Claude Code与学术龙虾OpenClaw,彻底爆发!!

课程章节

主要内容

第一章

MATLAB 基础编程串讲

1、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

2、文件导入：mat、txt、xls、csv、jpg、wav、avi 等格式 

3、MATLAB 编程习惯、编程风格与调试技巧 

4、向量化编程与内存优化

5、MATLAB 数字图像处理入门（图像的常见格式及读写、图像类型的转换、数字图像的基本运算、数字图像的几何变换、图像去噪与图像复原、图像边缘检测与图像分割）

6、案例讲解：基于手机摄像头的心率计算

7、实操练习

第二章

MATLAB 2023a新特性简介

1、实时脚本（Live Script）与交互控件（Control）功能介绍与演示

2、批量大数据导入及Datastore类函数功能介绍与演示

3、数据清洗（Data Cleaning）功能介绍与演示

4、实验管理器（Experiment Manager）功能介绍与演示

5、MATLAB Deep Learning Toolbox概览

6、MATLAB Deep Learning Model Hub简介

7、深度网络设计器（Deep Network Designer）功能介绍与演示

8、MATLAB与TensorFlow、PyTorch等深度学习框架协同工作功能介绍与演示

第三章

BP 神经网络

1、人工智能基本概念辨析（回归拟合问题与分类识别问题；有监督（导 

师）学习与无监督（无导师）学习；训练集、验证集与测试集；过拟合

与欠拟合）

2、BP 神经网络的工作原理 

3、数据预处理（归一化、异常值剔除、数据扩增技术等） 

4、交叉验证与模型参数优化 

5、模型评价与指标的选择（回归拟合问题 vs. 分类识别问题） 

6、案例讲解：

（1）手写数字识别 

（2）人脸朝向识别 

（3）回归拟合预测 

7、实操练习

第四章

支持向量机、决策树与

随机森林

1、支持向量机的基本原理（支持向量的本质、核函数的意义）

2、决策树的基本原理（信息熵和信息增益；ID3和 C4.5的区别） 

3、随机森林的基本原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”提现在哪些地方？） 

4、知识扩展：支持向量机、决策树除了建模型之外，还可以帮我们做什么事情？怎样解读随机森林的结果？

5、案例讲解：

（1）鸢尾花 Iris 分类识别（SVM、决策树） 

（2）基于随机森林的乳腺癌良性/恶性肿瘤智能诊断模型 

6、实操练习

第五章

变量降维与特征选择

1、变量降维(Dimension reduction)与特征选择(Feature selection) 

在概念上的区别与联系

2、主成分分析（PCA）的基本原理 

3、偏最小二乘法（PLS）的基本原理 

4、PCA 与 PLS 的代码实现 

5、PCA 的启发：训练集与测试集划分合理性的判断 

6、经典特征选择方法

（1）前向选择法与后向选择法 

（2）无信息变量消除法 

（3）基于二进制遗传算法的特征选择

第六章

卷积神经网络

1、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越 

好吗？深度学习与传统机器学习的本质区别是什么？）

2、卷积神经网络的基本原理（什么是卷积核？CNN 的典型拓扑结构是怎 

样的？CNN 的权值共享机制是什么？CNN 提取的特征是怎样的？） 

3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet 等经典深度神经 

网络的区别与联系

4、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet 等）的下载 

与安装

5、案例讲解：

（1）CNN 预训练模型实现物体识别 

（2）利用卷积神经网络抽取抽象特征 

（3）自定义卷积神经网络拓扑结构 

（4）1D CNN 模型解决回归拟合预测问题 

6、实操练习

第七章

网络优化与调参技巧

1、网络拓扑结构优化 

2、优化算法（梯度下降、随机梯度下降、小批量随机梯度下降、动量法、 Adam 等） 

3、调参技巧（参数初始化、数据预处理、数据扩增、批量归一化、超参 数优化、网络正则化等） 

4、案例讲解：卷积神经网络模型优化 

5、实操练习 

第八章

迁移学习算法

1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学 

习？迁移学习的基本思想是什么？）

2、基于深度神经网络模型的迁移学习算法 

3、案例讲解：猫狗大战（Dogs vs. Cats） 

4、实操练习 

第九章

生成式对抗网络（GAN）

1、生成式对抗网络 GAN（什么是对抗生成网络？为什么需要对抗生成网 

络？对抗生成网络可以帮我们做什么？GAN 给我们带来的启示） 

2、GAN 的基本原理及 GAN 进化史 

3、案例讲解：GAN 的 MATLAB 代码实现（向日葵花图像的自动生成） 

第十章

循环神经网络与长短时

记忆神经网络

1、循环神经网络（RNN）的基本原理 

2、长短时记忆神经网络（LSTM）的基本原理 3、RNN 与 LSTM 的区别与联系 

4、案例讲解：

（1）时间序列预测 

（2）序列-序列分类 

5. 实操练习 

第十一章

基于深度学习的视频分

类案例实战

1、基于深度学习的视频分类基本原理 

2、读取视频流文件并抽取图像帧 

3、利用预训练 CNN 模型提取指定层的特征图 

4、自定义构建 LSTM 神经网络模型 

5、案例讲解：HMDB51 数据集视频分类 

6、实操练习

第十二章

目标检测YOLO 模型

1、什么是目标检测？目标检测与目标识别的区别与联系 

2、YOLO 模型的工作原理 

3、从 YOLO v1 到 v5 的进化之路 

4、案例讲解： 

(1)使用预训练模型实现图像、视频等实时目标检测

(2)训练自己的数据集：新冠疫情佩戴口罩识别

5、实操练习

第十三章

U-Net模型

1、语义分割（Semantic Segmentation）简介 

2、U-Net 模型的基本原理 

3、案例讲解：基于U-Net 的多光谱图像语义分割 

4、实操练习

第十四章

自编码器

1、自编码器的组成及基本工作原理 

2、自编码器的变种（栈式自编码器、稀疏自编码器、去噪自编码器、卷 

积自编码器、掩码自编码器等）及其工作原理

3、案例讲解：基于自编码器的图像分类

4、实操练习

第十五章

讨论与答疑

1、如何查阅文献资料？（你会使用 Google Scholar、Sci-Hub、 

ResearchGate 吗？应该去哪些地方查找与论文配套的数据和代码？） 

2、如何提炼与挖掘创新点？（如果在算法层面上难以做出原创性的工作， 

如何结合自己的实际问题提炼与挖掘创新点？）

3、相关学习资料分享与拷贝（图书推荐、在线课程推荐等） 

4、建立微信群，便于后期的讨论与答疑