【案例实践】Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用

查看原文>>>基于Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用

【专家】：
郁磊副教授主要从事MATLAB 编程、机器学习与数据挖掘、数据可视化和软件开发、人工智能近红外光谱分析、生物医学系统建模与仿真，具有丰富的实战应用经验，主编《MATLAB智能算法30个案例分析》、《MATLAB神经网络43个案例分析》相关著作。已发表多篇高水平的国际学术研究论文。

【内容】：
第一章、Python入门基础【理论讲解与案例演示实操练习】
1、Python环境搭建（下载、安装与版本选择）。
2、如何选择Python编辑器？（IDLE、Notepad++、PyCharm、Jupyter…）
3、Python基础（数据类型和变量、字符串和编码、list和tuple、条件判断、循环、函数的定义与调用等）
4、常见的错误与程序调试
5、第三方模块的安装与使用
6、文件读写（I/O）
7、实操练习

第二章、Python进阶与提高【理论讲解与案例演示实操练习】
1、Numpy模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用）
2、Pandas模块库（DataFrame数据结构、表格的变换、排序、拼接、融合、分组操作等）
3、Matplotlib基本图形绘制（线形图、柱状图、饼图、气泡图、直方图、箱线图、散点图等）
4、图形的布局（多个子图绘制、规则与不规则布局绘制、向画布中任意位置添加坐标轴）
5、Scikit-Learn模块库简介、下载与安装
6、实操练习

第三章、多元线性回归及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
1、多元线性回归模型（工作原理、最小二乘法）
2、岭回归模型（工作原理、岭参数k的选择、用岭回归选择变量）
3、LASSO模型（工作原理、特征选择、建模预测、超参数调节）
4、Elastic Net模型（工作原理、建模预测、超参数调节）
5、多元线性回归、岭回归、LASSO、Elastic Net的Python代码实现
6、案例演示：近红外光谱回归拟合建模

第四章、BP神经网络及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
1、BP神经网络的基本原理（人工智能发展过程经历了哪些曲折？人工神经网络的分类有哪些？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）
2、怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？ BP神经网络的常用激活函数有哪些？如何查看模型的参数？
3、BP神经网络参数的优化（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？）
4、值得研究的若干问题（欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等）
5、极限学习机（Extreme Learning Machine, ELM）的基本原理（ELM的基本算法，“极限”体现在哪些地方？ELM 与 BP 神经网络的区别与联系）
6、BP神经网络、极限学习机的Python代码实现
7、案例演示：
1）近红外光谱回归拟合建模；
2）近红外光谱分类识别建模

第五章、支持向量机（SVM）及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
1、SVM的基本原理（什么是经验误差最小和结构误差最小？SVM的本质是解决什么问题？SVM的四种典型结构是什么？核函数的作用是什么？什么是支持向量？）
2、SVM扩展知识（如何解决多分类问题？SVM除了建模型之外，还可以帮助我们做哪些事情？SVM的启发：样本重要性的排序及样本筛选）
3、SVM的Python代码实现
4、案例演示：近红外光谱分类识别建模

第六章、决策树、随机森林、Adaboost、XGBoost和LightGBM及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
1、决策树的基本原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）
2、决策树的启发：变量重要性的排序及变量筛选
3、随机森林的基本原理与集成学习框架（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？随机森林的本质是什么？）
4、Bagging与Boosting集成策略的区别
5、Adaboost算法的基本原理
6、Gradient Boosting Decision Tree (GBDT)模型的基本原理
7、XGBoost与LightGBM简介
8、决策树、随机森林、Adaboost、XGBoost与LightGBM的Python代码实现
9、案例演示：近红外光谱回归拟合建模

第七章、遗传算法及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
1、群优化算法概述
2、遗传算法（Genetic Algorithm）的基本原理（什么是个体和种群？什么是适应度函数？选择、交叉与变异算子的原理与启发式策略）
3、遗传算法的Python代码实现
4、案例演示：基于二进制遗传算法的近红外光谱波长筛选

第八章、变量降维与特征选择算法及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
1、主成分分析（PCA）的基本原理
2、偏最小二乘（PLS）的基本原理（PCA与PLS的区别与联系；PCA除了降维之外，还可以帮助我们做什么？）
3、近红外光谱波长选择算法的基本原理（Filter和Wrapper；前向与后向选择法；区间法；无信息变量消除法等）
4、PCA、PLS的Python代码实现
5、特征选择算法的Python代码实现
6、案例演示：
1）基于L1正则化的近红外光谱波长筛选
2）基于信息熵的近红外光谱波长筛选
3）基于Recursive feature elimination的近红外光谱波长筛选
4）基于Forward-SFS的近红外光谱波长筛选

第九章、Pytorch环境搭建与编程入门【理论讲解与案例演示实操练习】
1、深度学习框架概述（PyTorch、Tensorflow、Keras等）
2、PyTorch简介（动态计算图与静态计算图机制、PyTorch的优点）
3、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功）
4、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）
5、张量（Tensor）的常用属性与方法（dtype、device、requires_grad、cuda等）
6、张量（Tensor）的创建（直接创建、从numpy创建、依据概率分布创建）
7、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）
8、张量（Tensor）的索引与切片
9、PyTorch的自动求导（Autograd）机制与计算图的理解
10、PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader）

