课程名 | 主要内容 |
6.19 | Python基础 | ①Anaconda安装 ②Sypder介绍 ③Python使用注意事项及python库的安装 ⑤Python基础语法 |
6.20 | Python数据加载及其可视化 | ①nii、edf数据加载 ②mat、csv、txt文件加载 ③数据可视化及绘图基础（numpy、matplotlib、sklearn） |
6.21 | Python进阶 | ①函数定义及使用 ②函数传参方法 ③Python基础数据结构 ④类、实例、方法、构造函数 ⑤Python总结 |
6.22 | EEG信号介绍 | EEG信号介绍 EEGLAB软件介绍 EEG信号预处理及分析要点 |
6.23 | 特征提取 | 统计学特征 时域 频域 时频域 其他EEG特殊特征 |
6.24 |
特征预处理（理论及Python实现） | 归一化 标准化 特征二值化 特征编码 缺失值处理 样本不平衡问题 |
6.25 | 直播答疑 | 总结课程，解答疑问 |
6.26 | 机器学习基础概念介绍 | 机器学习模型分类（分类、回归、拟合、有监督/无监督） 数据集划分（验证集、训练集、验证集、留一法、十折交叉法、置换检验） 精度评价指标（F1、ACC、ROC、AUC、混淆矩阵） 欠/过拟合及正则化方法 Subject-wise交叉验证 置换检验 |
6.27 | 机器学习模型及其实现1 | 机器学习通用模型及梯度下降 从线性回归到逻辑回归 朴素贝叶斯 朴素贝叶斯介绍（理论、适用范围、优缺点、模型解释） 朴素贝叶斯的Python调用 项目实战 |
6.28 | 机器学习模型及其实现2 | 支持向量机 理论、调用、实战
模型手动调参、随机调参及网格调参 模型解释及特征可视化 决策树（包含模型介绍、调用、调参优化、适用范围、优缺点、项目实战、模型解释等） |
6.30 | 机器学习模型及其实现3 | K最邻近（包含模型介绍、调用、调参优化、适用范围、优缺点、项目实战、模型解释等） 集成学习及其Python实现 随机森林决、梯度提升树（包含模型介绍、调用、调参优化、适用范围、优缺点、项目实战等） 梯度提升树 集成学习参数调节 置换检验Python实现 |
7.1 | 机器学习模型及其实现4 | 无监督学习（包含模型介绍、调用、调参优化、适用范围、优缺点、项目实战等） 聚类（K均值聚类和层次聚类） 降维（PCA、LDA） 交叉验证、留一法Python实现 模型保存及加载 |
7.2 | 机器学习模型及其实现5 | MATLAB工具箱（模型初选） MVPA（多变量模式分析）、RAS（表征相似性分析） MVPA原理 MVPA的Python实现 基于MVPA实现EEG信号分析 被站点、跨数据集问题 |
7.3 | 时间序列信号分析及模型的可解释性 | 类时间序列信号分析 模型的可解释性 作业检查及讲解 学员答疑 |
|
7.5 | 直播答疑 | 总结课程，解答疑问 |
7.6 | 深度神经网络及其实践 | 深度学习理论介绍（损失函数、优化器、学习率） DNN（深度神经网络）理论 DNN模型评价及参数调节 DNN模型的python实现 |
7.7 | 特征选择 | 特征选择过程 生成过程 评价函数 停止条件 验证过程 特征选择算法的Python实现 序列前向选择 序列后向选择 Relief算法 |
7.8 | 总结 | 课程总结 EEG信号完整分析过程演示 结果汇报及绘图 参数优化 展望（图论、多变量模式分析、CSP、多模型联合决策） 其他补充知识 |
7.9 | 直播答疑 |
总结课程，解答疑问 |
