机器学习及其matlab实现—从基础到实践 MATLAB入门基础到进阶视频教程
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)
