Kurzusleírás

1. lecke: MATLAB Belépés alapjai 1. Rövid bevezetés a MATLAB telepítéshez, verzióelőzményekhez és programozási környezethez 2. MATLAB Alapműveletek (beleértve a mátrixműveleteket, logikai és folyamatvezérlést, függvény- és szkriptfájlokat, alaprajzot stb. .) 3. Fájl importálás (mat, txt, xls, csv stb. formátumok) 2. lecke: MATLAB Haladás és fejlesztés 1. MATLAB Programozási szokások és stílusok 2. MATLAB Hibakeresési készségek 3. Vektoros programozás és memória Optimalizálás 4. Grafikus objektumok és kezelők 3. lecke: BP neurális hálózat 1. BP neurális hálózat alapelvei 2. MATLAB BP neurális hálózat megvalósítása 3. Esettanalitikai gyakorlat 4. BP neurális hálózat paramétereinek optimalizálása 4. lecke: RBF, GRNN és PNN neurális hálózat 1. Az RBF neurális hálózat alapelvei 2. A GRNN neurális hálózat alapelvei 3. A PNN neurális hálózat alapelvei 4. Esettanulmány 5. lecke: Kompetitív neurális hálózat és SOM neurális hálózat 1. A kompetitív neurális hálózat alapjai 2. alapelv Az önszerveződő jellemzőtérkép (SOM) neurális hálózat alapelvei 3. Esetgyakorlat 6. lecke: Support Vector Machine (SVM) 1. Az SVM osztályozás alapelvei 2. Az SVM regressziós illesztés alapelvei 3, Az SVM gyakori tanító algoritmusai ( blokkolás, SMO, inkrementális tanulás stb.) 4. Esettanulmány 7. lecke: Extreme Learning Machine (ELM) 1. Az ELM alapelvei 2. Az ELM és a BP neurális hálózat közötti különbség 3. Esettanulmány 8. lecke: Döntési fa és véletlenszerű Erdő 1. A döntési fák alapelvei 2. A véletlenszerű erdő alapelvei 3. Esetgyakorlat 9. lecke: Genetikai algoritmus (GA) 1. Genetikai algoritmus Alapelvek 2. Bevezetés a gyakori genetikai algoritmusok eszköztáraiba 3. Esettanulmány 10. lecke: Részecskeraj Optimalizációs (PSO) algoritmus 1. A részecskeraj optimalizálási algoritmus alapelvei 2. Esettanulmány 11. lecke: Hangyatelep algoritmus (Ant Colony Algorithm, ACA) 1. A részecskeraj optimalizálási algoritmus alapelvei 2. Esetgyakorlat 12. lecke: Szimulációs lecke. (Simulated Annealing, SA) 1. A szimulált lágyítási algoritmus alapelvei 2. Esettanulmány 13. lecke: Dimenziócsökkentés és jellemzőválasztás 1. A főkomponens-elemzés alapelvei 2. A részleges legkisebb négyzetek alapelvei 3. Általános jellemző kiválasztási módszerek (optimalizált) keresés, szűrő és csomagoló stb.)

Követelmények

Haladó matematika Lineáris algebra

  21 Hours
 

Résztvevők száma


Tanfolyam kezdete

Tanfolyam vége


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Rokon tanfolyam

MATLAB Fundamentals, Data Science & Report Generation

  35 Hours

Rokon kategóriák