課程簡介

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：粒子群優化（Particle Swarm Optimization, PSO）算法
1、 ?粒子群優化算法的基本原理
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（優化搜索、Filter和Wrapper等）