專題一、MATLAB編程基礎與進階（一）

1、MATLAB 安裝、版本歷史與編程環境

2、MATLAB 基礎操作（矩陣操作、邏輯與流程控制、函數與腳本文件）

3、MATLAB文件讀寫（mat、txt、xls、csv、jpg、wav、avi等格式）

專題二、MATLAB編程基礎與進階（二）

1、MATLAB基本繪圖與高級繪圖、圖片導出與保存、生成SCI期刊要求的圖片

2、MATLAB 調試技巧（為什么會給出各種各樣的錯誤信息？常見的錯誤信息有哪些？如何正確面對錯誤信息？如何使用斷點調試工具？應該去哪些網站尋找答案？）

專題三、BP神經網絡及其在近紅外光譜分析中的應用（一）

1、BP神經網絡的基本原理（人工智能發展過程經歷了哪些曲折？人工神經網絡的分類有哪些？BP神經網絡的拓撲結構和訓練過程是怎樣的？什么是梯度下降法？BP神經網絡建模的本質是什么？）

2、案例演示：BP神經網絡的 MATLAB 實現（近紅外光譜回歸擬合建模）

專題四、BP神經網絡及其在近紅外光譜分析中的應用（二）

1、怎樣劃分訓練集和測試集？為什么需要歸一化？歸一化是必須的嗎？BP神經網絡的常用激活函數有哪些？如何使用？）

2、BP神經網絡參數的優化（隱含層神經元個數、學習率、初始權值和閾值等如何設置？什么是交叉驗證？）

3、值得研究的若干問題（欠擬合與過擬合、泛化性能評價指標的設計、樣本不平衡問題等）

4、案例演示：BP神經網絡的 MATLAB 實現（近紅外光譜分類識別建模）

專題五、支持向量機（SVM）及其在近紅外光譜分析中的應用

1、SVM的基本原理（什么是經驗誤差最小和結構誤差最小？SVM的本質是解決什么問題？SVM的四種典型結構是什么？核函數的作用是什么？什么是支持向量？）

2、SVM擴展知識（如何解決多分類問題？SVM除了建模型之外，還可以幫助我們做哪些事情？SVM的啟發：樣本重要性的排序及樣本篩選）

3、LibSVM工具箱的安裝與使用

4、案例演示：SVM的MATLAB實現（近紅外光譜回歸擬合建模）

專題六、決策樹與隨機森林及其在近紅外光譜分析中的應用

1、決策樹的基本原理（微軟小冰讀心術的啟示；什么是信息熵和信息增益？ID3算法和C4.5算法的區別與聯系）

2、決策樹的啟發：變量重要性的排序及變量篩選

3、隨機森林的基本原理與集成學習框架（為什么需要隨機森林算法？廣義與狹義意義下的“隨機森林”分別指的是什么？“隨機”提現在哪些地方？隨機森林的本質是什么？）

4、案例演示：決策樹與隨機森林的MATLAB實現（近紅外光譜回歸擬合建模）

專題七、遺傳算法及其在近紅外光譜分析中的應用

1、群優化算法的前世今生

2、遺傳算法（Genetic Algorithm）的基本原理

3、案例演示：基于二進制遺傳算法的近紅外光譜波長篩選

專題八、變量降維算法及其在近紅外光譜分析中的應用

1、主成分分析（PCA）、偏最小二乘（PLS）的基本原理（PCA與PLS的區別與聯系；PCA除了降維之外，還可以幫助我們做什么？）

2、近紅外光譜波長選擇方法拓展（Filter和Wrapper；前向與后向選擇法；區間法；無信息變量消除法等）

3、案例演示：PCA/PLS近紅外光譜降維MATLAB實現

專題九、卷積神經網絡及其在近紅外光譜分析中的應用

1、深度學習與傳統機器學習的區別與聯系（神經網絡的隱含層數越多越好嗎？深度學習與傳統機器學習的本質區別是什么？）

2、卷積神經網絡的基本原理（什么是卷積核？CNN的典型拓撲結構是怎樣的？CNN的權值共享機制是什么？CNN提取的特征是怎樣的？）

3、卷積神經網絡參數調試技巧

4、案例演示：一維卷積神經網絡的MATLAB實現（基于卷積神經網絡的近紅外光譜建模）

專題十、復習與答疑討論

1、復習與總結（知識點梳理）

2、資料分享（圖書、在線資源、源代碼等）

3、答疑與討論（大家提前把問題整理好）