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）
