Schulungsübersicht

Lektion 1: MATLAB Erste Schritte - Grundlagen
1, eine kurze Einführung in die MATLAB-Installation, Versionsgeschichte und 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 -stile
2, MATLAB Fähigkeiten zur Fehlersuche
3、 Vektorisierte Programmierung und Speicheroptimierung
4、 Grafische Objekte und Handles
Lektion 3: BP Neuronales Netzwerk
1、 Grundprinzip des neuronalen BP-Netzes
2, MATLAB Implementierung eines neuronalen BP-Netzes
3、 Praxisfall
4、 Optimierung der Parameter des neuronalen BP-Netzes
Lektion 4: Neuronale Netze RBF, GRNN und PNN
1、 Das Grundprinzip des neuronalen RBF-Netzes
2、 Das Grundprinzip des neuronalen Netzes GRNN
3、 Das Grundprinzip des neuronalen Netzes PNN
4、 Praxisbeispiel
Lektion 5: Kompetitive Neuronale Netze und SOM Neuronale Netze
1、 Grundprinzip des kompetitiven neuronalen Netzes
2、 Grundprinzipien des selbstorganisierten neuronalen Netzes (SOM - Self-Organised Feature Mapping)
3、 Praxisbeispiel
Lektion 6: Stützvektormaschine (SVM)
1、 Das Grundprinzip der SVM-Klassifikation
2、 Das Grundprinzip der SVM-Regressionsanpassung
3, SVM-Trainingsalgorithmen (Chunking, SMO, inkrementelles Lernen, etc.)
4、 Praxisbeispiel
Lektion 7: Extreme Learning Machine (ELM)
1、 Das Grundprinzip der ELM
2, Unterschied und Verbindung zwischen ELM und BP Neuronalem Netz
3、 Fallbeispiel
Lektion 8: Entscheidungsbaum und Random Forest
1、 Das Grundprinzip des Entscheidungsbaums
2、 Das Grundprinzip des Random Forest
3、 Fallbeispiel
Lektion 9: Genetischer Algorithmus (GA)
1, das Grundprinzip des genetischen Algorithmus
2, Einführung in gängige genetische Algorithmus-Toolboxen
3、 Fallbeispiel
Lektion 10: Partikelschwarm-Optimierung (PSO) Algorithmus
1、 Das Grundprinzip des Partikelschwarm-Optimierungsalgorithmus
2、 Praxisbeispiel
Lektion 11: Ameisenkolonie-Algorithmus (ACA)
1. die Grundprinzipien des Partikelschwarm-Optimierungsalgorithmus
2、 Fallstudie
Lektion 12: Simuliertes Annealing (SA)
1) Grundprinzipien des Simulated Annealing Algorithmus (SA)
2) Fallstudie
Lektion 13: Dimensionalitätsreduktion und Merkmalsauswahl
1、 Das Grundprinzip der Hauptkomponentenanalyse
2、 Das Grundprinzip der partiellen kleinsten Quadrate
3、 Gängige Methoden der Merkmalsauswahl (Optimierungssuche, Filter und Wrapper, etc.)

Voraussetzungen

Höhere Mathematik
Lineare Algebra

 21 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien