课程介绍

注意0：欲购买此课程，获取安全购买链接，索要正版授权学习平台账号，务必加咨询QQ：2536379620
注意1：由于编码原因，试听课程视频画面清晰度不如最终购买的视频。最终购买视频的画面清晰度可参见以下两张图。图1   图2
注意2：正版良心视频，购买后有机会和原作者直接短暂技术交流。

课程全网独家，效果很好，面向研究生，博士生、科研人员。

课程大纲

01
1-1机器学习概述

机器学习概述(10分钟)
02
1-2机器学习中的发展历史以及算法概览

机器学习中的发展历史以及算法概览(13分钟)
03
1-3机器学习的基本结构和功能

机器学习的基本结构和功能(14分钟)
04
1-4机器学习算法的雏形：感知机算法

机器学习算法的雏形：感知机算法(10分钟)
05
1-5感知机的案例和学习算法的“注意点”

感知机的案例和学习算法的“注意点”(12分钟)
06
1-6简单感知机的matlab仿真

简单感知机的matlab仿真(18分钟)
07
1-7回归分析中的变量关系介绍

回归分析中的变量关系介绍(12分钟)
08
1-8一元线性回归模型

一元线性回归模型(11分钟)
09
1-9多元线性回归模型

多元线性回归模型(10分钟)
10
1-10多元线性回归的matlab仿真

多元线性回归的matlab仿真(11分钟)
11
1-11回归拟合和分类的性能评估

回归拟合和分类的性能评估(13分钟)
12
1-12性能评估的matlab仿真

性能评估的matlab仿真(11分钟)
13
2-1matlab中常用的数据分析基础函数

matlab中常用的数据分析基础函数(14分钟)
14
2-2中心化、归一化和标准化

中心化、归一化和标准化(14分钟)
15
2-3数据清洗：缺失值处理

数据清洗：缺失值处理(11分钟)
16
2-4数据清洗：异常值处理

数据清洗：异常值处理(12分钟)
17
2-5主成分分析（PCA）

主成分分析（PCA）(11分钟)
18
2-6主成分分析的matlab仿真

主成分分析的matlab仿真(11分钟)
19
2-7独立成分分析（ICA）

独立成分分析（ICA）(10分钟)
20
2-8独立成分分析的matlab仿真

独立成分分析的matlab仿真(12分钟)
21
2-9因子分析（FA）

因子分析（FA）(13分钟)
22
2-10因子分析的matlab仿真

因子分析的matlab仿真(9分钟)
23
2-11蒙特卡洛法抽样（MC）

蒙特卡洛法抽样（MC）(25分钟)
24
2-12层次分析算法（AHP）

层次分析算法（AHP）(24分钟)
25
2-13案例：利用主成分分析（PCA）计算权重打分和排名

利用主成分分析（PCA）计算权重打分和排名(6分钟)
26
2-14熵权法

熵权法(11分钟)
27
3-1寻优算法基础知识介绍

寻优算法基础知识介绍(22分钟)
28
3-2梯度下降法

梯度下降法(22分钟)
29
3-3粒子群算法

粒子群算法(21分钟)
30
3-4粒子群算法经典改进：量子粒子群

粒子群算法经典改进：量子粒子群(9分钟)
31
3-5粒子群算法经典改进：离散二进制粒子群

粒子群算法经典改进：离散二进制粒子群(7分钟)
32
3-6粒子群算法的经典改进：混沌搜索

粒子群算法的经典改进：混沌搜索(9分钟)
33
3-7matlab自带的粒子群工具箱的讲解和演示

matlab自带的粒子群工具箱的讲解和演示(11分钟)
34
3-8遗传算法

遗传算法(38分钟)
35
3-9遗传算法的经典改进：自适应交叉和变异概率

遗传算法的经典改进：自适应交叉和变异概率(13分钟)
36
3-10遗传算法的经典改进：改进轮盘赌

遗传算法的经典改进：改进轮盘赌(8分钟)
37
3-11遗传算法的经典改进：混沌初始化种群

遗传算法的经典改进：混沌初始化种群(12分钟)
38
3-12遗传算法的经典改进：混沌搜索

遗传算法的经典改进：混沌搜索(10分钟)
39
3-13matlab自带的遗传工具箱的讲解和演示

matlab自带的遗传工具箱的讲解和演示(20分钟)
40
3-14粒子群遗传混合优化算法

粒子群遗传混合优化算法(9分钟)
41
3-15量子遗传算法

量子遗传算法(25分钟)
42
3-16什么是旅行商（tsp)问题

什么是旅行商（tsp)问题(5分钟)
43
3-17遗传优化tsp问题

遗传优化tsp问题(14分钟)
44
3-18粒子群优化tsp问题

粒子群优化tsp问题(12分钟)
45
3-19什么是带时间窗的多回路运输（vrp）问题

什么是带时间窗的多回路运输（vrp）问题(8分钟)
46
3-20遗传优化带时间窗的vrp问题（车辆数固定）

遗传优化带时间窗的vrp问题（车辆数固定）(26分钟)
47
3-21遗传优化带时间窗的vrp问题（车辆数优化）

遗传优化带时间窗的vrp问题（车辆数优化）(21分钟)
48
