第一章MATLAB 2023a深度學(xué)習(xí)工具箱新特性簡介

1、MATLAB Deep Learning Toolbox概覽

2、實時腳本（Live Script）與交互控件（Control）功能介紹與演示

3、批量大數(shù)據(jù)導(dǎo)入及Datastore類函數(shù)功能介紹與演示

4、數(shù)據(jù)清洗（Data Cleaning）功能介紹與演示

5、深度網(wǎng)絡(luò)設(shè)計器（Deep Network Designer）功能介紹與演示

6、實驗管理器（Experiment Manager）功能介紹與演示

7、MATLAB Deep Learning Model Hub簡介

8、MATLAB與TensorFlow、PyTorch等深度學(xué)習(xí)框架協(xié)同工作功能介紹與演示

9、MATLAB Deep Learning Toolbox Examples簡介

第二章、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）

1、?深度學(xué)習(xí)與傳統(tǒng)機器學(xué)習(xí)的區(qū)別與聯(lián)系

2、卷積神經(jīng)網(wǎng)絡(luò)的基本原理（什么是卷積核？CNN的典型拓撲結(jié)構(gòu)是怎樣的？CNN的權(quán)值共享機制是什么？CNN提取的特征是怎樣的？）

3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等經(jīng)典深度神經(jīng)網(wǎng)絡(luò)的區(qū)別與聯(lián)系

4、預(yù)訓(xùn)練模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下載與安裝

5、優(yōu)化算法（梯度下降、隨機梯度下降、小批量隨機梯度下降、動量法、Adam等）

6、調(diào)參技巧（參數(shù)初始化、數(shù)據(jù)預(yù)處理、數(shù)據(jù)擴增、批量歸一化、超參數(shù)優(yōu)化、網(wǎng)絡(luò)正則化等）

7、案例講解：（1）CNN預(yù)訓(xùn)練模型實現(xiàn)物體識別

（2）利用卷積神經(jīng)網(wǎng)絡(luò)抽取抽象特征

（3）自定義卷積神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)

（4）1D CNN模型解決回歸擬合預(yù)測問題

8、實操練習(xí)

第三章、模型可解釋性與特征可視化Model Explanation and Feature Visualization

1、?什么是模型可解釋性？為什么需要對CNN模型進行解釋？

2、?常用的可視化方法有哪些（特征圖可視化、卷積核可視化、類別激活可視化等）？

3、?CAM（Class Activation Mapping）、LIME（Local Interpretable Model-agnostic Explanation）、GRAD-CAM等方法原理講解

4、?案例講解

實操練習(xí)

第四章、遷移學(xué)習(xí)算法（Transfer Learning）

1、遷移學(xué)習(xí)算法的基本原理（為什么需要遷移學(xué)習(xí)？遷移學(xué)習(xí)的基本思想是什么？）

2、基于深度神經(jīng)網(wǎng)絡(luò)模型的遷移學(xué)習(xí)算法

3、案例講解：基于Alexnet預(yù)訓(xùn)練模型的模型遷移

4、實操練習(xí)

第五/循環(huán)神經(jīng)網(wǎng)絡(luò)與長短時記憶神經(jīng)網(wǎng)絡(luò)（RNN & LSTM）

1. 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）與長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的基本原理

2. RNN與LSTM的區(qū)別與聯(lián)系

3. 案例講解：

???1）時間序列預(yù)測

???2）序列-序列分類

4. 實操練習(xí)

第六章、時間卷積網(wǎng)絡(luò)（Temporal Convolutional Network, TCN）

1. 時間卷積網(wǎng)絡(luò)（TCN）的基本原理

2. TCN與1D CNN、LSTM的區(qū)別與聯(lián)系

3. 案例講解：

???1）時間序列預(yù)測：新冠肺炎疫情預(yù)測

???2）序列-序列分類：人體動作識別

4. 實操練習(xí)

第七章、生成式對抗網(wǎng)絡(luò)（Generative Adversarial Network）

1、生成式對抗網(wǎng)絡(luò)GAN（什么是對抗生成網(wǎng)絡(luò)？為什么需要對抗生成網(wǎng)絡(luò)？對抗生成網(wǎng)絡(luò)可以做什么？）

2、案例講解：向日葵花圖像的自動生成

3、實操練習(xí)

第八章、自編碼器（AutoEncoder）

1、自編碼器的組成及基本工作原理

2、經(jīng)典自編碼器（棧式自編碼器、稀疏自編碼器、去噪自編碼器、卷積自編碼器、掩碼自編碼器等）

3、案例講解：基于自編碼器的圖像分類

4、實操練習(xí)

第九章、目標檢測YOLO模型

1、什么是目標檢測？目標檢測與目標識別的區(qū)別與聯(lián)系？YOLO模型的工作原理

2、案例講解：(1)標注工具Image Labeler功能簡介與演示

(2)使用預(yù)訓(xùn)練模型實現(xiàn)圖像、視頻等實時目標檢測

(3)訓(xùn)練自己的數(shù)據(jù)集：新冠疫情佩戴口罩識別

3、實操練習(xí)

第十章、U-Net模型

1、語義分割（Semantic Segmentation）簡介

2、U-Net模型的基本原理

3、案例講解：基于U-Net的多光譜圖像語義分割

第十一章、討論與答疑

1、如何查閱文獻資料？（你會使用Google Scholar、Sci-Hub、ResearchGate嗎？應(yīng)該去哪些地方查找與論文配套的數(shù)據(jù)和代碼？）

2、如何提煉與挖掘創(chuàng)新點？（如果在算法層面上難以做出原創(chuàng)性的工作，如何結(jié)合自己的實際問題提煉與挖掘創(chuàng)新點？）

3、相關(guān)學(xué)習(xí)資料分享與拷貝（圖書推薦、在線課程推薦等）

4、建立微信群，便于后期的討論與答疑