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

复习与答疑讨论

1、课程复习与总结（知识点梳理）

2、资料分享（图书、在线课程资源、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？）

4、答疑与讨论（大家提前把问题整理好）

Matlab高光谱遥感数据处理与混合像元分解

光谱和图像是人们观察世界的两种方式，高光谱遥感通过“图谱合一”的技术创新将两者结合起来，大大提高了人们对客观世界的认知能力，本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。以高光谱遥感为核心，构建大范围、快速、远程、定量探测技术，已在矿物填图、土壤质量参数评估、植被、农作物生长状态监测等领域取得了突出的成果，而在药品、食物、环境等领域也显示了不可估量的应用潜力。高光谱技术可以在不同空间尺度上，快速获取目标定量信息。这些能力越来越引起学术界、工业界的重视。那么如何深刻理解高光谱技术的机理？如何高效处理好高光谱数据？如何针对具体领域建立切实可行的高光谱技术应用解决方案？将提供一套基于MATLAB编程工具的方法和案例。

为什么选择MATLAB? MATLAB是美国MathWorks公司在20世纪80年代中期推出的数学软件，优秀的数值计算能力和卓越的数据可视化能力使其很快在数学软件中脱颖而出。到目前为止，已经进化到2022版本。随着版本的不断升级，它在图像处理上得到了进一步完善，并且在2020版本上增加了高光谱处理的工具箱。实际上，这个课程不是要教大家如何用MATLAB去编程，大多数使用MATLAB的人并不是程序员，也不想成为程序员。课程将MATLAB视为进行高光谱技术研究的环境，因为MATLAB具有一些你必须学习它的优势。比如：符号简单而强大，实现快速且值得信赖，非常擅长生成图和其他交互式任务。有很多带有良好代码的“工具箱”可以很好地完成特定任务，有大量共享数字代码的用户社区。

从基础、方法、实践三方面对高光谱遥感进行讲解。基础篇，站在学员的角度去理解“高光谱”，用大家能听的懂的语言去讲述高光谱的基本概念和理论，帮助学员深入理解这项技术的底层科学机理。方法篇，将高光谱技术与MATLAB工具结合起来，采用MATLAB丰富的工具箱，快速复现高光谱数据处理和分析过程，对学习到的理论和方法进行高效反馈。同时，充分发挥MATLAB草稿纸式的编程语言的简洁和易操作性，对每一行代码进行解析。实践篇，通过高光谱矿物识别，植物含水量提取、土壤有机碳评估等案例，提供可借鉴的高光谱应用领域的技术服务方案，结合MATLAB矩阵计算、科学数据可视化、数据处理与机器学习、图像处理等功能模块，深入介绍高光谱技术的应用功能开发。