像 处 理 中 的 实 践 技 术 应 用
第一章 梳理MATLAB 图像处理基础内容
1、图像的分类与表示方法
2、图像的常见格式及读写(彩色图像、灰度图像、二值图像等)
3、图像类型的转换
4、数字图像的基本运算
5、数字图像的几何变换(平移、镜像、缩放、旋转等)
6、数字图像的邻域和块操作
7、图像去噪与图像复原
8、图像边缘检测与图像分割
9、案例讲解:基于手机摄像头的心率计算
10、实操练习
第二章 BP神经网络及其在图像处理中的应用
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
7、实操练习
第三章 卷积神经网络及其在图像处理中的应用
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: (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
8、实操练习
第四章 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
第五章 迁移学习算法及其在图像处理中的应用
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
第六章 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: (1)时间序列预测 (2)序列-序列分类
5、实操练习
第七章 基于深度学习的视频分类案例实战
1、基于深度学习的视频分类基本原理
2、读取视频流文件并抽取图像帧
3、利用预训练CNN模型提取指定层的特征图
4、自定义构建LSTM神经网络模型
5、案例讲解:HMDB51数据集视频分类
6、实操练习
第八章 生成式对抗网络(GAN)及其在图像处理中的应用
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
第九章 目标检测YOLO模型及其在图像处理中的应用
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: (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
第十章 U-Net模型及其在图像处理中的应用
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
第十一章 自编码器(AutoEncoder)及其在图像处理中的应用
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
第十二章 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
全套Python机器学习核心技术与案例分析实践应用
【专家】:郁磊副教授,主要从事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。
【教 程】全 套 Python 机 器 学 习 核 心 技 术 与 案 例 分 析
更多教程:
●基于MATLAB深度学习与实践技术应用
●最新基于MATLAB b的机器学习、深度学习实践应用
●基于PyTorch深度学习实践技术应用
●基于PyTorch机器学习与深度学习实践应用与案例分析