機器學習及其matlab實現—從基礎到實踐_MATLAB 入門基礎到進階視頻教程_附課程源碼

近年來,隨著人工智能的發(fā)展,機器學習已經廣泛應用于各行各業(yè)中,如語言識別、文 本分類、智能推薦、網絡安全、物聯網等。然而,對于絕大部分非數學專業(yè)出身的人而言, 談到機器學習,就會被大量的數學公式嚇到退避三舍。實際上,隨著計算機與信息技術的快 速發(fā)展,越來越多的人僅需要會使用機器學習這一工具即可,無需了解各種機器學習算法的 細枝末節(jié)。正如,我們每天都在使用計算機,但是我們不需要了解 CPU 和內存在每一時刻 的具體運行過程。因此,我們推出本課程,旨在幫助學員了解各種常見機器學習算法的原理與思想,同時,以具體案例的形式,引導學員自己動手實踐編程。

考慮到眾多學員基礎不一,本次課程將會分成三大部分:MATLAB 入門基礎與提高、機器學習基礎和具體案例實踐。

課程目錄：

第一課:MATLAB 入門基礎

1、簡單介紹 MATLAB 的安裝、版本歷史與編程環(huán)境

2、MATLAB 基礎操作(包括矩陣操作、邏輯與流程控制、函數與腳本文件、基本繪圖等)

3、文件導入(mat、txt、xls、csv 等格式)

第二課:MATLAB 進階與提高

1、MATLAB 編程習慣與風格

2、MATLAB 調試技巧

3、向量化編程與內存優(yōu)化

4、圖形對象和句柄

第三課:BP 神經網絡

1、BP神經網絡的基本原理

2、BP神經網絡的 MATLAB 實現

3、案例實踐

4、BP神經網絡參數的優(yōu)化

第四課:RBF、GRNN 和 PNN 神經網絡

1、RBF 神經網絡的基本原理

2、GRNN 神經網絡的基本原理

3、PNN 神經網絡的基本原理

4、案例實踐

第五課:競爭神經網絡與 SOM 神經網絡

1、競爭神經網絡的基本原理

2、自組織特征映射(SOM)神經網絡的基本原理

3、案例實踐

第六課:支持向量機(Support Vector Machine, SVM)

1、SVM 分類的基本原理

2、SVM 回歸擬合的基本原理

3、SVM 的常見訓練算法(分塊、SMO、增量學習等)

4、案例實踐

第七課:極限學習機(Extreme Learning Machine, ELM)

1、ELM 的基本原理

2、ELM 與 BP 神經網絡的區(qū)別與聯系

3、案例實踐

第八課:決策樹與隨機森林

1、決策樹的基本原理

2、隨機森林的基本原理

3、案例實踐

第九課:遺傳算法(Genetic Algorithm, GA)

1、遺傳算法的基本原理

2、常見遺傳算法工具箱介紹

3、案例實踐

第十課:粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法

1、粒子群優(yōu)化算法的基本原理

2、案例實踐

第十一課:蟻群算法(Ant Colony Algorithm, ACA)

1、粒子群優(yōu)化算法的基本原理

2、案例實踐

第十二課:模擬退火算法(Simulated Annealing, SA)

1、模擬退火算法的基本原理

2、案例實踐

第十三課:降維與特征選擇

1、主成分分析的基本原理

2、偏最小二乘的基本原理

3、常見的特征選擇方法(優(yōu)化搜索、Filter 和 Wrapper 等)