一、MATLAB编程基础与进阶（一）
1、MATLAB 安装、版本历史与编程环境
2、MATLAB 基础操作（矩阵操作、逻辑与流程控制、函数与脚本文件）
3、MATLAB文件读写（mat、txt、xls、csv、jpg、wav、avi等格式）二
二、MATLAB编程基础与进阶（二）
1、MATLAB基本绘图与高级绘图、图片导出与保存、生成SCI期刊要求的图片
2、MATLAB 调试技巧（为什么会给出各种各样的错误信息？常见的错误信息有哪些？如何正确面对错误信息？如何使用断点调试工具？应该去哪些网站寻找答案？）
三、BP神经网络及其在近红外光谱分析中的应用（一）
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、案例演示：BP神经网络的 MATLAB 实现（近红外光谱回归拟合建模）
四、BP神经网络及其在近红外光谱分析中的应用（二）
1、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？如何使用？）
2、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？）
3、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）
4、案例演示：BP神经网络的 MATLAB 实现（近红外光谱分类识别建模）
五、支持向量机（SVM）及其在近红外光谱分析中的应用
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、LibSVM工具箱的安装与使用
4、案例演示：SVM的MATLAB实现（近红外光谱回归拟合建模）
六、决策树与随机森林及其在近红外光谱分析中的应用
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、案例演示：决策树与随机森林的MATLAB实现（近红外光谱回归拟合建模）
七、遗传算法及其在近红外光谱分析中的应用
1、群优化算法的前世今生
2、遗传算法（Genetic Algorithm）的基本原理
3、案例演示：基于二进制遗传算法的近红外光谱波长筛选
八、变量降维算法及其在近红外光谱分析中的应用
1、主成分分析（PCA）、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？）
2、近红外光谱波长选择方法拓展（Filter和Wrapper；前向与后向选择法；区间法；无信息变量消除法等）
3、案例演示：PCA/PLS近红外光谱降维MATLAB实现
九、卷积神经网络及其在近红外光谱分析中的应用
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、案例演示：一维卷积神经网络的MATLAB实现（基于卷积神经网络的近红外光谱建模）