План на курса

Урок 1: MATLAB Основи на влизане 1. Кратко въведение в MATLAB инсталация, история на версиите и среда за програмиране 2. MATLAB Основни операции (включително матрични операции, логика и контрол на процеси, функции и скриптови файлове, основни чертежи и т.н. .) 3. Импортиране на файлове (формати mat, txt, xls, csv и др.) Урок 2: MATLAB Напредък и подобрение 1. MATLAB Навици и стилове на програмиране 2. MATLAB Умения за отстраняване на грешки 3. Векторизирано програмиране и памет Оптимизация 4. Графични обекти и манипулатори Урок 3: BP невронна мрежа 1. Основни принципи на BP невронна мрежа 2. MATLAB реализация на BP невронна мрежа 3. Казус от практиката 4. Оптимизиране на параметрите на BP невронна мрежа Урок 4: RBF, GRNN и PNN невронна мрежа 1. Основни принципи на RBF невронна мрежа 2. Основни принципи на GRNN невронна мрежа 3. Основни принципи на PNN невронна мрежа 4. Казус от практиката Урок 5: Конкурентна невронна мрежа и SOM невронна мрежа 1. Основи на конкурентна невронна мрежа Принцип 2 , Основни принципи на невронна мрежа на самоорганизираща се карта на характеристиките (SOM) 3. Практика на казус Урок 6: Машина за опорни вектори (SVM) 1. Основни принципи на SVM класификация 2. Основни принципи на SVM регресионно приспособяване 3, Общи алгоритми за обучение на SVM ( блокиране, SMO, постепенно обучение и т.н.) 4. Урок от практиката на казус 7: Машина за екстремно обучение (ELM) 1. Основни принципи на ELM 2. Разликата между невронната мрежа ELM и BP 3. Урок от практиката на казус 8: Дърво на решения и произволно Гора 1. Основни принципи на дърветата за вземане на решения 2. Основни принципи на произволна гора 3. Практически казус Урок 9: Генетичен алгоритъм (GA) 1. Генетичен алгоритъм Основни принципи 2. Въведение в набори от инструменти за общ генетичен алгоритъм 3. Казус от практиката Урок 10: Рояк частици Алгоритъм за оптимизация (PSO) 1. Основни принципи на алгоритъма за оптимизиране на рояк частици 2. Практика на казус Урок 11: Алгоритъм на колония на мравки (Алгоритъм на колония на мравки, ACA) 1. Основни принципи на алгоритъма за оптимизиране на рояк частици 2. Практика на казус Урок 12: Алгоритъм за симулирано отгряване (Simulated Annealing, SA) 1. Основни принципи на алгоритъм за симулирано отгряване 2. Практика на казус Урок 13: Намаляване на размерността и избор на характеристики 1. Основни принципи на анализ на главните компоненти 2. Основни принципи на частични най-малки квадрати 3. Методи за избор на общи характеристики (оптимизирани търсене, филтър и обвивка и др.)

Изисквания

Линейна алгебра по математика за напреднали

 21 Hours

Брой участници



Цена за участник

Свързани Kурсове

MATLAB Fundamentals, Data Science & Report Generation

35 Hours

Matlab for Finance

14 Hours

Matlab for Predictive Analytics

21 Hours

Matlab for Prescriptive Analytics

14 Hours

Свързани Kатегории