Schița de curs

Lecția 1: MATLAB Noțiuni de bază pentru început 1,  O scurtă introducere în MATLAB instalare, istoricul versiunilor și mediul de programare 2,  Operații de bază MATLAB (inclusiv operații matriciale, control logic și de proces, funcții și fișiere script, desen de bază etc.) 3,  importul de fișiere (mat, txt, xls, csv și alte formate) Lecția 2: MATLAB avansat și perfecționare 1、  MATLAB Obiceiuri și stil de programare 2,  MATLAB abilități de depanare 3,  Programare vectorizată și optimizare a memoriei 4,  Obiecte și mânere grafice Lecția 3: Rețele neuronale BP 1,  Principiile de bază ale rețelelor neuronale BP 2,  Implementarea rețelei neuronale BP MATLAB implementare 3,  Practică de caz 4,  Optimizarea parametrilor rețelei neuronale BP Lecția 4: Rețele neuronale RBF, GRNN și PNN 1,  Principiile de bază ale rețelei neuronale RBF 2,  Principiul de bază al rețelei neuronale GRNN 3,  Principiile de bază ale rețelei neuronale PNN 4、  Practică de caz Lecția 5: Rețele neuronale competitive și rețele neuronale SOM 1,  Principiile de bază ale rețelelor neuronale competitive 2,  Principiile de bază ale rețelelor neuronale de cartografiere a caracteristicilor de auto-organizare (SOM) 3、  Practică de caz Lecția 6: Mașina vectorială de suport (SVM) 1,  Clasificarea SVM a principiilor de bază 2,  SVM regresie de ajustare a principiilor de bază 3,  Algoritmi comuni de instruire SVM (chunking, SMO, învățare incrementală etc.) 4,  Practică de caz Lecția 7: Mașina de învățare extremă (Extreme Learning Machine, ELM) 1,  Principiile de bază ale ELM 2,  Diferența și conexiunea dintre ELM și rețeaua neuronală BP 3,  Practică de caz Lecția 8: Arborele de decizie și pădurea aleatorie 1,  Principiile de bază ale arborelui de decizie 2,  Principiile de bază ale pădurilor aleatoare 3,  Practică de caz Lecția 9: Algoritmul genetic (GA) 1,  Principiile de bază ale algoritmului genetic 2,  Introducere în setul de instrumente comune ale algoritmului genetic 3,  Practică de caz Lecția 10: Algoritmul de optimizare a roiului de particule (PSO) 1,  Principiile de bază ale algoritmului de optimizare a roiului de particule 2、  Practică de caz Lecția 11: Algoritmul coloniei de furnici (ACA) 1,  Principii de bază ale algoritmului de optimizare a roiului de particule 2,  Practică de caz Lecția 12: Simulated Annealing (SA) 1,  Principiile de bază ale algoritmului de recoacere simulată 2,  Practică de caz Lecția 13: Reducerea dimensionalității și selectarea caracteristicilor 1,  Principiul de bază al analizei componentelor principale 2,  Principiul de bază al celor mai mici pătrate parțiale 3,  Metode comune de selecție a caracteristicilor (căutare optimă, filtru și înveliș etc.)

Cerințe

matematică avansată algebră liniară

  21 ore

Numărul de participanți



Pret per participant

Cursuri înrudite

MATLAB Fundamentals, Data Science & Report Generation

  35 ore

Categorii înrudite