Course Outline

Μάθημα 1: MATLAB Βασικά στοιχεία εισαγωγής 1. Σύντομη εισαγωγή στην εγκατάσταση MATLAB, ιστορικό εκδόσεων και περιβάλλον προγραμματισμού 2. MATLAB Βασικές λειτουργίες (συμπεριλαμβανομένων λειτουργιών μήτρας, ελέγχου λογικής και διεργασίας, συναρτήσεων και αρχείων σεναρίων, βασικού σχεδίου κ.λπ. .) 3. Εισαγωγή αρχείων (μορφές mat, txt, xls, csv, κ.λπ.) Μάθημα 2: MATLAB Πρόοδος και βελτίωση 1. MATLAB Προγραμματιστικές συνήθειες και στυλ 2. MATLAB Δεξιότητες εντοπισμού σφαλμάτων 3. Διανυσματικός προγραμματισμός και μνήμη Βελτιστοποίηση 4. Γραφικά αντικείμενα και λαβές Μάθημα 3: Νευρωνικό δίκτυο BP 1. Βασικές αρχές νευρωνικού δικτύου BP 2. MATLAB υλοποίηση νευρωνικού δικτύου BP 3. Εξάσκηση περίπτωσης 4. Βελτιστοποίηση παραμέτρων νευρωνικού δικτύου BP Μάθημα 4: RBF, GRNN και Νευρωνικό δίκτυο PNN 1. Βασικές αρχές νευρωνικού δικτύου RBF 2. Βασικές αρχές νευρωνικού δικτύου GRNN 3. Βασικές αρχές νευρωνικού δικτύου PNN 4. Εξάσκηση περίπτωσης Μάθημα 5: Ανταγωνιστικό νευρωνικό δίκτυο και νευρωνικό δίκτυο SOM 1. Βασικές αρχές ανταγωνιστικού νευρωνικού δικτύου Αρχή 2 Βασικές αρχές νευρωνικού δικτύου αυτοοργάνωσης χαρτών χαρακτηριστικών (SOM) 3. Εξάσκηση περίπτωσης Μάθημα 6: Υποστήριξη διανυσματικής μηχανής (SVM) 1. Βασικές αρχές ταξινόμησης SVM 2. Βασικές αρχές προσαρμογής παλινδρόμησης SVM 3 , Κοινοί αλγόριθμοι εκπαίδευσης του SVM ( αποκλεισμός, SMO, επαυξητική μάθηση, κ.λπ.) 4. Μάθημα πρακτικής περίπτωσης 7: Extreme Learning Machine (ELM) 1. Βασικές αρχές του ELM 2. Η διαφορά μεταξύ νευρωνικού δικτύου ELM και BP 3. Μάθημα πρακτικής περίπτωσης 8: Δέντρο απόφασης και τυχαίο Forest 1. Basic Principles of Decision Trees 2. Basic Principles of Random Forest 3. Case Practice Μάθημα 9: Γενετικός Αλγόριθμος (GA) 1. Γενετικός Αλγόριθμος Βασικές αρχές 2. Εισαγωγή στις εργαλειοθήκες κοινών γενετικών αλγορίθμων 3. Case Practice Lesson S Αλγόριθμος βελτιστοποίησης (PSO) 1. Βασικές αρχές αλγόριθμου βελτιστοποίησης σμήνος σωματιδίων 2. Μάθημα πρακτικής περίπτωσης 11: Αλγόριθμος αποικίας μυρμηγκιών (Αλγόριθμος αποικίας μυρμηγκιών, ACA) 1. Βασικές αρχές αλγόριθμου βελτιστοποίησης σμήνος σωματιδίων 2. Case Practice Simulithmed (Simulated Annealing, SA) 1. Βασικές αρχές αλγόριθμου προσομοίωσης ανόπτησης 2. Εξάσκηση περίπτωσης Μάθημα 13 : Μείωση διαστάσεων και επιλογή χαρακτηριστικών 1. Βασικές αρχές ανάλυσης κύριου συστατικού 2. Βασικές αρχές μερικών ελαχίστων τετραγώνων 3. Μέθοδοι επιλογής κοινών χαρακτηριστικών (βελτιστοποιημένη αναζήτηση, Φίλτρο και Περιτύλιγμα, κ.λπ.)

Requirements

Προχωρημένα Μαθηματικά Γραμμική Άλγεβρα

  21 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Related Courses

MATLAB Fundamentals, Data Science & Report Generation

  35 Hours

Matlab for Finance

  14 Hours

MATLAB Fundamentals + MATLAB for Finance

  35 Hours

Matlab for Predictive Analytics

  21 Hours

Matlab for Prescriptive Analytics

  14 Hours

Related Categories