基礎(chǔ)篇


案例1：巧婦難為無米之炊：數(shù)據(jù)集的制作與加載/
1.1 機器學習中的數(shù)據(jù)集/
1.2 如何加載MATLAB自帶的數(shù)據(jù)集/
1.3 如何加載自己制作的數(shù)據(jù)集/
1.4 如何加載公開數(shù)據(jù)集：以CIFAR-10為例/
1.5 如何劃分訓練集與驗證集/
1.6 如何擴充數(shù)據(jù)樣本集/

案例2：小試牛刀：如何構(gòu)建一個卷積神經(jīng)網(wǎng)絡(luò)/
2.1 CNN的核心卷積/
2.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理/
2.3 從仿生角度看卷積神經(jīng)網(wǎng)絡(luò)/
2.4 基于深度學習工具箱函數(shù)構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)/
2.5 采用 Deep Network Designer實現(xiàn)卷積網(wǎng)絡(luò)設(shè)計/
2.6 其他與構(gòu)建深度網(wǎng)絡(luò)相關(guān)的函數(shù)/

案例3：精雕細琢：如何訓練一個卷積神經(jīng)網(wǎng)絡(luò)/
3.1 基本概念一點通/
3.2 實例需求與實現(xiàn)步驟/
3.3 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)/
3.4 訓練卷積神經(jīng)網(wǎng)絡(luò)/
3.5 例程實現(xiàn)與解析/


應用篇


案例4：LeNet卷積神經(jīng)網(wǎng)絡(luò)的應用：紅綠燈識別/
4.1 LeNet卷積神經(jīng)網(wǎng)絡(luò)/
4.2 基于改進LeNet的交通燈識別/
4.3 例程實現(xiàn)與解析/

案例5：AlexNet卷積神經(jīng)網(wǎng)絡(luò)的應用：基于遷移學習的圖像分類/
5.1 什么是遷移學習/
5.2 從不同的角度看遷移學習/
5.3 AlexNet網(wǎng)絡(luò)的原理/
5.4 基于AlexNet實現(xiàn)遷移學習的步驟/
5.5 AlexNet的加載方法/
5.6 如何對AlexNet進行改進以實現(xiàn)遷移學習/
5.7 本節(jié)所用到的函數(shù)解析/
5.8 例程實現(xiàn)與解析/
5.9 采用Deep Network Designer輔助實現(xiàn)遷移學習/

案例6：VGG16卷積神經(jīng)網(wǎng)絡(luò)的應用：融合卷積神經(jīng)網(wǎng)絡(luò)與支持向量機的物體識別/
6.1 VGG16網(wǎng)絡(luò)的原理及特點/
6.2 支持向量機分類的原理/
6.3 基于VGG16與SVM的物體識別/
6.4 例程實現(xiàn)與解析/

案例7：LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)的應用：心電圖信號分類/
7.1 從時間的角度看序列性數(shù)據(jù)/
7.2 序列建模之循環(huán)神經(jīng)網(wǎng)絡(luò)/
7.3 基于門與記憶細胞構(gòu)建序列模型的長期依賴關(guān)系/
7.4 基于LSTM實現(xiàn)心電圖信號分類的步驟/
7.5 本節(jié)所用到的函數(shù)解析/
7.6 例程實現(xiàn)與解析/

案例8：ResNet殘差網(wǎng)絡(luò)的應用：新冠肺炎胸片檢測/
8.1 深度學習技術(shù)在抗擊疫情中的應用/
8.2 ResNet網(wǎng)絡(luò)簡介/
8.3 基于ResNet的新冠肺炎胸片檢測的實現(xiàn)步驟/
8.4 ResNet的加載方法/
8.5 對ResNet進行調(diào)整以實現(xiàn)遷移學習/
8.6 例程實現(xiàn)與解析/


實戰(zhàn)篇

案例9：讓機器的眼睛認識標志：基于R�睠NN的交通標志檢測/
9.1 目標分類、檢測與分割/
9.2 目標檢測及其難點問題/
9.3 R-CNN目標檢測算法的原理及實現(xiàn)過程/
9.4 基于Image Labeler的R�睠NN目標檢測器構(gòu)建/

案例10：讓機器的眼睛檢測車輛：基于Video Labeler的車輛目標檢測/
10.1 車輛目標檢測的需求/
10.2 利用Video Labeler實現(xiàn)車輛目標檢測的步驟/

案例11：讓機器的耳朵聽明白聲音：基于LSTM的日語元音序列分類示例/
11.1 利用LSTM實現(xiàn)日語元音序列分類的步驟/
11.2 日語元音序列分類程序詳解/

案例12：深度學習助力醫(yī)學發(fā)展：基于Inception-v3網(wǎng)絡(luò)遷移學習的視網(wǎng)膜病變檢測/
12.1 Inception-v3深度網(wǎng)絡(luò)介紹/
12.2 Kaggle競賽眼疾檢測數(shù)據(jù)集/
12.3 數(shù)據(jù)集預處理/
12.4 在Inception�睼3上應用遷移學習實現(xiàn)DR圖像分類/
12.5 例程實現(xiàn)與解析/
12.6 通過類激活映射來輔助診斷/

案例13：知己知彼：深度神經(jīng)網(wǎng)絡(luò)的脆弱性及AI對抗技術(shù)/
13.1 深度神經(jīng)網(wǎng)絡(luò)的脆弱性/
13.2 AI對抗技術(shù)及其發(fā)展趨勢/

案例14：識音辨意：基于深度學習的語音識別/
14.1 下載Spech Commands Dataset數(shù)據(jù)集/
14.2 標注數(shù)據(jù)集/
14.3 劃分訓練集、驗證集和測試集/
14.4 對音頻原始文件預處理/
14.5 建立網(wǎng)絡(luò)/
14.6 訓練網(wǎng)絡(luò)/
14.7 評價終結(jié)果/
14.8 網(wǎng)絡(luò)的大小與單次推理時間/

案例15：方便快捷：深度學習模型代碼的自動生成/
15.1 深度學習網(wǎng)絡(luò)模型：從開發(fā)到部署/
15.2 MATLAB生成推理模型代碼的步驟/
15.3 安裝GPU平臺的代碼生成工具/
15.4 代碼生成例程實現(xiàn)與解析/

案例16：互通共享：如何將在Keras中設(shè)計訓練的網(wǎng)絡(luò)導入MATLAB深度學習工具箱中/
16.1 導入網(wǎng)絡(luò)的詳細步驟/
16.2 例程實現(xiàn)與解析/

案例17：快速部署：如何將訓練好的深度神經(jīng)網(wǎng)絡(luò)部署到樹莓派上/
17.1 什么是樹莓派/
17.2 SqueezeNet簡介/
17.3 自動生成C 代碼及其在樹莓派上的實現(xiàn)/

參考文獻