3-22什么是车间调度(jsp)问题

什么是车间调度(jsp)问题(6分钟)
49
3-23遗传优化jsp问题

遗传优化jsp问题(19分钟)
50
3-24什么是01背包问题

什么是01背包问题(2分钟)
51
3-25遗传优化01背包问题

遗传优化01背包问题(8分钟)
52
3-26粒子群优化01背包问题

粒子群优化01背包问题(7分钟)
53
3-27蚁群算法

蚁群算法(20分钟)
54
3-28蚁群算法的经典改进：蚁群系统

蚁群算法的经典改进：蚁群系统(10分钟)
55
3-29蚁群算法的经典改进：最大最小蚁群

蚁群算法的经典改进：最大最小蚁群(11分钟)
56
3-30多目标遗传nsga2算法及其工具箱代码实现

多目标遗传nsga2算法及其工具箱代码实现(22分钟)
57
3-31多目标遗传nsga2源代码实现

多目标遗传nsga2源代码实现(16分钟)
58
3-32多目标粒子群mopso算法及其源代码实现

多目标粒子群mopso算法及其源代码实现(19分钟)
59
3-33多目标算法pareto解的评价指标

多目标算法pareto解的评价指标(19分钟)
60
3-34多目标算法pareto解集的折衷解如何选择

多目标算法pareto解集的折衷解如何选择(7分钟)
61
3-35路径问题中的局部搜索算法：2-opt

路径问题中的局部搜索算法：2-opt(7分钟)
62
4-1bp神经网络原理介绍

bp神经网络原理介绍(21分钟)
63
4-2bp神经网络工具箱代码的实现（matlab自带）

bp神经网络工具箱代码的实现（matlab自带）(12分钟)
64
4-3bp神经网络的源代码实现（非工具箱版本）

bp神经网络的源代码实现（非工具箱版本）(10分钟)
65
4-4bp神经网络基于IRIS数据集实现分类（自带bp版本）

bp神经网络基于IRIS数据集实现分类(6分钟)
66
4-5Kmeans聚类算法

Kmeans聚类算法(5分钟)
67
4-6Kmeans聚类的工具箱和源代码实现

Kmeans聚类的工具箱和源代码实现(7分钟)
68
4-7rbf神经网络原理介绍

rbf神经网络原理介绍(14分钟)
69
4-8rbf神经网络工具箱代码的实现（matlab自带）

rbf神经网络工具箱代码的实现(7分钟)
70
4-9rbf神经网络的源代码实现（基于聚类和LMS）

rbf神经网络的源代码实现（基于聚类和LMS）(8分钟)
71
4-10rbf神经网络的源代码实现（基于梯度下降）

rbf神经网络的源代码实现（基于梯度下降）(8分钟)
72
4-11支持向量机svm原理介绍

支持向量机svm原理介绍(33分钟)
73
4-12基于libsvm工具包的代码实现

基于libsvm工具包的代码实现(16分钟)
74
4-13支持向量机分类的源代码实现（非工具包）

支持向量机分类的源代码实现（非工具包）(16分钟)
75
4-14遗传优化bp神经网络权值阈值

遗传优化bp神经网络权值阈值(19分钟)
76
4-15粒子群优化bp神经网络权值阈值

粒子群优化bp神经网络权值阈值(15分钟)
77
4-16遗传优化svm的c和g（分类和回归）

遗传优化svm的c和g（分类和回归）(17分钟)
78
4-17粒子群优化svm的c和g（分类和回归）

粒子群优化svm的c和g（分类和回归）(14分钟)
79
4-18遗传优化基于梯度下降的rbf神经网络权值扩展因子中心矢量

遗传优化基于梯度下降的rbf神经网络(17分钟)
80
4-19粒子群优化基于梯度下降的rbf神经网络权值扩展因子中心矢量

粒子群优化基于梯度下降的rbf神经网络(14分钟)
81
4-20 遗传优化svm的输入参数使得输出最优

遗传优化svm的输入参数使得输出最优(15分钟)
82
4-21 粒子群优化svm的输入参数使得输出最优

粒子群优化svm的输入参数使得输出最优(12分钟)
83
4-22 遗传优化bp的输入参数使得输出最优

遗传优化bp的输入参数使得输出最优(14分钟)
84
4-23 粒子群优化bp的输入参数使得输出最优

粒子群优化bp的输入参数使得输出最优(12分钟)
85
4-24遗传算法基于bp神经网络进行特征选择

遗传算法基于bp神经网络进行特征选择(13分钟)
86
4-25遗传算法基于svm支持向量机进行特征选择

遗传算法基于svm支持向量机进行特征选择(10分钟)
87
4-26粒子群算法基于bp神经网络进行特征选择

粒子群算法基于bp神经网络进行特征选择(9分钟)
88
4-27粒子群算法基于svm支持向量机进行特征选择

粒子群算法基于svm支持向量机进行特征选择(9分钟)
89
4-28多目标遗传nsga2优化bp的输入参数使得输出最优

nsga2优化bp的输入参数使得输出最优(19分钟)
90
4-29多目标粒子群mopso优化bp的输入参数使得输出最优

mopso优化bp的输入参数使得输出最优(20分钟)