MATLAB与机器学习入门

高等數學
線性代數

MATLAB 是 MathWorks 開發的數值計算環境和程式設計語言。

第一課：MATLAB入門基礎
1、  簡單介紹MATLAB的安裝、版本歷史與程式設計環境
2、  MATLAB基礎操作（包括矩陣操作、邏輯與流程控制、函數與腳本檔、基本繪圖等）
3、  檔案匯入（mat、txt、xls、csv等格式）
第二課：MATLAB進階與提高
1、  MATLAB程式設計習慣與風格
2、  MATLAB調試技巧
3、  向量化程式設計與記憶體優化
4、  圖形物件和句柄
第三課：BP神經網路
1、  BP神經網路的基本原理
2、  BP神經網路的MATLAB實現
3、  案例實踐
4、  BP神經網路參數的優化
第四課：RBF、GRNN和PNN神經網路
1、  RBF神經網路的基本原理
2、  GRNN神經網路的基本原理
3、  PNN神經網路的基本原理
4、  案例實踐
第五課：競爭神經網路與SOM神經網路
1、  競爭神經網路的基本原理
2、  自組織特徵映射（SOM）神經網路的基本原理
3、  案例實踐
第六課：支援向量機（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 的常見訓練演算法（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神經網路的區別與聯繫
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：遺傳演算法（Genetic Algorithm， GA）
1、  遺傳演算法的基本原理
2、  常見遺傳演算法工具箱介紹
3、  案例實踐
第十課：粒子群優化（Particle Swarm Optimization， PSO）演算法
1、  粒子群優化演算法的基本原理
2、  案例實踐
第十一課：蟻群演算法（Ant Colony Algorithm， ACA）
1、  粒子群優化演算法的基本原理
2、  案例實踐
第十二課：類比退火演算法（Simulated Annealing， SA）
1、  類比退火演算法的基本原理
2、  案例實踐
第十三課：降維與特徵選擇
1、  主成分分析的基本原理
2、  偏最小二乘的基本原理
3、  常見的特徵選擇方法（優化搜索、Filter和Wrapper等）