Kursplan

Lektion 1: MATLAB Grunderna för posten 1. Kort introduktion till MATLAB installation, versionshistorik och programmeringsmiljö 2. MATLAB Grundläggande operationer (inklusive matrisoperationer, logik och processkontroll, funktioner och skriptfiler, grundläggande ritning, etc. .) 3. Filimport (format, txt, xls, csv, etc.) Lektion 2: MATLAB Avancemang och förbättring 1. MATLAB Programmeringsvanor och -stilar 2. MATLAB Felsökningsfärdigheter 3. Vektoriserad programmering och minne Optimering 4. Grafiska objekt och handtag Lektion 3: BP neurala nätverk 1. Grundläggande principer för BP neurala nätverk 2. MATLAB implementering av BP neurala nätverk 3. Fallpraxis 4. Optimering av BP neurala nätverksparametrar Lektion 4: RBF, GRNN och PNN neurala nätverk 1. Grundläggande principer för RBF neurala nätverk 2. Grundläggande principer för GRNN neurala nätverk 3. Grundläggande principer för PNN neurala nätverk 4. Case övning Lektion 5: Konkurrerande neurala nätverk och SOM neurala nätverk 1. Grunderna för kompetitivt neurala nätverk Princip 2 Grundläggande principer för självorganiserande funktionskarta (SOM) neurala nätverk 3. Fallövning Lektion 6: Support Vector Machine (SVM) 1. Grundläggande principer för SVM-klassificering 2. Grundläggande principer för SVM-regressionsanpassning 3, Vanliga träningsalgoritmer för SVM ( blockering, SMO, inkrementell inlärning, etc.) 4. Fallövningslektion 7: Extreme Learning Machine (ELM) 1. Grundläggande principer för ELM 2. Skillnaden mellan ELM och BP neurala nätverk 3. Fallövningslektion 8: Decision Tree and Random Skog 1. Grundläggande principer för beslutsträd 2. Grundläggande principer för slumpmässig skog 3. Case Practice Lektion 9: Genetisk algoritm (GA) 1. Genetisk algoritm Grundprinciper 2. Introduktion till vanliga genetiska algoritmverktygslådor 3. Fallövning Lektion 10: Partikelsvärm Optimeringsalgoritm (PSO) 1. Grundläggande principer för algoritm för partikelsvärmoptimering 2. Fallövning Lektion 11: Myrkolonialgoritm (Ant Colony Algorithm, ACA) 1. Grundläggande principer för algoritm för partikelsvärmoptimering 2. Fallövning Lektion 12: Simulerad algoritm (Simulerad glödgning, SA) 1. Grundläggande principer för simulerad glödgningsalgoritm 2. Fallpraxis Lektion 13: Dimensionalitetsreduktion och funktionsval 1. Grundläggande principer för huvudkomponentanalys 2. Grundläggande principer för partiella minsta kvadrater 3. Vanliga särdragsvalsmetoder (optimerade sök, filter och omslag, etc.)

Krav

Avancerad matematik linjär algebra

 21 timmar

Antal deltagare



Price per participant

Relaterade Kurser

MATLAB Fundamentals, Data Science & Report Generation

35 timmar

Relaterade Kategorier