机器学习及其 matlab 实现-从基础到实践2019

培训目标：

通过本次课程的学习,学员们将会：

掌握各种常见机器学习算法的原理与思想,
学会利用 MATLAB 等编程工具实现各种机器学习算法,并应用到实际的问题和案例中。
将从讲师的授课中学习到大量的 MATLAB 编程经验与技巧,可以快速地从 MATLAB 新手编程 MATLAB 达人。

主题	课程安排
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 2、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)
第二课:MATLAB 进阶与提高	1、MATLAB 编程习惯与风格 2、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	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
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 4、案例实践
第五课:竞争神经网络与 SOM 神经网络	1、竞争神经网络的基本原理 2、自组织特征映射(SOM)神经网络的基本原理 3、案例实践
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
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、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
第九课:遗传算法(Genetic Algorithm, GA)	1、遗传算法的基本原理 2、常见遗传算法工具箱介绍 3、案例实践
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
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
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
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)