基礎(chǔ)篇


案例1：巧婦難為無(wú)米之炊：數(shù)據(jù)集的制作與加載/
1.1 機(jī)器學(xué)習(xí)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(kāi)數(shù)據(jù)集：以CIFAR-10為例/
1.5 如何劃分訓(xùn)練集與驗(yàn)證集/
1.6 如何擴(kuò)充數(shù)據(jù)樣本集/

案例2：小試牛刀：如何構(gòu)建一個(gè)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(xué)習(xí)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(shí)現(xiàn)卷積網(wǎng)絡(luò)設(shè)計(jì)/
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(xì)琢：如何訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)/
3.1 基本概念一點(diǎn)通/
3.2 實(shí)例需求與實(shí)現(xiàn)步驟/
3.3 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)/
3.4 訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)/
3.5 例程實(shí)現(xiàn)與解析/


應(yīng)用篇


案例4：LeNet卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用：紅綠燈識(shí)別/
4.1 LeNet卷積神經(jīng)網(wǎng)絡(luò)/
4.2 基于改進(jìn)LeNet的交通燈識(shí)別/
4.3 例程實(shí)現(xiàn)與解析/

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

案例6：VGG16卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用：融合卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的物體識(shí)別/
6.1 VGG16網(wǎng)絡(luò)的原理及特點(diǎn)/
6.2 支持向量機(jī)分類的原理/
6.3 基于VGG16與SVM的物體識(shí)別/
6.4 例程實(shí)現(xiàn)與解析/

案例7：LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的應(yīng)用：心電圖信號(hào)分類/
7.1 從時(shí)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(mén)與記憶細(xì)胞構(gòu)建序列模型的長(zhǎng)期依賴關(guān)系/
7.4 基于LSTM實(shí)現(xiàn)心電圖信號(hào)分類的步驟/
7.5 本節(jié)所用到的函數(shù)解析/
7.6 例程實(shí)現(xiàn)與解析/

案例8：ResNet殘差網(wǎng)絡(luò)的應(yīng)用：新冠肺炎胸片檢測(cè)/
8.1 深度學(xué)習(xí)技術(shù)在抗擊疫情中的應(yīng)用/
8.2 ResNet網(wǎng)絡(luò)簡(jiǎn)介/
8.3 基于ResNet的新冠肺炎胸片檢測(cè)的實(shí)現(xiàn)步驟/
8.4 ResNet的加載方法/
8.5 對(duì)ResNet進(jìn)行調(diào)整以實(shí)現(xiàn)遷移學(xué)習(xí)/
8.6 例程實(shí)現(xiàn)與解析/


實(shí)戰(zhàn)篇

案例9：讓機(jī)器的眼睛認(rèn)識(shí)標(biāo)志：基于R�睠NN的交通標(biāo)志檢測(cè)/
9.1 目標(biāo)分類、檢測(cè)與分割/
9.2 目標(biāo)檢測(cè)及其難點(diǎn)問(wèn)題/
9.3 R-CNN目標(biāo)檢測(cè)算法的原理及實(shí)現(xiàn)過(guò)程/
9.4 基于Image Labeler的R�睠NN目標(biāo)檢測(cè)器構(gòu)建/

案例10：讓機(jī)器的眼睛檢測(cè)車(chē)輛：基于Video Labeler的車(chē)輛目標(biāo)檢測(cè)/
10.1 車(chē)輛目標(biāo)檢測(cè)的需求/
10.2 利用Video Labeler實(shí)現(xiàn)車(chē)輛目標(biāo)檢測(cè)的步驟/

案例11：讓機(jī)器的耳朵聽(tīng)明白聲音：基于LSTM的日語(yǔ)元音序列分類示例/
11.1 利用LSTM實(shí)現(xiàn)日語(yǔ)元音序列分類的步驟/
11.2 日語(yǔ)元音序列分類程序詳解/

案例12：深度學(xué)習(xí)助力醫(yī)學(xué)發(fā)展：基于Inception-v3網(wǎng)絡(luò)遷移學(xué)習(xí)的視網(wǎng)膜病變檢測(cè)/
12.1 Inception-v3深度網(wǎng)絡(luò)介紹/
12.2 Kaggle競(jìng)賽眼疾檢測(cè)數(shù)據(jù)集/
12.3 數(shù)據(jù)集預(yù)處理/
12.4 在Inception�睼3上應(yīng)用遷移學(xué)習(xí)實(shí)現(xiàn)DR圖像分類/
12.5 例程實(shí)現(xiàn)與解析/
12.6 通過(guò)類激活映射來(lái)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(duì)抗技術(shù)/
13.1 深度神經(jīng)網(wǎng)絡(luò)的脆弱性/
13.2 AI對(duì)抗技術(shù)及其發(fā)展趨勢(shì)/

案例14：識(shí)音辨意：基于深度學(xué)習(xí)的語(yǔ)音識(shí)別/
14.1 下載Spech Commands Dataset數(shù)據(jù)集/
14.2 標(biāo)注數(shù)據(jù)集/
14.3 劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集/
14.4 對(duì)音頻原始文件預(yù)處理/
14.5 建立網(wǎng)絡(luò)/
14.6 訓(xùn)練網(wǎng)絡(luò)/
14.7 評(píng)價(jià)終結(jié)果/
14.8 網(wǎng)絡(luò)的大小與單次推理時(shí)間/

案例15：方便快捷：深度學(xué)習(xí)模型代碼的自動(dòng)生成/
15.1 深度學(xué)習(xí)網(wǎng)絡(luò)模型：從開(kāi)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(tái)的代碼生成工具/
15.4 代碼生成例程實(shí)現(xiàn)與解析/

案例16：互通共享：如何將在Keras中設(shè)計(jì)訓(xùn)練的網(wǎng)絡(luò)導(dǎo)入MATLAB深度學(xué)習(xí)工具箱中/
16.1 導(dǎo)入網(wǎng)絡(luò)的詳細(xì)步驟/
16.2 例程實(shí)現(xiàn)與解析/

案例17：快速部署：如何將訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)部署到樹(shù)莓派上/
17.1 什么是樹(shù)莓派/
17.2 SqueezeNet簡(jiǎn)介/
17.3 自動(dòng)生成C 代碼及其在樹(shù)莓派上的實(shí)現(xiàn)/

參考文獻(xiàn)