Kursplan

Leksjon 1: MATLAB Grunnleggende om oppføring 1. Kort introduksjon til MATLAB installasjon, versjonshistorikk og programmeringsmiljø 2. MATLAB Grunnleggende operasjoner (inkludert matriseoperasjoner, logikk og prosesskontroll, funksjoner og skriptfiler, grunnleggende tegning, etc. .) 3. Filimport (mat, txt, xls, csv, etc.-formater) Leksjon 2: MATLAB Avansering og forbedring 1. MATLAB Programmeringsvaner og -stiler 2. MATLAB Feilsøkingsferdigheter 3. Vektorisert programmering og minne Optimalisering 4. Grafiske objekter og håndtak Leksjon 3: BP nevrale nettverk 1. Grunnleggende prinsipper for BP nevrale nettverk 2. MATLAB implementering av BP nevrale nettverk 3. Casepraksis 4. Optimalisering av BP nevrale nettverksparametere Leksjon 4: RBF, GRNN og PNN nevrale nettverk 1. Grunnleggende prinsipper for RBF nevrale nettverk 2. Grunnleggende prinsipper for GRNN nevrale nettverk 3. Grunnleggende prinsipper for PNN nevrale nettverk 4. Case praksis Leksjon 5: Konkurrerende nevrale nettverk og SOM nevrale nettverk 1. Grunnleggende om konkurrerende nevrale nettverk Prinsipp 2 Grunnleggende prinsipper for selvorganiserende funksjonskart (SOM) nevrale nettverk 3. Sakspraksis Leksjon 6: Support Vector Machine (SVM) 1. Grunnleggende prinsipper for SVM-klassifisering 2. Grunnleggende prinsipper for SVM-regresjonstilpasning 3 , Vanlige treningsalgoritmer for SVM ( blokkering, SMO, inkrementell læring, etc.) 4. Case praksis leksjon 7: Extreme Learning Machine (ELM) 1. Grunnleggende prinsipper for ELM 2. Forskjellen mellom ELM og BP nevrale nettverk 3. Case Practice Leksjon 8: Decision Tree and Random Skog 1. Grunnleggende prinsipper for beslutningstrær 2. Grunnleggende prinsipper for tilfeldig skog 3. Case Practice Leksjon 9: Genetisk algoritme (GA) 1. Genetisk algoritme Grunnleggende prinsipper 2. Introduksjon til vanlige genetiske algoritmeverktøykasser 3. Casepraksis Leksjon 10: Partikkelsverm Optimalisering (PSO) algoritme 1. Grunnleggende prinsipper for partikkelsverm optimalisering algoritme 2. Case praksis Leksjon 11: Maur koloni algoritme (Ant Colony Algorithm, ACA) 1. Grunnleggende prinsipper for partikkel sverm optimalisering algoritme 2. Case praksis Leksjon Annet algoritme 12: Simulert algoritme (Simulert annealing, SA) 1. Grunnleggende prinsipper for simulert annealing algoritme 2. Case praksis Leksjon 13: Dimensjonsreduksjon og funksjonsvalg 1. Grunnleggende prinsipper for hovedkomponentanalyse 2. Grunnleggende prinsipper for partielle minste kvadrater 3. Vanlige funksjonsvalgmetoder (optimalisert) søk, Filter og Wrapper, etc.)

Krav

Avansert matematikk lineær algebra

 21 timer

Antall deltakere



Price per participant

Relaterte kurs

MATLAB Fundamentals, Data Science & Report Generation

35 timer

Related Categories