MATLAB与机器学习入门

高等数学
线性代数

MATLAB 是 MathWorks 开发的数值计算环境和编程语言。

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）