近年来,随着AlphaGo、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。尤其是深度学习技术,在许多行业都取得了颠覆性的成果。另外,近年来,Python编程语言受到越来越多科研人员的喜爱,在多个编程语言排行榜中持续夺冠。
【专家】:
郁磊副教授:长期从事Python、Matlab机器学习及深度学习等研究工作,具备良好的数学及信号处理基础,熟悉如神经网络、支持向量机、决策树、随机森林等,以及群优 化算法,如遗传算法、蚁群算法、蝙蝠算法等,近些年一直在对深度学习核心技术进行研究,主持参与多项相关重点项目研发及基因项目,且精通多种编程工具,如 MATLAB、Python、 C++、C#、VB、Java、Qt 等。熟悉各种时域、频域和非线性分析方法,如傅里叶变换、小波变换、李雅普诺夫指数、 多尺度熵、压缩感知等,以及各种特征选择与降维方法,如主成分分析、随机投影、互信息、 非负矩阵分解、稀疏优化等。 熟悉数据库及网络编程,擅长 Apache + MySQL + PHP 架构开发,以及移动端 Android App 开发等。 熟悉可穿戴设备硬件系统的开发,具备心电、肌电、血压、血氧饱和度、惯性传感器等 生理信号采集系统的开发经验。同时,熟悉常用的无线传感器网络通信协议,如 ZigBee、 Wifi、Bluetooth 等。开展Python相关课程多大百余场,发布多篇论文并著有《神经网络 43 个案例分析》和《智能算法 30 个案例分析(第二版)》等。
【内容详情】:
一、Python基础知识串讲1、Python环境搭建(Python软件下载、安装与版本选择;PyCharm下载、安装;Python之Hello World;第三方模块的安装与使用;Python 2.x与Python 3.x对比)
2、Python基本语法(Python变量命名规则;Python基本数学运算;Python常用变量类型的定义与操作;Python程序注释)
3、Python流程控制(条件判断;for循环;while循环;break和continue关键字;嵌套循环与可变循环)
4、Python函数与对象(函数的定义与调用;函数的参数传递与返回值;变量作用域与全局变量;对象的创建与使用)
5、Matplotlib的安装与图形绘制(设置散点、线条、坐标轴、图例、注解等属性;绘制多图;图的嵌套)
6、科学计算模块库(Numpy的安装;ndarray类型属性与数组的创建;数组索引与切片;Numpy常用函数简介与使用)
二 、BP神经网络(一)
1、BP神经网络的基本原理(人工神经网络的分类有哪些?有导师学习和无导师学习的区别是什么?BP神经网络的拓扑结构和训练过程是怎样的?什么是梯度下降法?BP神经网络建模的本质是什么?)
2、BP神经网络的Python代码实现(怎样划分训练集和测试集?为什么需要归一化?归一化是必须的吗?什么是梯度爆炸与梯度消失?)
3、案例演示:回归拟合
4、实操练习
三、BP神经网络(二)
1、BP神经网络参数的优化(隐含层神经元个数、学习率、初始权值和阈值等如何设置?什么是交叉验证?)
2、值得研究的若干问题(欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等)
3、案例演示一:分类识别
4、案例演示二:时间序列预测(新型冠状病毒肺炎流行趋势预测)
5、实操练习
四、支持向量机决策树与随机森林
1、SVM的基本原理、核函数的作用与粒计算
2、SVM的Python代码实现:(1)回归拟合案例实战;(2)分类识别案例实战
3、SVM的启发:样本重要性的排序及样本筛选
4、决策树的基本原理(信息熵与信息增益)、ID3算法与C4.5算法
5、决策树的Python代码实现:(1)回归拟合案例实战;(2)分类识别案例实战
6、决策树的启发:变量重要性的排序及变量筛选
7、随机森林的基本思想与集成学习框架
8、随机森林的Python代码实现:(1)回归拟合案例实战;(2)分类识别案例实战
9、实操练习
五、遗传算法变量降维与特征选择
1、群优化算法的前世今生
2、遗传算法(Genetic Algorithm)的基本原理
3、Python遗传算法代码实现:(1)一元/多元函数的极值点优化(连续优化);(2)特征选择(离散优化)
4、变量降维(Dimension reduction)与特征选择(Feature selection)在概念上的区别与联系
5、主成分分析(PCA)、偏最小二乘法(PLS)的基本原理
6、PCA的启发:训练集与测试集划分合理性的判断
7、PCA/PLS多元回归拟合Python代码实现
8、经典特征选择方法(前向选择法与后向选择法、无信息变量消除法)的基本原理
9、实操练习
六、传统机器学习方法总结
1、过拟合(Overfitting)与欠拟合(Underfitting)
2、模型评价与模型选择(奥卡姆剃刀定律)
3、如何避开人工智能实际应用中的那些“坑”?如何挖掘创新点?
4、如何回应审稿人提出的“尖锐”问题?
七、深度学习入门基础卷积神经网络
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、Python深度学习开源工具箱简介
5、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
6、实操练习
八、迁移学习
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
九、生成式对抗网络
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Python代码实现(手写数字生成)
4、实操练习
十、循环神经网络长短时记忆网络
1、循环神经网络RNN的基本工作原理
2、长短时记忆网络LSTM的基本工作原理
3、LSTM的几种变形结构
4、案例讲解:时间序列预测(北京市污染物预测)
5、实操练习
十一、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:
(1)darknet框架环境配置;
(2)利用预训练好的YOLO模型实现目标检测;
(3)数据标注演示;
(4)训练自己的目标检测数据集
5、实操练习
十二、复习与答疑讨论
1、课程复习与总结(知识点梳理)
2、课程相关资料拷贝与分享
3、答疑与讨论(大家提前把问题整理好)