Schulungsübersicht

Lektion 1: MATLAB Erste Schritte - Grundlagen 1,  Eine kurze Einführung in die MATLAB Installation, die Versionsgeschichte und die Programmierumgebung 2,   MATLAB Grundlegende Operationen (einschließlich Matrixoperationen, Logik und Prozesssteuerung, Funktionen und Skriptdateien, grundlegendes Zeichnen, usw.) 3,   Datei-Import (mat, txt, xls, csv und andere Formate) Lektion 2: MATLAB Fortgeschrittene und Verbesserung 1、  MATLAB Programmiergewohnheiten und -stil 2,  MATLAB Fähigkeiten zur Fehlersuche 3,  Vektorisierte Programmierung und Speicheroptimierung 4,  Grafische Objekte und Handles Lektion 3: BP Neuronale Netze 1,  Grundprinzipien des BP Neuronalen Netzes 2,  BP neuronales Netz MATLAB Implementierung 3,  Praxisbeispiele 4,  Optimierung der Parameter des neuronalen BP-Netzes Lektion 4: Neuronale Netze RBF, GRNN und PNN 1,  Grundprinzipien des neuronalen RBF-Netzes 2,  GRNN neuronales Netz - Grundprinzip 3,  PNN neuronales Netz Grundprinzipien 4、  Fallbeispiel Lektion 5: Kompetitive Neuronale Netze und SOM Neuronale Netze 1,  Kompetitive neuronale Netze - Grundprinzipien 2,  Grundprinzipien des selbstorganisierenden neuronalen Netzes (SOM - Self-organising feature mapping) 3、  Praxisbeispiel Lektion 6: Support-Vektor-Maschine (SVM) 1,  SVM-Klassifikation von Grundprinzipien 2,  SVM Regressionsanpassung Grundprinzipien 3,  SVM gemeinsame Trainingsalgorithmen (Chunking, SMO, inkrementelles Lernen, etc.) 4,  Praxisbeispiele Lektion 7: Extreme Learning Machine (Extreme Learning Machine, ELM) 1,  ELMs Grundprinzipien 2,  Unterschied und Verbindung zwischen ELM und BP Neuronalem Netzwerk 3,  Fallbeispiel Lektion 8: Entscheidungsbaum und Random Forest 1,  Entscheidungsbaum Grundprinzipien 2,  Die Grundprinzipien von Random Forests 3,  Fallbeispiel Lektion 9: Genetischer Algorithmus (GA) 1,  Die Grundprinzipien des genetischen Algorithmus 2,  Einführung in ein allgemeines Toolkit für genetische Algorithmen 3,  Fallbeispiel Lektion 10: Partikel-Schwarm-Optimierung (PSO) 1,  Grundprinzipien des Partikelschwarm-Optimierungsalgorithmus 2、  Fallbeispiel Lektion 11: Ameisenkolonie-Algorithmus (ACA) 1,  Grundlagen des Partikelschwarm-Optimierungsalgorithmus 2,  Fallbeispiel Lektion 12: Simuliertes Anlassen (SA) 1,  Grundprinzipien des Algorithmus des Simulierten Glühens 2,  Fallbeispiel Lektion 13: Dimensionalitätsreduktion und Merkmalsauswahl 1,  Das Grundprinzip der Hauptkomponentenanalyse 2,  Das Grundprinzip der partiellen kleinsten Quadrate 3,  Gängige Methoden der Merkmalsauswahl (Optimale Suche, Filter und Wrapper, etc.)

Voraussetzungen

Höhere Mathematik Lineare Algebra

  21 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Kombinierte Kurse

MATLAB Fundamentals, Data Science & Report Generation

  35 Stunden

Verwandte Kategorien