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。
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
. x- h1 t3 h$ z1、简单介绍 MATLAB 的安装、版本历史与编程环境
5 M+ r4 `3 j: L  o0 ^3 p8 Z2、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)
/ p: y. }! M6 _5 H$ s
第二课:MATLAB 进阶与提高
1、MATLAB 编程习惯与风格
* L5 G3 T, Q7 x. Q6 i* U* [2、MATLAB 调试技巧
1 a9 C" W' R/ H: g1 L3、向量化编程与内存优化
/ r- x0 E' ?* G& U. f: M4、图形对象和句柄
! R9 [! Y( \7 c  ?9 V
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
) g3 o( D" \+ s1 m
3 D) e/ t; |7 ~) k( z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
5 V: |; d. n& Z' A4 s4、案例实践
6 w) H% M, {9 m0 G9 F, t" y: q
第五课:竞争神经网络与 SOM 神经网络
5 M2 y6 {' W6 _' A1、竞争神经网络的基本原理
! L4 L8 p' E1 ]& l2、自组织特征映射(SOM)神经网络的基本原理
3、案例实践
0 i# I% W6 M2 f. T9 G
3 @  J- F9 @5 `( c* b第六课:支持向量机(Support Vector Machine, SVM)
4 l) K* f. k2 h: J( [/ u2 a1、SVM 分类的基本原理
3 J. S( D9 S% o0 g9 }+ G/ \! }2、SVM 回归拟合的基本原理
. z8 Z. e' H7 @6 X& q1 Q" ~: u3、SVM 的常见训练算法(分块、SMO、增量学习等)
4、案例实践
$ F9 ]& `# A6 f- ^5 y( O( }& i
' {6 f7 @- O, m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 M0 O; j, ?1 O8 }/ Y. ^3、案例实践

. ?3 R* \0 C2 t第八课:决策树与随机森林
/ V' B& l  i2 ]/ m4 F1、决策树的基本原理
2、随机森林的基本原理
) T" [* a& ^5 K, j* G; U! T3、案例实践

5 I7 }' R; n1 Z: C' [2 y第九课:遗传算法(Genetic Algorithm, GA)
1、遗传算法的基本原理
+ F  a  {! o7 f* k3 V8 @' ]+ O) I, d2、常见遗传算法工具箱介绍
3、案例实践

, j: P! p5 k9 }, c2 v* @/ j! h7 x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
& u  H9 A3 I9 i3 z; r! T2、案例实践
* r0 M( Q. f9 k2 ^4 _
& f1 y% s0 ]; u% m第十一课:蚁群算法(Ant Colony Algorithm, ACA)
& W0 f( |& Y* i" F; ]1、粒子群优化算法的基本原理
; v# B; h* k7 h# E3 W) v2 G! w/ r2、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
- W0 Q5 j" w1 s1 y
第十三课:降维与特征选择
6 G9 d5 f9 {- a; Q$ T1、主成分分析的基本原理
2、偏最小二乘的基本原理
7 z2 {9 Z3 L) s; }9 Q- r+ `3、常见的特征选择方法(优化搜索、Filter 和 Wrapper 等)

0 p% F/ j/ r- Y7 h) ^