第十章、卷积神经网络及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
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、卷积神经网络参数调试技巧
4、卷积神经网络的Python代码实现
5、案例演示：基于卷积神经网络的近红外光谱建模

第十一章、迁移学习及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
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、常用的迁移学习算法简介（基于实例、特征和模型，譬如：TrAdaboost算法）
3、基于卷积神经网络的迁移学习算法
4、迁移学习的Python代码实现
5、案例演示：基于迁移学习的近红外光谱的模型传递（模型移植）

第十二章、自编码器及其在近红外光谱分析中的应用【理论讲解与案例演示实操练习】
1、自编码器（Auto-Encoder的工作原理）
2、常见的自编码器类型简介（降噪自编码器、深度自编码器、掩码自编码器等）
3、自编码器的Python代码实现
4、案例演示：
1）基于自编码器的近红外光谱数据预处理
2）基于自编码器的近红外光谱数据降维与有效特征提取

第十三章、复习与答疑
1、复习与总结（知识点梳理）
2、资料分享（图书、资源、源代码等）
3、科研与创新方法总结（如何利用Google Scholar、Sci-Hub、ResearchGate等工具查阅文献资料、配套的数据和代码？如何更好地撰写论文的Discussion部分？如果在算法层面上难以做出原创性的工作，如何结合实际问题提炼与挖掘创新点？）

【其它相关推荐】：

基于PyTorch机器学习与深度学习实践应用与案例分析
最新基于MATLAB 2021b的机器学习、深度学习实践应用
R-GIS:如何用 R 语言实现 GIS 地理空间分析及模型预测时间技术应用
基于R语言的Copula变量相关性分析及应用
R 语言回归及混合效应（多水平/层次/嵌套）模型实践应用技术
最新基于Python科研数据可视化实践技术应用
matlab科研数据可视化
统计语言类教程：贝叶斯统计学、Copula、SEM、极值统计学、混合效应模型、PyTorch深度学习、科研数据可视化

【案例实践】Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用相关推荐

基于Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用培训班
一 Python入门基础 [理论讲解与案例演示实操练习] 1.Python环境搭建( 下载.安装与版本选择). 2.如何选择Python编辑器?(IDLE.Notepad++.PyCharm.Jupy ...
基于Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用
[专家]:郁磊副教授,主要从事MATLAB 编程.机器学习与数据挖掘.数据可视化和软件开发.人工智能近红外光谱分析.生物医学系统建模与仿真,具有丰富的实战应用经验,主编<MATLAB智能算法 ...
Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践
多元线性回归及其在近红外光谱分析中的应用.BP神经网络及其在近红外光谱分析中的应用.支持向量机(SVM)及其在近红外光谱分析中的应用.决策树.随机森林.Adaboost.XGBoost和LightGB ...
Python多元线性回归、机器学习、深度学习在近红外光谱分析中的应用
导师:郁磊副教授,主要从事MATLAB 编程.机器学习与数据挖掘.数据可视化和软件开发.人工智能近红外光谱分析.生物医学系统建模与仿真,具有丰富的实战应用经验,主编<MATLAB智能算法30个案 ...
【干货】深度学习及在推荐中的实践-美团点评.pdf（附下载链接）
今天给大家分享美团点评技术团队陈文石先生所做的分享<深度学习在推荐中的实践.pdf>. 本分享ppt共40页,包含如下四大部分: 1.推荐引擎概述: 2.点评推荐平台: 3.深度学习及在推 ...
深度学习在视频分析中的架构、算法及应用
直播与短视频业务的兴起,代表了一种内容交互方式的变化,更加追求强交互,这种变化催化了很多技术和架构的转型,由传统的传输.存储优先演进为计算与智能.本文是由360人工智能研究院视频大数据组技术负责人陈强 ...
深度学习在情感分析中的应用
然语言情感分析简介情感分析无处不在,它是一种基于自然语言处理的分类技术.其主要解决的问题是给定一段话,判断这段话是正面的还是负面的.例如在亚马逊网站或者推特网站中,人们会发表评论,谈论某个商品.事件 ...
LiveVideoStack线上交流分享 (十四) —— 深度学习在视频分析处理的实践
分析及处理是一个视频转码系统中与压缩同等重要的环节.3月7日晚 7:30 ,LiveVideoStack线上交流分享第十四期,我们邀请到了腾讯音视频实验室专家高孟平根据腾讯丽影的实践经验,与大家分享 ...
【基于Python】 - 人工智能机器学习深度学习数据分析 - 常见问题，常用的套路与操作（持续更新）
20200221: 1.做分类问题的时候,给定你标签,你想知道每一类标签的出现频数,可以使用这个函数:np.bincount(). 如果想分析一下数据样本是否均衡的时候,可以考虑这种操作,代码十分简明 ...

【案例实践】Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用

【案例实践】Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用相关推荐

最新文章

热门文章