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【13课时】

冰点也疯狂

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。
0 z, z5 K- a* V9 ^" X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
& q0 t  q! l, o( L8 T; f4 C1 o2、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)
5 m0 V' ]. S. C$ M$ ~0 q3、文件导入(mat、txt、xls、csv 等格式)

第二课:MATLAB 进阶与提高
# N0 p& C% q" ^* o) w1、MATLAB 编程习惯与风格
. ~* {9 k0 ?$ Z9 z9 H2、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
* w1 D' d3 {0 {9 M; J1、BP神经网络的基本原理
, U3 \& v& G4 o3 r  U2、BP神经网络的 MATLAB 实现
3、案例实践
6 L* {$ B  G/ I4、BP神经网络参数的优化
5 f5 Z  u8 x  G1 Q* x
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
7 J. [. T' m6 z4、案例实践
# L5 ]' u; U" ^. `+ d8 ~4 x9 L
! [5 J2 ?3 t: T3 b+ u5 ?3 x4 h0 |第五课:竞争神经网络与 SOM 神经网络
; c1 S% m& q; Y* G4 S0 j1、竞争神经网络的基本原理
* n& e3 S) ?* K3 {  N- ]) {3 M2、自组织特征映射(SOM)神经网络的基本原理
  R' G5 B! C% q! N/ t0 m9 ~3、案例实践

/ s3 w7 K# R) P+ K! s/ h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
! M$ g. f9 w* c" d
第七课:极限学习机(Extreme Learning Machine, ELM)
' G. w. F+ C& V6 n. a1、ELM 的基本原理
: s. D' I# L+ }1 l2、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
8 E- f% F& c' X
第九课:遗传算法(Genetic Algorithm, GA)
- c& B6 f3 A- c% A1、遗传算法的基本原理
2、常见遗传算法工具箱介绍
/ b& g$ B4 g( H- d8 }, W, K8 ?0 L3、案例实践
2 H6 U3 q/ s$ E
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

8 C: V& b2 `8 Q2 Y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
" X) r/ y! W) C% s1 @6 w
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
9 C" n; y# ~5 l4 E4 Z
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)
4 v+ i; Q" {$ V, D0 |
8 R( ~7 F- N- E# U0 H