コース概要

レッスン 1: MATLAB 入力の基本 1. MATLAB インストール、バージョン履歴、プログラミング環境の簡単な紹介 2. MATLAB 基本操作 (行列演算、ロジックとプロセス制御、関数とスクリプト ファイル、基本的な描画などを含む) .) 3. ファイルのインポート (mat、txt、xls、csv などの形式) レッスン 2: MATLAB 進歩と改善 1. MATLAB プログラミングの習慣とスタイル 2. MATLAB デバッグ スキル 3. ベクトル化されたプログラミングとメモリ最適化 4. グラフィック オブジェクトとハンドル レッスン 3: BP ニューラル ネットワーク 1. BP ニューラル ネットワークの基本原理 2. BP ニューラル ネットワークの MATLAB 実装 3. 事例演習 4. BP ニューラル ネットワーク パラメーターの最適化 レッスン 4: RBF、GRNN、およびPNN ニューラル ネットワーク 1. RBF ニューラル ネットワークの基本原理 2. GRNN ニューラル ネットワークの基本原理 3. PNN ニューラル ネットワークの基本原理 4. 事例演習 レッスン 5: 競合ニューラル ネットワークと SOM ニューラル ネットワーク 1. 競合ニューラル ネットワークの基本 原則 2 . 自己組織化特徴マップ (SOM) ニューラル ネットワークの基本原理 3. 事例演習 レッスン 6: サポート ベクター マシン (SVM) 1. SVM 分類の基本原理 2. SVM 回帰フィッティングの基本原理 3 、SVM の一般的なトレーニング アルゴリズム ( 4. 事例演習 7: Extreme Learning Machine (ELM) 1. ELM の基本原理 2. ELM と BP ニューラル ネットワークの違い 3. 事例演習 8: デシジョン ツリーとランダムフォレスト 1. デシジョン ツリーの基本原則 2. ランダム フォレストの基本原則 3. 事例演習 レッスン 9: 遺伝的アルゴリズム (GA) 1. 遺伝的アルゴリズムの基本原則 2. 一般的な遺伝的アルゴリズム ツールボックスの概要 3. 事例演習 レッスン 10: 粒子群最適化 (PSO) アルゴリズム 1. 粒子群最適化アルゴリズムの基本原理 2. 事例演習 レッスン 11: アリのコロニー アルゴリズム (Ant Colony Algorithm、ACA) 1. 粒子群最適化アルゴリズムの基本原則 2. 事例演習 レッスン 12: シミュレーテッド アニーリング アルゴリズム(シミュレーテッド アニーリング、SA) 1. シミュレーテッド アニーリング アルゴリズムの基本原理 2. ケース プラクティス レッスン 13 : 次元削減と特徴選択 1. 主成分分析の基本原理 2. 部分最小二乗法の基本原理 3. 共通の特徴選択方法 (最適化された検索、フィルター、ラッパーなど)

要求

高度な数学の線形代数

  21 時間
 

参加者の人数


開始

完了


Dates are subject to availability and take place between 10:00 and 17:00.
Open Training Courses require 5+ participants.

関連コース

MATLAB Fundamentals, Data Science & Report Generation

  35 時間

Matlab for Prescriptive Analytics

  14 時間

関連カテゴリー